沈阳企业网站模板建站谷歌搜索引擎镜像

当前位置： 首页 > news >正文

沈阳企业网站模板建站,谷歌搜索引擎镜像,刷百度指数网站,免费企业wordpress完全汉化版免费一、实验目的 Python 数据可视化#xff1a; 1、学习使用 jieba、wordcloud 等类库生成词云图。
2、学习使用 Matplotlib 库进行数据可视化。 Python 聚类-K-means#xff1a; 1、理解聚类非监督学习方法的基本原理。
2、掌握 Python、numpy、pandas、sklearn 实现聚类…一、实验目的 Python 数据可视化 1、学习使用 jieba、wordcloud 等类库生成词云图。
2、学习使用 Matplotlib 库进行数据可视化。 Python 聚类-K-means 1、理解聚类非监督学习方法的基本原理。
2、掌握 Python、numpy、pandas、sklearn 实现聚类的方法。 二、实验原理 运用 Anaconda 搭建的 Spyder平台编写 Python 实例程序。 运用 Anaconda 搭建的 Spyder平台编写实例 Python K-means 聚类程序。 三、使用软件平台 1、Windows 11电脑一台。 2、Anaconda、Python、Spyder平台。 四、实验内容 实例1简历信息词云图 结果 代码  对了记得把老师的文件放在同一个文件夹下 import jieba import imageio from wordcloud import WordCloud import matplotlib.pyplot as plt# 读取个人信息文件 with open(per_info.txt, r, encodingutf-8) as f:word_content f.read().replace(\n, )# 读取背景图片 mask_img imageio.imread(china.jpg)# 分词处理 word_cut jieba.cut(word_content) word_cut_join .join(word_cut)# 创建词云对象 wc WordCloud(font_pathSTXINGKA.ttf, # 选择支持中文的字体maskmask_img, # 背景图background_colorwhite, # 背景颜色max_words500, # 最大显示词语数max_font_size80 # 最大字体 )# 生成词云 wc.generate(word_cut_join)# 显示词云 plt.imshow(wc, interpolationbilinear) plt.axis(off) plt.show()# 保存词云到本地 wc.to_file(personal_wordcloud.jpg)实例2疫情病例数发展趋势可视化 结果 代码 import pandas as pd import matplotlib.pyplot as plt from matplotlib import rcParams# 设置字体为 SimHei黑体 rcParams[font.sans-serif] [SimHei] # 解决中文乱码 rcParams[axes.unicode_minus] False # 解决负号显示问题# 读取疫情数据 data_file cq_COVID-19.xlsx
data pd.read_excel(data_file)# 提取日期和感染人数并保存到列表 dates pd.to_datetime(data[日期]).tolist() # 转换为 Python 列表 cases data[感染人数].tolist() # 转换为 Python 列表# 打印两个列表仅供调试 print(日期列表:, dates) print(感染人数列表:, cases)# 绘制折线图 plt.figure(figsize(12, 6)) plt.plot(dates, cases, markero, linestyle-, label感染人数)# 设置图表标题和轴标签 plt.title(重庆疫情病例数发展趋势–来自420刘清城, fontsize16) plt.xlabel(日期, fontsize12) plt.ylabel(感染人数, fontsize12)# 美化图表 plt.grid(alpha0.3) plt.xticks(rotation45) # 日期横轴倾斜以便阅读 plt.legend() plt.tight_layout()# 显示图表 plt.show()实例3基于经纬度的城市聚类 结果 代码 import pandas as pd from sklearn.cluster import KMeans import matplotlib.pyplot as plt# 读取城市数据 file_path China_cities.csv # 确保文件路径正确 data pd.read_csv(file_path)# 检查数据 print(数据预览) print(data.head())# 提取经纬度数据 coordinates data[[北纬, 东经]]# 数据清洗确保数据没有缺失值 coordinates coordinates.dropna()# 转换为数值类型如果必要 coordinates[北纬] pd.to_numeric(coordinates[北纬], errorscoerce) coordinates[东经] pd.to_numeric(coordinates[东经], errorscoerce)# 丢弃无法转换为数值的行 coordinates coordinates.dropna()# 使用 K-Means 模型进行聚类 kmeans KMeans(n_clusters5, random_state42) # 将城市分为3类 data[聚类标签] kmeans.fit_predict(coordinates)# 输出聚类中心 print(聚类中心) print(kmeans.clustercenters)# 绘制聚类结果图 plt.figure(figsize(10, 6)) colors [gray, blue, green,yellow,cyan]for i in range(5): # 根据聚类标签绘制不同颜色的点cluster_points data[data[聚类标签] i]plt.scatter(cluster_points[东经], cluster_points[北纬], ccolors[i], labelf聚类{i1})# 绘制聚类中心 