Skip to content
Snippets Groups Projects
Commit 96d4d671 authored by Christof Kaufmann's avatar Christof Kaufmann
Browse files

Notebooks from applied-cs/data-science@8820effc

parent 97438e63
Branches
No related tags found
No related merge requests found
Show whitespace changes
Inline Side-by-side
Showing
with 388 additions and 16 deletions
03-numpy-und-matplotlib/folien-code/folien-code.ipynb
+ 4
− 4
View file @ 96d4d671
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
# Code zu Folien # Code zu Folien
Dieses Skript bzw. Jupyter-Notebook enthält den Code, der auch auf den Folien "NumPy & Matplotlib" enthalten ist. Zum Vorbereiten, Mitmachen oder Nacharbeiten. Dieses Skript bzw. Jupyter-Notebook enthält den Code, der auch auf den Folien "NumPy & Matplotlib" enthalten ist. Zum Vorbereiten, Mitmachen oder Nacharbeiten.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
import numpy as np import numpy as np
v = np.array([1, 3, 5]) v = np.array([1, 3, 5])
print(v) print(v)
print(v.shape, v.dtype) print(v.shape, v.dtype)
a = np.array([[1, 2, 3], [4, 5, 6]]) a = np.array([[1, 2, 3], [4, 5, 6]])
print(a) print(a)
print(a.shape, a.dtype) print(a.shape, a.dtype)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
a = np.array([[[1]], [[3]], [[5]]]) a = np.array([[[1]], [[3]], [[5]]])
print(a.shape) print(a.shape)
a = np.array([[[1], [3], [5]]]) a = np.array([[[1], [3], [5]]])
print(a.shape) print(a.shape)
a = np.array([[[1, 3, 5]]]) a = np.array([[[1, 3, 5]]])
print(a.shape) print(a.shape)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
v = np.arange(6) # shape: (6,) Vektor v = np.arange(6) # shape: (6,) Vektor
a = v.reshape(-1, 3) # shape: (2, 3) Matrix a = v.reshape(-1, 3) # shape: (2, 3) Matrix
b = v.reshape(1, -1) # shape: (1, 6) Matrix b = v.reshape(1, -1) # shape: (1, 6) Matrix
# x = v.reshape(4, -1) # shape: (4, ?) Matrix (passt nicht) # x = v.reshape(4, -1) # shape: (4, ?) Matrix (passt nicht)
c = a[np.newaxis, :, :] # shape: (1, 2, 3) 3D c = a[np.newaxis, :, :] # shape: (1, 2, 3) 3D
d = a[np.newaxis, ...] # shape: (1, 2, 3) 3D d = a[np.newaxis, ...] # shape: (1, 2, 3) 3D
e = a[np.newaxis, :, np.newaxis, :] # shape: (1, 2, 1, 3) 4D e = a[np.newaxis, :, np.newaxis, :] # shape: (1, 2, 1, 3) 4D
f = e.squeeze() # shape: (2, 3) Matrix. Was ergäbe e.ravel()? f = e.squeeze() # shape: (2, 3) Matrix. Was ergäbe e.ravel()?
