欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

1.1用图表分析单变量数据

程序员文章站 2023-09-28 16:05:12
单变量:表达式、方程式、函数或者一元多项式等 数据:http://www.presidency.ucsb.edu/data/sourequests.php美国总统历年在国情咨文中对国会提起的诉求数量 一、获取数据 本次使用到的数据量并不多,不过还是按照常规思路,通过爬虫获取。 得到的数据: 二、绘制 ......

  单变量:表达式、方程式、函数或者一元多项式等

  数据:美国总统历年在国情咨文中对国会提起的诉求数量

一、获取数据

  本次使用到的数据量并不多,不过还是按照常规思路,通过爬虫获取。

 1 import urllib.request
 2 import re
 3 
 4 
 5 def crawler(url):
 6     headers = {
 7         "user-agent": "mozilla/5.0 (x11; u; linux x86_64; zh-cn; rv:1.9.2.10) gecko/20100922 ubuntu/10.10 (maverick) firefox/3.6.10"
 8     }
 9     req = urllib.request.request(url, headers=headers)
10     response = urllib.request.urlopen(req)
11     
12     html = response.read().decode('utf-8')
13     print(type(html))
14     
15     pat = r'<tr align="center">(.*?)</tr>'
16     re_html = re.compile(pat, re.s) # re.s可以使匹配换行
17     trslist = re_html.findall(html) # 匹配出每条信息的数据
18     
19     x = []
20     y = []
21     for tr in trslist:
22         re_i = re.compile(r'<div align="center">(.*?)</div>', re.s)
23         i = re_i.findall(tr)
24         x.append(int(i[1].strip())) # 从每条数据中取出所需要的两个数据年份和诉求数量
25         y.append(int(i[2].strip()) if i[2] != '' else 0) # 当匹配到空字符串时就是数据缺失部分,用0代替
26     print(x,y) # 查看结果发现第一组和第四组数据有误,看源码发现他们两个的分类名不是使用的center标签,为了简便,手动添加这两个数据
27     x[0] = 1946
28     y[0] = 41
29     x[3] = 1949
30     y[3] = 28
31     return x, y
32     
33 url = "http://www.presidency.ucsb.edu/data/sourequests.php"
34 x, y = crawler(url)

  得到的数据:

x:[41, 1947, 1948, 28, 1950, 1951, 1952, 1953, 1954, 1955, 1956, 1957, 1958, 1959, 1960, 
1961, 1962, 1963, 1964, 1965, 1966, 1967, 1968, 1969, 1970, 1971, 1972, 1973, 1974, 1975,
1976, 1977, 1978, 1979, 1980, 1981, 1982, 1983, 1984, 1985, 1986, 1987, 1988, 1989, 1990,
1991, 1992, 1993, 1994, 1995, 1996, 1997]
y:[16, 23, 16, 17, 20, 11, 19, 14, 39, 32, 0, 14, 0, 16, 6, 25, 24, 18, 17, 38, 31, 27, 26,
17, 21, 20, 17, 23, 16, 13, 13, 21, 11, 13, 11, 8, 8, 14, 9, 7, 5, 5, 54, 34, 18, 20, 27,
30, 22, 25, 19, 26]

二、绘制图形观察趋势

1 import numpy as np
2 import matplotlib.pyplot as plt
3 from matplotlib.pylab import frange
4 
5 plt.figure(1)
6 plt.title("all data")
7 plt.plot(x, y, 'ro')
8 plt.xlabel('year')
9 plt.ylabel('no presedential request')

  根据获取到的数据绘制出散点图,观察其分布情况,发现有一个极大的异常点,和两个为零的异常点(获取数据时的缺失值,默认填充为0).

1.1用图表分析单变量数据

三、计算百分位数

 1 # 使用numpy中的求分位数函数分别计算
 2 perc_25 = np.percentile(y, 25)
 3 perc_50 = np.percentile(y, 50)
 4 perc_75 = np.percentile(y, 75)
 5 print("25th percentile = %.2f" % perc_25)
 6 print("50th percentile = %.2f" % perc_50)
 7 print("75th percentile = %.2f" % perc_75)
 8 
 9 '''
10 结果:
11 25th percentile = 13.00
12 50th percentile = 18.50
13 75th percentile = 25.25
14 '''

  上面已经求得各分位数值,分别在图中画出来,为了在上面原始图中画出,要放在一起执行:

 1 # 在图中画出第25、50、75位的百分位水平线
 2 # ----------------------------------------
 3 plt.figure(1)
 4 plt.title("all data")
 5 plt.plot(x, y, 'ro')
 6 plt.xlabel('year')
 7 plt.ylabel('no presedential request')
 8 # ----------------------------------------
 9 plt.axhline(perc_25, label='25th perc', c='r')
10 plt.axhline(perc_50, label='50th perc', c='g')
11 plt.axhline(perc_75, label='75th perc', c='m')
12 plt.legend(loc='best')

1.1用图表分析单变量数据

四、检查异常点

 1 # 检查生成的图形中是否有异常点,若有,使用mask函数将其删除
 2 # 0是在起初获取数据时候的缺失值的填充,根据图像看到y=54的点远远高出其他,也按异常值处理
 3 y = np.array(y) # 起初发现y为0的点没有被删掉,考虑到他是对数组进行隐藏,而本来的y是个列表,因此又加了这一句,果然去掉了两个零点
 4 y_masked = np.ma.masked_where(y==0, y)
 5 y_masked = np.ma.masked_where(y_masked==54, y_masked)
 6 print(type(y),type(y_masked))
 7 
 8 '''
 9 <class 'numpy.ndarray'> <class 'numpy.ma.core.maskedarray'>
10 '''

重新绘制图像:

 1 # 重新绘制图像
 2 plt.figure(2)
 3 plt.title("masked data")
 4 plt.plot(x, y_masked, 'ro')
 5 plt.xlabel('year')
 6 plt.ylabel('no presedential request')
 7 plt.ylim(0, 60)
 8 
 9 # 在图中画出第25、50、75位的百分位的水平线
10 plt.axhline(perc_25, label='25th perc', c='r')
11 plt.axhline(perc_50, label='50th perc', c='g')
12 plt.axhline(perc_75, label='75th perc', c='m')
13 plt.legend(loc='best')
14 plt.show()

 1.1用图表分析单变量数据

  得到的最后的图像,就是去除了0和54的三个异常点后的结果。

五、知识点

plot 

1 plt.close('all') # 关闭之前打开的所有图形
2 plt.figure(1) # 给图形编号,在绘制多个图形的时候有用
3 plt.title('all data') # 设置标题
4 plt.plot(x, y, 'ro') # "ro" 表示使用红色(r)的点(o)来绘图

百分位数

  一组n个观测值按数值大小排列。如,处于p%位置的值称第p百分位数。p=50,等价于中位数;p=0,等价于最小值;p=100,等价于最大值。

plt.axhline()

  给定y的位置,从x的最小值一直画到x的最大值
  label设置名称
  c参数设置线条颜色
  eg:perc_25 = 13.00
    plt.axhline(perc_25, label='25th perc', c='r')

legend(loc) 

  plt.legend() 是将图中一些标签显示出来
   loc参数让pyplot决定最佳放置位置,以免影响读图

numpy-mask函数 

  删除异常点
  y_masked = np.ma.masked_where(y==0, y)
  ma.masked_where函数接受两个参数,他将数组中符合条件的点进行隐藏,而不需要删除