研究生网站建设,免费网站浏览器,芜湖室内设计公司排名,专业做邯郸网站优化目录 1. 请导入相应模块并获取数据。导入待处理数据tips.xls#xff0c;并显示前5行。
2、分析数据 3.增加一列“人均消费”
4查询抽烟男性中人均消费大于5的数据 5.分析小费金额和消费总额的关系#xff0c;小费金额与消费总额是否存在正相关关系。画图观察。
6分析男女顾…
目录 1. 请导入相应模块并获取数据。导入待处理数据tips.xls并显示前5行。
2、分析数据 3.增加一列“人均消费”
4查询抽烟男性中人均消费大于5的数据 5.分析小费金额和消费总额的关系小费金额与消费总额是否存在正相关关系。画图观察。
6分析男女顾客哪个更慷慨就是分组看看男性还是女性的小费平均水平更高
7.分析日期和小费的关系请绘制直方图。
8、绘图分析性别抽烟的组合对慷慨度的影响 9.绘图分析聚餐时间段与小费数额的关系
总结 本实训主要对小费数据进行数据的分析与可视化用到的数据放在文件中。 1. 请导入相应模块并获取数据。导入待处理数据tips.xls并显示前5行。
# 导入相应模块
import pandas as pd
import matplotlib.pyplot as plt# 导入数据并显示前5行
tips_data pd.read_excel(tips.xls)
print(tips_data.head())2、分析数据
1、查看数据的描述信息
2、修改列名为汉字total_bill--消费总额tip--小费sex--性别smoker--是否抽烟day--星期time--聚餐时间段size--人数并显示前5行数据。
# 导入数据并显示描述信息
print(tips_data.describe())# 修改列名并显示前5行
tips_data.columns [消费总额, 小费, 性别, 是否抽烟, 星期, 聚餐时间段, 人数]
print(tips_data.head())3.增加一列“人均消费”
# 导入数据并增加“人均消费”列
tips_data[人均消费] tips_data[消费总额] / tips_data[人数]
print(tips_data.head()) 4查询抽烟男性中人均消费大于5的数据
# 导入数据并查询抽烟男性中人均消费大于5的数据
smoking_male tips_data[(tips_data[是否抽烟]Yes) (tips_data[性别]Male)]
result smoking_male[smoking_male[消费总额] / smoking_male[人数] 5]
print(result) 5.分析小费金额和消费总额的关系小费金额与消费总额是否存在正相关关系。画图观察。
# 导入数据并绘制散点图
x tips_data[消费总额]
y tips_data[小费]
plt.scatter(x, y)
plt.xlabel(Total bill)
plt.ylabel(Tip)
plt.show() 可以看出小费金额似乎随着消费总额的增加而变大这表明小费金额和消费总额存在一定程度的正相关关系但不是非常强烈的正相关关系。 6分析男女顾客哪个更慷慨就是分组看看男性还是女性的小费平均水平更高 # 导入数据并计算男女顾客的小费平均值
gender_tip_mean tips_data.groupby(性别)[小费].mean()
print(gender_tip_mean)可以看出在这个数据集中男性顾客的小费平均水平略高于女性顾客。因此从这份数据来看男性顾客可能更慷慨一些。 7.分析日期和小费的关系请绘制直方图。
# 导入数据并绘制直方图
grouped tips_data.groupby(星期)[小费]
hist_data [grouped.get_group(day) for day in grouped.groups]
plt.hist(hist_data, bins10, histtypebar, stackedTrue)
plt.legend(grouped.groups.keys())
plt.xlabel(Tip amount)
plt.ylabel(Frequency)
plt.show() 8、绘图分析性别抽烟的组合对慷慨度的影响 # 导入数据并绘制箱线图
fig, ax plt.subplots()
ax.boxplot([tips_data[tips_data[性别]Male][tips_data[是否抽烟]Yes][小费],tips_data[tips_data[性别]Male][tips_data[是否抽烟]No][小费],tips_data[tips_data[性别]Female][tips_data[是否抽烟]Yes][小费],tips_data[tips_data[性别]Female][tips_data[是否抽烟]No][小费]],labels[Male smoker, Male non-smoker, Female smoker, Female non-smoker])
plt.xlabel(Gender and smoking)
plt.ylabel(Tip amount)
plt.title(Effect of gender and smoking on tipping behavior)
plt.show()可以看出男性吸烟者给出的小费位于所有组合中的最高水平而女性非吸烟者给出的小费位于所有组合中的最低水平。因此在这个数据集中男性吸烟者可能更加慷慨而女性非吸烟者可能不太慷慨。 9.绘图分析聚餐时间段与小费数额的关系
# 导入数据并绘制散点图
colors [blue, green, red, purple]
grouped tips_data.groupby(聚餐时间段)
for i, (key, group) in enumerate(grouped):plt.scatter(group[消费总额], group[小费], labelkey, colorcolors[i])
plt.xlabel(Total bill amount)
plt.ylabel(Tip amount)
plt.title(Relationship between meal time and tipping behavior)
plt.legend()
plt.show()可以看出午餐和晚餐的小费数额大致呈正相关而早餐和夜宵的小费数额较为稀疏无明显的相关性。因此从这份数据来看午餐和晚餐似乎更有可能得到较高的小费水平。
总结
这是一个数据分析和可视化的过程其主要步骤如下 导入所需的模块包括Pandas和Matplotlib。 使用Pandas读取并处理数据集包括修改列名、计算人均消费、查询特定条件下的数据等等。 利用Matplotlib绘制各种类型的图表包括散点图、直方图、箱线图等等从中发现顾客的一些特征与小费数额之间的关系。 对绘制的图表进行美化和定制包括添加标签、标题、轴标签、图例等等。 考虑实际情况和边界条件确保代码能够稳定、高效地工作。 这个过程涉及到多种数据分析和可视化技术能够帮助我们更好地理解数据发现其中的规律和趋势为进一步的研究和决策提供参考。同时也需要注意数据质量和代码效率避免出现意想不到的问题。
源代码下载
visualization.py · 蒋言希/小蒋同学的CSDN - Gitee.comhttps://gitee.com/jiang-yanxi123/xiaojiangs---csdn/blob/master/visualization.py