print(v.shape) print(v.shape)
print(a.shape) print(a.shape)
print(b.shape) print(b.shape)
print(c.shape) print(c.shape)
print(d.shape) print(d.shape)
print(e.shape) print(e.shape)
print(f.shape) print(f.shape)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
rng = np.random.default_rng() # random number generator rng = np.random.default_rng() # random number generator
np.zeros((1, 5), dtype=bool) # 1 x 5-Matrix mit False np.zeros((1, 5), dtype=bool) # 1 x 5-Matrix mit False
np.zeros_like(a) # Array mit 0en mit Shape und Typ von a np.zeros_like(a) # Array mit 0en mit Shape und Typ von a
np.ones((1, 3)) # 1 x 3-Matrix mit 1en np.ones((1, 3)) # 1 x 3-Matrix mit 1en
rng.uniform(size=(2, 4)) # 2 x 4-Matrix mit uniformen Zufallszahlen aus [0, 1) rng.uniform(size=(2, 4)) # 2 x 4-Matrix mit uniformen Zufallszahlen aus [0, 1)
rng.integers(0, 10, (2, 4)) # 2 x 4-Matrix mit Zufallszahlen von 0 bis 9 rng.integers(0, 10, (2, 4)) # 2 x 4-Matrix mit Zufallszahlen von 0 bis 9
rng.choice(10, size=4, replace=False) # Vektor mit 4 eindeutigen Elem. aus {0, ..., 9} rng.choice(10, size=4, replace=False) # Vektor mit 4 eindeutigen Elem. aus {0, ..., 9}
rng.permutation(10) # {0, ..., 9}, aber in zufälliger Reihenfolge rng.permutation(10) # {0, ..., 9}, aber in zufälliger Reihenfolge
np.arange(-1, 0.05, 0.1) # Vektor von -1 bis 1 mit Schrittweite 0.1 np.arange(-1, 0.05, 0.1) # Vektor von -1 bis 1 mit Schrittweite 0.1
np.linspace(-1, 1, 9) # Vektor mit 9 Werten lin. zwischen -1 und 1 np.linspace(-1, 1, 9) # Vektor mit 9 Werten lin. zwischen -1 und 1
np.logspace(-1, 1, 9) # Vektor mit 9 Werten log. zwischen 10^-1 und 10^1 np.logspace(-1, 1, 9) # Vektor mit 9 Werten log. zwischen 10^-1 und 10^1
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
a = np.array([[1, 2, 3], [4, 5, 6]]) a = np.array([[1, 2, 3], [4, 5, 6]])
v = np.array([10, 20, 30]) v = np.array([10, 20, 30])
b = np.ones((3, 3)) b = np.ones((3, 3))
print('np.sin(a):') print('np.sin(a):')
print(np.sin(a)) print(np.sin(a))
print('np.mean(a), np.std(a), np.max(a), np.min(a):') print('np.mean(a), np.std(a), np.max(a), np.min(a):')
print(np.mean(a), np.std(a), np.max(a), np.min(a)) print(np.mean(a), np.std(a), np.max(a), np.min(a))
print('np.sum(a), np.sum(a, axis=0), np.sum(a, axis=1):') print('np.sum(a), np.sum(a, axis=0), np.sum(a, axis=1):')
print(np.sum(a), np.sum(a, axis=0), np.sum(a, axis=1)) print(np.sum(a), np.sum(a, axis=0), np.sum(a, axis=1))
print('a**2:') print('a**2:')
print(a**2) print(a**2)
print('a.T:') print('a.T:')
print(a.T) print(a.T)
print('a @ v:') print('a @ v:')
print(a @ v) print(a @ v)
print('a @ b:') print('a @ b:')
print(a @ b) print(a @ b)
print('a.reshape(6):') print('a.reshape(6):')
print(a.reshape(6)) print(a.reshape(6))
print('np.delete(a, 1, axis=0):') print('np.delete(a, 1, axis=0):')
print(np.delete(a, 1, axis=0)) print(np.delete(a, 1, axis=0))
print('np.sort(a):') print('np.sort(a):')
print(np.sort(a)) print(np.sort(a))
print('np.argsort(a):') print('np.argsort(a):')
print(np.argsort(a)) print(np.argsort(a))
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
v = np.array([0, 1, 2, 3, 4, 5, 6]) v = np.array([0, 1, 2, 3, 4, 5, 6])
print(v[1:5]) # Elemente 1 (inkl.) bis 5 (exkl.) print(v[1:5]) # Elemente 1 (inkl.) bis 5 (exkl.)
