统计年龄分布情况（5岁的间隔统计），绘制出年龄分布图。（年龄分布描述）

统计年龄分布情况（5岁的间隔统计），绘制出年龄分布图。（年龄分布描述）

2. 使用最小二乘法进行贷款额度预测：

给定训练样本集合如下：

求解：当工资18000、年龄30时，额度是多少？给出代码与运行结果图

难点在于有两个参数 画三维图需要引入mpl_toolkits.mplot3d

最小二乘法公式不变

p = (X^TX)^-1 X^T Y

在画图时要分别为x,y,z轴赋值，并写上坐标标签，由于数据的小数位太多，超出位数范围会报错，所以要将小数变为整数！

import numpy as npfrom numpy import matimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3D # 画三维图if __name__ == "__main__": # 1 获得x,y数据# ########## X = np.array([[4000, 25], [8000, 30], [5000, 28], [7500, 33], [12000, 40]]) Y = np.array([20000, 70000, 35000, 50000, 85000]) # 2 矩阵形式转换X, Y Y_mat = mat(Y).T X_temp = np.ones((5, 3)) X_temp[:, 0] = X[:, 0] X_temp[:, 1] = X[:, 1] #print(X_temp) X_mat = mat(X_temp) # print(X_mat) # 3 利用解析法 p = (X^TX)^-1 X^T Y pamaters = (((X_mat.T) * X_mat).I) * X_mat.T * Y_mat #print(pamaters) # 4 显示 fig1 = plt.figure() ax1 = Axes3D(fig1) x = X[:, 0] y = X[:, 1] z = Y Z = X_mat * pamaters #print(Z) n = list(map(int, Z[:, 0])) # Z中的数的位数超出范围 #print(n) ax1.scatter3D(x, y, z, c='blue') ax1.plot3D(x, y, n, c='red') plt.title("贷款额度预测图") # 设置图表标题 plt.xlabel("工资") # 设置x坐标轴标签 plt.ylabel("年龄") # 设置y坐标轴标签 ax1.set_zlabel("额度")# 设置z坐标标签 plt.rcParams['font.sans-serif'] = ['Kaiti'] # 用来正常显示中文（黑体）常用字体包括： Kaiti-楷体； FangSong-仿宋； Microsoft YaHei-微软雅黑 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 plt.show() a = eval(input("请输入工资：")) b = eval(input("请输入年龄: ")) s = np.array([[a, b]]) # print(s) s_temp = np.ones((1, 3)) s_temp[:, 0] = s[:, 0] s_temp[:, 1] = s[:, 1] #print(s_temp) s_mat = mat(s_temp) m = s_mat * pamaters print("贷款额度为：", m)

三维散点和折线图

输入工资和年龄即可输出贷款额度！

3.统计年龄分布情况（5岁的间隔统计），绘制出年龄分布图。

data = data.copy()data['年龄'] = [dt.datetime.today().year - i.year for i in pd.to_datetime(data["出生年月"])]

如果不添加data.copy（）会报错

SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame.Try using .loc[row_indexer,col_indexer] = value instead

完整代码：

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport datetime as dt# 读取 CSV文件生成DataFramedf = pd.read_csv('D:/luohu3.csv')print(df)print(df.info()) # 获取 DataFrame 的摘要print(df.head()) # 根据位置返回对象的前n行信息(默认值为5) ，用于快速测试数据集print(df.describe()) # 生成描述性统计数据，总结数据集分布的集中趋势，分散和形状，不包括 NaN值。# 数据预处理data = df.dropna(0) # 删除所有包含空值的行或列print(data.info())# data = df.drop_duplicates()# print(data.info())# 获取年龄数据data = data.copy()data['年龄'] = [dt.datetime.today().year - i.year for i in pd.to_datetime(data["出生年月"])] # 日期数据如何处理x = data["年龄"]# 设置统计分值段范围print(data.describe()) # 查看最大值与最小值bins = np.arange(35, 65, 5)time_bins = pd.cut(x, bins) # 对数据进行离散化处理print(time_bins)# 按积分分割区间进行分组统计df1 = data.groupby(time_bins)["年龄"].count()print(df1)# 绘制图形df1.plot(kind="bar", rot=0)plt.rcParams['font.sans-serif'] = ['Kaiti'] # 用来正常显示中文（黑体）常用字体包括： Kaiti-楷体； FangSong-仿宋； Microsoft YaHei-微软雅黑plt.rcParams['axes.unicode_minus'] = Falseplt.show()

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。