Добавил:

ivanov666 Опубликованный материал нарушает ваши авторские права? Сообщите нам.

Вуз:

Башкирский Государственный Аграрный Университет

Предмет:

[НЕСОРТИРОВАННОЕ]

Файл:

Методы системного анализа, принятия решений и обработки информации с помощью компьютерных программ. Учебное пособие

.pdf

Скачиваний:

Добавлен:

07.09.2026

Размер:

1 Мб

Скачать

☆

<<< < Предыдущая 1 2 3 4 5 67 / 97 8 9 > Следующая >>>

Рисунок 28. Пример доступа кэлементам матрицы

Рисунок 29. Пример доступа к третьемуэлементу матрицы

При работе с матрицами операции индексирования инарезки становятся ещё более практичными:

Объект среза Python создается путем передачи параметров начальный_индекс, конечный_индекс ишаг встро- енной функции slice (срез). Синтксис [начальный_индекс: конечный_индекс: шаг]. Этот объект среза передается массиву для извлечения части массива. Если матрица многомерная, то можно делать срезы сразу вдоль нескольких осей. Рассмотрим напримере двухмерной матрицы.

Выражением matrix[i, j] мы получаем элемент массива matrix напересечении i-й строки иj-й строки.

Например, получить j-й столбец двухмерного массива matrix можно выражением: matrix[:, j]. Одну i-ю строку можно получить как выражением matrix[i, :], так ивыражением matrix[i]. Рассмотри пример создания среза, рисунок 30.

В скрипте всрезе указали [0, 1:4:2]. Это означает, что выделяем первую строку снулевым индексом, и какие

в этой строке столбцы нам нужны: Таким образом мы выбираем изматрицы элементы 1, 3 и5.

Рисунок 30. Пример доступа кэлементам матрицы

5.5. Набор данных

Библиотека NumPy содержит множество базовых статистических функций, которые помогают решать задачи и описывать набор данных: среднее арифметическое (mean), медиана (median), стандартное отклонение (std), корреляция (corrcoef) итак далее. Посмотрим, как эти статистические показатели помогут нам при решении задач.

Средние величины. Вычислить среднее арифметическое вNumPy пользуемся методом mean():

В NumPy для нахождения медианы есть метод median():

Показатели вариации. Для расчета стандартного отклонения вNumPy используем метод std():

Коэффициент корреляции. Корреляция (corrcoef)— статистическая взаимосвязь между переменными. Корреляция показывает степень связи между двумя явлениями, меняются переменные совместно или нет. Значение коэффициента корреляции показывает, насколько сильно связаны между собой переменные и всегда принимает значение от0 до1 (помодулю). Коэффициент может быть положительным или отрицательным.

Для расчета параметров описательной статистики используют функции:

5.6. Практическая работа №3.

Описательный анализ данных. NumPy

Задача 1. Напишите программу NumPy для создания массива 3x3x3, заполненного произвольными значениями.

Пример решения:

Код Python:

Задача 2. Создать случайную матрицу 5x7 целых

чисел от1 до100 иудалить [3,5] колонки.

Выходные данные:

Выведите матрицу 5x7со случайными целыми числами от1 до100 иматрицу 5x5судалённой по условию задачи колонкой. Каждая матрица выводится с новой строки, между матрицами есть пустая строка.

Пример решения:

Код Python:

Задача 3. Напишите программу NumPy, чтобы пре-

образовать данный массив всписок, азатем снова преобразовать его всписок.

Пример решения:

Код Python:

Задача 4. Напишите программу NumPy для вычисления среднего значения, стандартного отклонения идисперсии данного массива вдоль второй оси.

Пример решения:

Код Python:

Задача 5. Напишите программу NumPy для создания

нулевого вектора размера 8 иобновите второе значение до28.

Пример решения:

Код Python:

Задача 6. Напишите программу вбиблиотеке NumPy

для создания массива созначениями от21 до100с шагом 10.

Пример решения:

Код Python:

Задание для выполнения практической работы:

1. Средствами NumPy сформировать две вектора: первый длиной 15+N, (где N— номер студента всписке журнала группы) элементов созначениями от0 до1,4сшагом 0,1; второй— длиной 8 элементов со значениями от 1 до8.

2. Преобразовать первый вектор вматрицу 5хN, авторой — в матрицу 4х2. Выполнить перемножение этих матриц. Результат иматрицы вывести наэкран.

Порядок выполнения практической работы №3

1. Запустить IDLE Python (или Jupyter Notebook).

2. Подключить необходимые пакеты.

3. Ввести необходимые переменные и их значения (взависимости отварианта).

4. Вычислить спомощью уравнения всоответствии свыданным заданием.

5. Оформить практическую работу изащитить.

Отчет составляется после выполнения задания. Структура отчета: название практической работы, цель работы, задание, скриншоты с выполненным заданием иописание расчета. Отчет завершается ответами наконтрольные вопросы. Все рисунки должны быть подписаны снизу (например, Рис. Название рисунка). Страницы пронумерованы снизу поцентру.

Контрольные вопросы кпрактической работе №3

1. Особенные типы данных вNumPy?

2. Какие библиотеки Python используются для работы в области анализа данных? Дайте краткую характеристику каждой библиотеке.

3. Для чего предназначен установщик пакетов pip?

4. Умножение матриц. Правило умножения матриц. Произведение матрицы на скаляр. Приведите Задача вNumPy.

5. Сложение ивычитание матриц. Приведите Задача сложения ивычитания матриц вNumPy.

6. Срез матрицы. Пример решения вNumPy.

7. Доступ к элементам матрицы. Пример решения вNumPy.

5.7. Библиотека Pandas

Python обладает мощными функциями для чтения, записи, фильтрации иагрегации данных вструктурированном наборе данных (датасеты).

Для работы с ними в Python созданы библиотеки: Pandas, Numpy, Scikit-learn. Pandas позволяет создавать иманипулировать датасетами, осуществлять различные операции над данными. Numpy содержит инструменты для работы смассивами иматрицами. Scikit-learn содержит инструменты для машинного обучения.

Pandas — это библиотека языка Python, которая позволяет создавать объекты, вкоторых данные хранятся втабличной форм [21]. Это основной структурный объект необходимый для анализа иочистки данных перед их использованием вобучении модели.

Pandas недоступна вPython по умолчанию. Чтобы начать сней работать, нужно ее импортировать с помощью этого кода:

где pd — это сокращенное название библиотеки при импорте.

5.8. Серии итаблица данных

Библиотека pandas предоставляет две структуры: Series иDataFrame (таблица данных).

С Series можно работать как с обычным массивом икак сассоциированным массивом.

DataFrame— это двумерная маркированная таблица данных.

Конструктор класса Series:

Пример создания структуры Series нарисунке 31.

Рисунок 31. Пример создания структуры Series

<<< < Предыдущая 1 2 3 4 5 67 / 97 8 9 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]