print(v[1:5:2]) # Elemente 1 bis 5 mit Schrittweite 2 print(v[1:5:2]) # Elemente 1 bis 5 mit Schrittweite 2
print(v[::2]) # Alle Elemente mit Schrittweite 2 print(v[::2]) # Alle Elemente mit Schrittweite 2
print(v[-3:]) # Die 3 letzten Elemente print(v[-3:]) # Die 3 letzten Elemente
print(v[::-1]) # Reihenfolge umkehren print(v[::-1]) # Reihenfolge umkehren
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
a = np.array([[1,2,3], [4,5,6]]) a = np.array([[1,2,3], [4,5,6]])
print(a[1, 2]) # Element a_{1,2} print(a[1, 2]) # Element a_{1,2}
print(a[1]) # Zeile 1 print(a[1]) # Zeile 1
print(a[1, 1:]) # Zeile 1, ab Spalte 1 print(a[1, 1:]) # Zeile 1, ab Spalte 1
print(a[:, -1]) # letzte Spalte print(a[:, -1]) # letzte Spalte
print(a[0, ::-1]) # Zeile 0, Spalten umkehren print(a[0, ::-1]) # Zeile 0, Spalten umkehren
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
a = np.array([[1, 2, 3], [4, 5, 6]]) a = np.array([[1, 2, 3], [4, 5, 6]])
b = a[0, ::-1] # a und b zeigen auf die gleichen Daten. b = a[0, ::-1] # a und b zeigen auf die gleichen Daten.
b[0] = 0 # Eine Änderung in b ... b[0] = 0 # Eine Änderung in b ...
print(a) # ... wirkt sich auch auf a aus. print(a) # ... wirkt sich auch auf a aus.
c = a.copy() c = a.copy()
print(np.shares_memory(a, b)) print(np.shares_memory(a, b))
print(np.shares_memory(a, c)) print(np.shares_memory(a, c))
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
v = np.array([4, 8, 15, 16, 23, 42]) v = np.array([4, 8, 15, 16, 23, 42])
print(v[[1, 4, 2]]) # Die Elemente bei 1, 4 und 2 als neues np-Array print(v[[1, 4, 2]]) # Die Elemente bei 1, 4 und 2 als neues np-Array
print(v[np.array([[1, 4], print(v[np.array([[1, 4],
[1, 2]])]) [1, 2]])])
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
A = np.array([[1, 2, 3, 4], A = np.array([[1, 2, 3, 4],
[5, 6, 7, 8], [5, 6, 7, 8],
[9, 10, 11, 12]]) [9, 10, 11, 12]])
# Die Indizes werden paarweise genommen: [1, 1] und [2, 3] # Die Indizes werden paarweise genommen: [1, 1] und [2, 3]
print(A[[1, 2], print(A[[1, 2],
[1, 3]]) [1, 3]])
# Zeilen 1 und 2, Spalten 1 und 3) # Zeilen 1 und 2, Spalten 1 und 3)
print(A[np.ix_([1, 2], [1, 3])]) print(A[np.ix_([1, 2], [1, 3])])
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
a = np.array([[1, 2, 3], [4, 5, 6]]) a = np.array([[1, 2, 3], [4, 5, 6]])
i = a > 4 i = a > 4
print(i) print(i)
print(a[i]) print(a[i])
a[~i] += 10 # ~ invertiert die Boolesche Matrix a[~i] += 10 # ~ invertiert die Boolesche Matrix
print(a) print(a)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
idx2d = np.nonzero(i) # Trues bei Zeile 1, Spalte 1 und bei Zeile 1, Spalte 2 idx2d = np.nonzero(i) # Trues bei Zeile 1, Spalte 1 und bei Zeile 1, Spalte 2
print(idx2d) print(idx2d)
print(a[idx2d]) print(a[idx2d])
idx1d = np.flatnonzero(i) # Trues bei Einzelindex 4 und bei Einzelindex 5 idx1d = np.flatnonzero(i) # Trues bei Einzelindex 4 und bei Einzelindex 5
print(idx1d) print(idx1d)