centers kmeans.clustercenters plt.scatter(centers[:, 1], centers[:, 0], cRed, marker, s200, label聚类中心)# 设置图表标题和轴标签 plt.title(中国主要城市聚类图, fontsize16) plt.xlabel(东经, fontsize12) plt.ylabel(北纬, fontsize12) plt.legend() plt.grid() plt.show()思考题一 结果 代码  import jieba import matplotlib.pyplot as plt# 读取政府工作报告文件 file_path govreport-2022.txt # 替换为实际文件路径 with open(file_path, r, encodingutf-8) as f:text f.read()# 分词处理 words jieba.lcut(text)# 统计词频并存储到字典 word_count {} for word in words:# 去除标点符号和无意义的单字if len(word) 1 and word not in [, 。, 、, “, ”, 的, 和, 是, 在]:word_count[word] word_count.get(word, 0) 1# 将字典转换为列表并按词频降序排序 sorted_word_count sorted(word_count.items(), keylambda x: x[1], reverseTrue)# 提取前5个高频词并构建两个列表 top_words sorted_word_count[:5] words [item[0] for item in top_words] counts [item[1] for item in top_words]# 绘制柱状图 plt.figure(figsize(10, 6)) bars plt.bar(words, counts, colorskyblue)# 在每个柱上方添加数字 for bar, count in zip(bars, counts):plt.text(bar.get_x() bar.get_width() / 2, bar.get_height(), # 坐标调整str(count), hacenter, vabottom, fontsize15)# 设置标题和标签 plt.title(2022年政府工作报告高频词, fontsize16) plt.xlabel(单词名称, fontsize20) plt.ylabel(出现频率, fontsize20) plt.xticks(fontsize20) plt.yticks(fontsize20) plt.tight_layout()# 显示图表 plt.show()思考题二 结果 代码 import pandas as pd import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.datasets import load_iris from matplotlib import rcParams# 设置字体为 SimHei黑体 rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签 rcParams[axes.unicode_minus] False # 用来正常显示负号# 加载鸢尾花数据集 iris load_iris() data pd.DataFrame(iris.data, columnsiris.feature_names) data[种类] iris.target# 查看数据集前5行 print(鸢尾花数据集前5行) print(data.head())# 提取四个特征数据 features data.iloc[:, :4] # 全部四个特征# 使用 K-Means 模型进行聚类 kmeans KMeans(n_clusters3, random_state42) # 将数据分为3类 data[聚类标签] kmeans.fit_predict(features)# 输出聚类中心 print(聚类中心) print(kmeans.clustercenters)# 绘制两张图 plt.figure(figsize(12, 10))# 子图1花萼长度和宽度 plt.subplot(2, 1, 1) colors [yellow, blue, green] markers [o, s, ^] # 圆形、方形、三角形for i in range(3): # 遍历3个聚类cluster_points data[data[聚类标签] i]plt.scatter(cluster_points.iloc[:, 0], cluster_points.iloc[:, 1], ccolors[i], markermarkers[i], labelf聚类{i1})# 绘制聚类中心 centers kmeans.clustercenters plt.scatter(centers[:, 0], centers[:, 1], cred, marker, s300, label聚类中心)# 设置标题和轴标签 plt.title(鸢尾花按花萼特征聚类图, fontsize16) plt.xlabel(花萼长度, fontsize12) plt.ylabel(花萼宽度, fontsize12) plt.legend() plt.grid()# 子图2花瓣长度和宽度 plt.subplot(2, 1, 2)for i in range(3): # 遍历3个聚类cluster_points data[data[聚类标签] i]plt.scatter(cluster_points.iloc[:, 2], cluster_points.iloc[:, 3], ccolors[i], markermarkers[i], labelf聚类{i1})# 绘制聚类中心 plt.scatter(centers[:, 2], centers[:, 3], cred, marker*, s300, label聚类中心)# 设置标题和轴标签 plt.title(鸢尾花按花瓣特征聚类图, fontsize16) plt.xlabel(花瓣长度, fontsize12) plt.ylabel(花瓣宽度, fontsize12) plt.legend() plt.grid()# 显示图形 plt.tight_layout() plt.show()