python实验十_data1.csv中的b,c,d和e列-优快云博客

本文链接：https://blog.youkuaiyun.com/Vienna910/article/details/140161351

专栏python共10次python实验，可去主页python专栏查看

1.datal.csv中的B、C、D和E列数据分别是日期、权重、A企业的销售额、B企业的销售额。读取C、D、E列数据,并统计E列数据的算术平均数、加权平均值(权值为C列数据)、方差、中位数、最小值、最大值。并绘制E列数据的直方图。

import numpy as np
import matplotlib.pyplot as plt

# 读取CSV文件
data = pd.read_csv('data1.csv')

# 获取第三列、第五列数据
third_column = data.iloc[:, 2]
fifth_column = data.iloc[:, 4]

# 计算第五列数据的算数平均值
mean_value = fifth_column.mean()

# 计算第五列数据的加权平均值
weighted_mean = np.average(fifth_column, weights=third_column)

# 计算第五列数据的方差
variance = fifth_column.var()

# 计算第五列数据的中位数
median_value = fifth_column.median()

# 计算第五列数据的最小值
min_value = fifth_column.min()

# 计算第五列数据的最大值
max_value = fifth_column.max()

# 绘制第五列数据的直方图
plt.hist(fifth_column, bins=10, color='skyblue', edgecolor='black')
plt.xlabel('销售额')
plt.ylabel('频数')
plt.title('销售额直方图')
plt.show()

# 打印统计结果
print(f'算术平均数: {mean_value}')
print(f'加权平均值: {weighted_mean}')
print(f'方差: {variance}')
print(f'中位数: {median_value}')
print(f'最小值: {min_value}')
print(f'最大值: {max_value}')

读取data1.csv文件中的A企业销售额与B企业销售额数据,并计算这些企业数据的协方差矩阵和相关系数矩阵

import pandas as pd

# 读取CSV文件
data = pd.read_csv('data1.csv')

# 选择第四列和第五列数据
selected_data = data.iloc[:, 3:5]

# 计算协方差矩阵
covariance_matrix = selected_data.cov()

# 计算相关系数矩阵
correlation_matrix = selected_data.corr()

print('协方差矩阵:')
print(covariance_matrix)

print('\n相关系数矩阵:')
print(correlation_matrix)

读取 datal.csv文件中A、B、C、D、E,绘制由A列和D列数据关联,以及由A列和E列数据(请将该列值除以120后绘图)关联的两条折线图,并分别赋以不同的颜色和线型,添加图例。

import pandas as pd
import matplotlib.pyplot as plt

# 读取CSV文件
data = pd.read_csv('data1.csv')

# 选择第一列、第四列和第五列（除以120）的数据
first_column = data.iloc[:, 0]
fourth_column = data.iloc[:, 3]
fifth_column = data.iloc[:, 4] / 120

# 绘制折线图
plt.plot(first_column, fourth_column, color='blue', linestyle='-', label='第一列和第四列关联')
plt.plot(first_column, fifth_column, color='green', linestyle='--', label='第一列和第五列（除以120）关联')

# 添加图例
plt.legend()

plt.xlabel('X轴数据')
plt.ylabel('Y轴数据')
plt.title('折线图')
plt.show()

4.设计一个Timer类，该类包括：表示小时，分，秒的三个数据域，三个数据域各自的get方法，设置新时间和显示时间的方法。用当前时间创建一个Timer类并显示出来。

import datetime
class Timer:
    def __init__(self, hour, minute, second):
        self.hour = hour
        self.minute = minute
        self.second = second
    def gethour(self):
        return self.hour
    def getminute(self):
        return self.minute
    def getsecond(self):
        return self.second
    def settime(self, new_hour, new_minute, new_second):
        self.hour = new_hour
        self.minute = new_minute
        self.second = new_second
    def showtime(self):
        print(self.hour, ":", self.minute, ":", self.second)

# 主程序
d = datetime.datetime.now()
timer1 = Timer(d.hour, d.minute, d.second)
timer1.showtime()

针对 data1.csv中A企业的销售额,使用简单移动平均方法估计各月的销售额。移动平均间隔为3,即用1、2、3三周的数据预测第4周的数据。

import pandas as pd

# 读取CSV文件
data = pd.read_csv('data1.csv')

# 选择第四列数据
sales_data = data.iloc[:, 3]

# 使用简单移动平均方法计算各月的销售额
moving_average = sales_data.rolling(window=3).mean()

# 打印移动平均结果
print(moving_average)

使用指数移动平均方法估计上题的A企业的销售额。移动平均间隔为3。并请添加图、坐标轴标题和图例

import pandas as pd
import matplotlib.pyplot as plt

# 读取CSV文件
data = pd.read_csv('data1.csv')

# 选择第四列数据
sales_data = data.iloc[:, 3]

# 使用简单移动平均方法计算各月的销售额
moving_average = sales_data.rolling(window=3).mean()

# 绘制图表
plt.figure(figsize=(10, 6))
plt.plot(sales_data, label='每周销售额')
plt.plot(moving_average, label='移动平均销售额', color='red', linestyle='--')

# 添加标题和标签
plt.title('销售额及移动平均')
plt.xlabel('周数')
plt.ylabel('销售额')
plt.legend()

plt.show()