print(a.flat[idx1d]) print(a.flat[idx1d])
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
data = np.random.default_rng().random(100) # uniform verteilt in [0, 1) data = np.random.default_rng().random(100) # uniform verteilt in [0, 1)
print(np.sum(data > 0.5)) print(np.sum(data > 0.5))
print(np.count_nonzero(data > 0.5)) print(np.count_nonzero(data > 0.5))
print(len(data[data > 0.5])) print(len(data[data > 0.5]))
print(np.nonzero(data > 0.5)[0].size) # [0] weil mit Tupel umhüllt print(np.nonzero(data > 0.5)[0].size) # [0] weil mit Tupel umhüllt
print(np.flatnonzero(data > 0.5).size) # size ist Produkt über #*shape* print(np.flatnonzero(data > 0.5).size) # size ist Produkt über #*shape*
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
A = np.array([[0, 1], A = np.array([[0, 1],
[2, 3], [2, 3],
[4, 5]]) [4, 5]])
B = np.array([[5], B = np.array([[5],
[7], [7],
[9]]) [9]])
C = np.array([[8, 7], C = np.array([[8, 7],
[9, 6]]) [9, 6]])
V = np.vstack((A, C)) V = np.vstack((A, C))
print(V) print(V)
H = np.hstack((A, B, B)) H = np.hstack((A, B, B))
print(H) print(H)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
data = np.loadtxt('autos.csv', delimiter=',', skiprows=1, usecols=range(2,9)) data = np.loadtxt('autos.csv', delimiter=',', skiprows=1, usecols=range(2,9))
print(data) print(data)
print(data.shape) print(data.shape)
# usecols als Zahlen oder Namen (z. B. 'Hubraum') möglich! # usecols als Zahlen oder Namen (z. B. 'Hubraum') möglich!
sa = np.genfromtxt('autos.csv', delimiter=',', names=True, dtype=float) sa = np.genfromtxt('autos.csv', delimiter=',', names=True, dtype=float)
data = sa.view((float, len(sa.dtype.names))) data = sa.view((float, len(sa.dtype.names)))
print(data) print(data)
print(data.shape) print(data.shape)
structdata = np.genfromtxt('autos.csv', delimiter=',', names=True, dtype=None, encoding='utf-8') structdata = np.genfromtxt('autos.csv', delimiter=',', names=True, dtype=None, encoding='utf-8')
print(structdata) print(structdata)
print(structdata.shape) print(structdata.shape)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
x = np.arange(0, 10, 0.2) x = np.arange(0, 10, 0.2)
y1 = np.sin(x); y2 = np.cos(x) y1 = np.sin(x); y2 = np.cos(x)
import matplotlib.pyplot as plt import matplotlib.pyplot as plt
fig, ax = plt.subplots() # neues Fenster mit Achsen fig, ax = plt.subplots() # neues Fenster mit Achsen
ax.plot(x, y1, label='Sin') # sin Plot hinzufügen ax.plot(x, y1, label='Sin') # sin Plot hinzufügen
ax.plot(x, y2, label='Cos') # cos Plot hinzufügen ax.plot(x, y2, label='Cos') # cos Plot hinzufügen
ax.set_title('Simple Plot') ax.set_title('Simple Plot')
ax.set_xlabel('x-Achse') ax.set_xlabel('x-Achse')
ax.set_ylabel('y-Achse') ax.set_ylabel('y-Achse')
ax.grid() ax.grid()
plt.legend() plt.legend()
fig.savefig('plot.pdf', bbox_inches='tight') # ggf. Plot speichern (pdf, png, ...) fig.savefig('plot.pdf', bbox_inches='tight') # ggf. Plot speichern (pdf, png, ...)
