import numpy as np (date_list) = np.loadtxt('tourist_data.csv', skiprows = 1, dtype = 'string_', delimiter = ',', usecols = 0, unpack = True) max_date = date_list[np.argmax(jzg_data)] max_date.decode('utf-8') import numpy as np (date_list) = np.loadtxt('tourist_data.csv', skiprows = 1, dtype = 'string_', delimiter = ',', usecols = 0, unpack = True) max_date = date_list[np.argmax(jzg_data)] max_date.decode('utf-8') ## 1.6 map函數的例子 ``` 定義一個函數，將每個元素乘以2 def multiply_by_two(x): return x * 2 # 創建一個數字列表 numbers = [1, 2, 3, 4, 5] # 使用map()函數將multiply_by_two函數應用于numbers列表中的每個元素 result = map(multiply_by_two, numbers) # 由于map()返回的是一個迭代器，我們需要將其轉換為列表來查看結果 result_list = list(result) # 輸出結果列表 print(result_list) # 輸出: [2, 4, 6, 8, 10] ``` ## python 實現計算游客總人數  ## 1.8 就業率計算 ``` # 定義計算就業率的函數 def calculate_employment_rate(year, total_pop, employed_pop): return (employed_pop / total_pop) * 100 # 初始化一個字典來存儲每年的就業率 employment_rates = {} # 打開CSV文件并讀取內容 file= open('emp_data.txt', 'r') # 跳過標題行 next(file) # 逐行讀取數據 for line in file: print(line) # 分割每行的數據 data = line.strip().split(',') print(data) # 提取年份、總人口和就業人口 year = int(data[0]) total_pop = int(data[1]) employed_pop = int(data[2]) # 計算就業率并存儲在字典中 rate = calculate_employment_rate(year, total_pop, employed_pop) employment_rates[year] = rate # 輸出每年的就業率 for year, rate in employment_rates.items(): print(f"年 {year}: 就業率 = {rate}%") ``` ## 1.9 Python基礎練習 ——外賣店分析 1. 打印出提供漢堡的點名 ``` import csv # 打開CSV文件 with open('swiggy_cleaned.csv', 'r') as file: reader = csv.DictReader(file) # 初始化一個列表來存儲提供'Burgers'的飯店 burgers_restaurants = [] #計算菜品種類出現的次數 food_count={} # 遍歷CSV文件的每一行 for row in reader: # 將food_type列中的字符串按逗號分割成列表 food_types = row['food_type'].split(',') for food in food_types: if food in food_count: food_count[food] +=1 else: food_count[food] =1 # 檢查'Burgers'是否在food_type列表中 if 'Burgers' in food_types: # 將飯店信息添加到列表中 burgers_restaurants.append(row) # 打印提供'Burgers'的飯店信息 for restaurant in burgers_restaurants: print(restaurant['hotel_name']) print("===========================") max_value=0 max_key="" for key, value in food_count.items(): if value > max_value: max_value = value max_key = key print(f"可選餐廳最多的菜系是{max_key}") ``` ## 2.1 Numpy數組基本運算練習 ```python import numpy as np # 步驟1：創建NumPy數組 expenses = np.array([800, 1500, 300, 400, 200]) # 分別代表食品、住房、交通、娛樂和其他 expense_categories = ['食品', '住房', '交通', '娛樂', '其他'] # 步驟2：計算總開支 total_expenses = np.sum(expenses) print(f"總開支為：{total_expenses}元") # 步驟3：找出哪一項開支最高 max_expense_index = np.argmax(expenses) max_expense_category = expense_categories[max_expense_index] max_expense_amount = expenses[max_expense_index] print(f"開支最高的項目是：{max_expense_category}，金額為：{max_expense_amount}元") ``` 這個練習不僅涉及了NumPy數組的基本運算（如求和），還涉及了如何找到數組中的最大值及其索引，這在實際生活中處理數據時是非常有用的技能。 ## 2.1 Numpy數組基本運算練習2-----客流量練習 **代碼實現：** ```python import numpy as np # 1. 創建一個3x3的ndarray customer_flow = np.array([ [100, 150, 200], # 第一天：早、中、晚 [120, 180, 220], # 第二天：早、中、晚 [110, 170, 210] # 第三天：早、中、晚 ]) # 2. 計算這三天每個時間段的平均客流量 avg_flow_per_period = np.mean(customer_flow, axis=0) print("每個時間段的平均客流量：", avg_flow_per_period) # 3. 找出這三天中哪個時間段的客流量最大 max_flow_period = np.argmax(np.sum(customer_flow, axis=0)) periods = ["早上", "中午", "晚上"] print("客流量最大的時間段是：", periods[max_flow_period]) # 4. 假設第四天早、中、晚的客流量分別為150、200、250，將這個數據加入到ndarray中 customer_flow = np.vstack([customer_flow, [150, 200, 250]]) # 重新計算每個時間段的平均客流量 avg_flow_per_period_new = np.mean(customer_flow, axis=0) print("加入第四天數據后，每個時間段的平均客流量：", avg_flow_per_period_new) ``` ## 2.3 數組切片練習 **示例**： ```python import numpy as np # 步驟1：創建二維數組存儲銷售數據 # 假設有4種商品（商品A, B, C, D）和3天的銷售數據 sales_data = np.array([ [10, 15, 12], # 商品A在三天內的銷售數量 [8, 11, 9], # 商品B在三天內的銷售數量 [5, 7, 6], # 商品C在三天內的銷售數量 [13, 18, 16] # 商品D在三天內的銷售數量 ]) # 步驟2：提取特定商品（例如商品C）在所有日期的銷售數據 sales_of_product_C = sales_data[2, :] # 提取第3行（索引為2）的所有數據 print(f"商品C在三天內的銷售數據為：{sales_of_product_C}") # 步驟3：提取所有商品在特定日期（例如第二天）的銷售數據 sales_on_second_day = sales_data[:, 1] # 提取所有行的第2列（索引為1）的數據 print(f"所有商品在第二天的銷售數據為：{sales_on_second_day}") # 步驟4：計算特定商品（例如商品A）在特定日期（例如第一天）的銷售數據 sales_of_product_A_on_first_day = sales_data[0, 0] # 提取第1行第1列的數據 print(f"商品A在第一天的銷售數量為：{sales_of_product_A_on_first_day}") ``` ## 2.4 利用numpy完成旅客人數統計 ``` (jzg_data, zjj_data, hk_data, dbhqc_data, shdisney_data) = np.loadtxt('tourist_data.csv', skiprows = 1, dtype = 'int', delimiter = ',', usecols = (1,2,3,4,5), unpack = True) jzg_total = jzg_data.sum() zjj_total = zjj_data.sum() hk_total = hk_data.sum() dbhqc_total = dbhqc_data.sum() shdisney_total = shdisney_data.sum() print("(numpy)這段時期到九寨溝旅游的總人數是:", jzg_total) print("(numpy)這段時期到張家界旅游的總人數是:", zjj_total) print("(numpy)這段時期到香港旅游的總人數是:", hk_total) print("(numpy)這段時期到東部華僑城旅游的總人數是:", dbhqc_total) print("(numpy)這段時期到上海迪士尼旅游的總人數是:", shdisney_total) ``` ``` #任務2 旅客人數最多的日期 import numpy as np (date_list) = np.loadtxt('tourist_data.csv', skiprows = 1, dtype = 'string_', delimiter = ',', usecols = 0, unpack = True) max_date = date_list[np.argmax(jzg_data)] max_date.decode('utf-8') ``` ## 3.3 Series練習 ``` import pandas as pd import matplotlib.pyplot as plt # 步驟1：創建包含一周七天攝入熱量的pandas Series # 假設數據如下（這只是一個示例，你可以根據實際數據修改） calories = { 'Monday': 2000, 'Tuesday': 1800, 'Wednesday': 2200, 'Thursday': 1900, 'Friday': 2100, 'Saturday': 2500, # 周末可能有更多的熱量攝入 'Sunday': 2300 } # 創建Series calories_series = pd.Series(calories) # 步驟2：計算一周內攝入的總熱量 total_calories = calories_series.sum() print(f"Total calories consumed in a week: {total_calories} kcal") # 步驟3：找出攝入熱量最高和最低的一天 max_calories = calories_series.idxmax() # 獲取最大值索引（日期） min_calories = calories_series.idxmin() # 獲取最小值索引（日期） print(f"The day with the highest calorie intake: {max_calories} - {calories_series[max_calories]} kcal") print(f"The day with the lowest calorie intake: {min_calories} - {calories_series[min_calories]} kcal") # 步驟4：計算平均每天攝入的熱量 average_calories = calories_series.mean() print(f"Average daily calorie intake: {average_calories} kcal") # 步驟5：按照熱量從高到低排序 sorted_calories = calories_series.sort_values(ascending=False) print("Sorted calorie intake from high to low:") print(sorted_calories) # 步驟6：繪制條形圖展示每天總熱量攝入情況 plt.figure(figsize=(10, 10)) calories_series.plot(kind='bar') plt.title('Total Calorie Intake per Day') plt.xlabel('Day') plt.ylabel('Total Calories (kcal)') plt.show() ``` ## 3.5 DataFrame練習-職位分析 任務1：統計文件中計算機行業的職位有多少個？ ``` import pandas as pd # 讀取Excel文件 df = pd.read_excel('initdata3.xlsx') # 使用條件過濾來找出行業為'計算機軟件/硬件'的行 computer_industry_jobs = df[df['com_industry'] == '行業計算機軟件/硬件'] # 統計符合條件的行數，即計算機行業的職位數量 num_computer_industry_jobs = len(computer_industry_jobs) # 打印結果 print(f"計算機行業的職位數量是：{num_computer_industry_jobs}個") ``` 任務2：請列出所有崗位要求中有“JAVA”的職位。 ``` import pandas as pd # 定義一個函數來檢查文本中是否包含'JAVA' def contains_java(text): return 'Java' in str(text) # 讀取Excel文件 df = pd.read_excel('initdata3.xlsx') # 使用apply方法將函數應用到'describe'列的每一行 java_jobs = df[df['describe'].apply(contains_java)] # 列出所有包含'JAVA'的職位名稱 java_job_names = java_jobs['com_name'].tolist() # 打印結果 print("包含'JAVA'的職位名稱:") for job_name in java_job_names: print(job_name) ``` 任務3：統計每個行業的職位數量，畫出餅狀圖。 ``` import pandas as pd import matplotlib.pyplot as plt # 讀取Excel文件 df = pd.read_excel('initdata3.xlsx') # 統計每個行業的職位數量 industry_counts = df['com_industry'].value_counts() # 繪制餅狀圖 plt.figure(figsize=(10, 7)) # 設置圖的大小 industry_counts.plot(kind='pie') # autopct格式化百分比 # 設置圖表的標題和標簽 plt.title('Job industry') plt.ylabel('') # 不需要y軸標簽 # 使餅狀圖成為圓形而不是橢圓形 plt.axis('equal') # 顯示圖表 plt.show() ``` ## 3.5 DataFrame練習-職位篩選 ``` df_selected_columns = df[['com_name', 'com_area']] # 篩選出規模在100-499人的公司 df_100_499 = df[df['com_member'] == '規模20-99人'] # 篩選出學歷要求為大專的公司 df_education_bachelor = df[df['education'] == '學歷要求大專'] # 篩選出規模在20-99人且地區為江蘇/南通/崇川區的公司 df_conditions = df[(df['com_member'] == '規模20-99人') & (df['com_area'] == '地區江蘇/南通/崇川區')] # 篩選出年齡要求為18歲--40歲的公司 df_age_range = df[df['age'].str.contains('18歲--40歲')] ``` ## 3.7 loc iloc 練習 ``` # 任務1：使用loc方法篩選出"com_name"和"com_area"列的數據。 df_selected_columns = df.loc[:, ['com_name', 'com_area']] # 任務2：使用iloc方法根據列位置篩選數據篩選出第1列（索引為0）和第5列（索引為4）的數據。 df_selected_columns_by_position = df.iloc[:, [0, 4]] # 任務3：使用loc方法篩選出"com_name"和"com_area"列，且行標簽為0和1的數據。 df_filtered_rows_and_columns = df.loc[[0, 1], ['com_name', 'com_area']] #任務4：使用iloc方法篩選出第1行到第2行，以及第1列到第3列的數據。 df_selected_range = df.iloc[0:2, 0:3] ```