plt.show() # anzeigen (bei non-interactive) plt.show() # anzeigen (bei non-interactive)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
rng = np.random.default_rng() rng = np.random.default_rng()
x = rng.random(100) x = rng.random(100)
y = 5 * x**2 + rng.random(100) y = 5 * x**2 + rng.random(100)
plt.figure() # neues Fenster (optional) plt.figure() # neues Fenster (optional)
plt.scatter(x, y, s=100*y, c=x, alpha=0.4) plt.scatter(x, y, s=100*y, c=x, alpha=0.4)
fig = plt.gcf() fig = plt.gcf()
ax = plt.gca() ax = plt.gca()
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
from numpy.polynomial import Polynomial from numpy.polynomial import Polynomial
x = np.arange(10) x = np.arange(10)
y = 2 * x y = 2 * x + 1
# y = x ** 2 # y = x ** 2 + 1
p = Polynomial.fit(x, y, deg=1).convert() p = Polynomial.fit(x, y, deg=1).convert()
print(p(1)) print(p(1))
print(p(np.array([1., 3., 5.]))) print(p(np.array([1., 3., 5.])))
print(p.coef) # Koeffizienten print(p.coef) # Koeffizienten
plt.plot(x, p(x)) # Plot oben plt.plot(x, p(x)) # Plot oben
plt.scatter(x, y, color='r') plt.scatter(x, y, color='r')
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
from sklearn.linear_model import LinearRegression from sklearn.linear_model import LinearRegression
x = np.arange(10).reshape(-1, 1) x = np.arange(10).reshape(-1, 1)
y = x ** 2 y = x ** 2 + 1
linreg = LinearRegression() linreg = LinearRegression()
linreg.fit(x, y) linreg.fit(x, y)
print(linreg.predict([[1]])) print(linreg.predict([[1]]))
print(linreg.predict([[1], [3], [5]])) print(linreg.predict([[1], [3], [5]]))
print(linreg.intercept_, linreg.coef_) print(linreg.intercept_, linreg.coef_)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
x = np.arange(10).reshape(-1, 1) x = np.arange(10).reshape(-1, 1)
y = x ** 2 y = x ** 2 + 1
x_poly = np.hstack((x, x**2)) # shape: 10 x 2 x_poly = np.hstack((x, x**2)) # shape: 10 x 2
linreg = LinearRegression() linreg = LinearRegression()
linreg.fit(x_poly, y) linreg.fit(x_poly, y)
print(linreg.predict([[3, 9]])) print(linreg.predict([[3, 9]]))
print(linreg.intercept_, linreg.coef_) print(linreg.intercept_, linreg.coef_)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
rng = np.random.default_rng() rng = np.random.default_rng()
x = rng.uniform(size=(100, 1)) * 3 - 0.5 x = rng.uniform(size=(100, 1)) * 3 - 0.5
y = np.round(x % 1) - 0.5 y = np.round(x % 1) - 0.5
def fourier_basis(x, n=4): def fourier_basis(x, n=4):
return np.hstack([np.sin(2 * np.pi * k * x) for k in range(1, 2 * n, 2)]) return np.hstack([np.sin(2 * np.pi * k * x) for k in range(1, 2 * n, 2)])
x_f = fourier_basis(x, 5) x_f = fourier_basis(x, 5)
linreg = LinearRegression() linreg = LinearRegression()
linreg.fit(x_f, y) linreg.fit(x_f, y)
x_plt = np.linspace(0, 4, 501).reshape(-1, 1) x_plt = np.linspace(0, 4, 501).reshape(-1, 1)
x_plt_f = fourier_basis(x_plt, 5) x_plt_f = fourier_basis(x_plt, 5)
y_plt = linreg.predict(x_plt_f) y_plt = linreg.predict(x_plt_f)
plt.plot(x_plt, y_plt) plt.plot(x_plt, y_plt)
plt.scatter(x, y, color='r') plt.scatter(x, y, color='r')
``` ```
......
03-numpy-und-matplotlib/folien-code/folien-code.py
+ 4
− 4
View file @ 96d4d671
...@@ -224,8 +224,8 @@ ax = plt.gca() ...@@ -224,8 +224,8 @@ ax = plt.gca()
from numpy.polynomial import Polynomial from numpy.polynomial import Polynomial
x = np.arange(10) x = np.arange(10)
y = 2 * x y = 2 * x + 1
# y = x ** 2 # y = x ** 2 + 1
p = Polynomial.fit(x, y, deg=1).convert() p = Polynomial.fit(x, y, deg=1).convert()
...@@ -240,7 +240,7 @@ plt.scatter(x, y, color='r') ...@@ -240,7 +240,7 @@ plt.scatter(x, y, color='r')
from sklearn.linear_model import LinearRegression from sklearn.linear_model import LinearRegression
x = np.arange(10).reshape(-1, 1) x = np.arange(10).reshape(-1, 1)
y = x ** 2 y = x ** 2 + 1
linreg = LinearRegression() linreg = LinearRegression()
linreg.fit(x, y) linreg.fit(x, y)
...@@ -252,7 +252,7 @@ print(linreg.intercept_, linreg.coef_) ...@@ -252,7 +252,7 @@ print(linreg.intercept_, linreg.coef_)
# %% Lineare Regression mit Scikit-Learn, Grad 2 # %% Lineare Regression mit Scikit-Learn, Grad 2
x = np.arange(10).reshape(-1, 1) x = np.arange(10).reshape(-1, 1)
y = x ** 2 y = x ** 2 + 1
x_poly = np.hstack((x, x**2)) # shape: 10 x 2 x_poly = np.hstack((x, x**2)) # shape: 10 x 2
......
03-numpy-und-matplotlib/solutions/folien-code/folien-code.ipynb
+ 4
− 4
View file @ 96d4d671
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
# Code zu Folien # Code zu Folien
Dieses Skript bzw. Jupyter-Notebook enthält den Code, der auch auf den Folien "NumPy & Matplotlib" enthalten ist. Zum Vorbereiten, Mitmachen oder Nacharbeiten. Dieses Skript bzw. Jupyter-Notebook enthält den Code, der auch auf den Folien "NumPy & Matplotlib" enthalten ist. Zum Vorbereiten, Mitmachen oder Nacharbeiten.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
import numpy as np import numpy as np
v = np.array([1, 3, 5]) v = np.array([1, 3, 5])
print(v) print(v)
print(v.shape, v.dtype) print(v.shape, v.dtype)
a = np.array([[1, 2, 3], [4, 5, 6]]) a = np.array([[1, 2, 3], [4, 5, 6]])
print(a) print(a)
print(a.shape, a.dtype) print(a.shape, a.dtype)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
a = np.array([[[1]], [[3]], [[5]]]) a = np.array([[[1]], [[3]], [[5]]])
print(a.shape) print(a.shape)
a = np.array([[[1], [3], [5]]]) a = np.array([[[1], [3], [5]]])
print(a.shape) print(a.shape)
a = np.array([[[1, 3, 5]]]) a = np.array([[[1, 3, 5]]])
print(a.shape) print(a.shape)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
v = np.arange(6) # shape: (6,) Vektor v = np.arange(6) # shape: (6,) Vektor
a = v.reshape(-1, 3) # shape: (2, 3) Matrix a = v.reshape(-1, 3) # shape: (2, 3) Matrix
b = v.reshape(1, -1) # shape: (1, 6) Matrix b = v.reshape(1, -1) # shape: (1, 6) Matrix
# x = v.reshape(4, -1) # shape: (4, ?) Matrix (passt nicht) # x = v.reshape(4, -1) # shape: (4, ?) Matrix (passt nicht)
c = a[np.newaxis, :, :] # shape: (1, 2, 3) 3D c = a[np.newaxis, :, :] # shape: (1, 2, 3) 3D
d = a[np.newaxis, ...] # shape: (1, 2, 3) 3D d = a[np.newaxis, ...] # shape: (1, 2, 3) 3D
e = a[np.newaxis, :, np.newaxis, :] # shape: (1, 2, 1, 3) 4D e = a[np.newaxis, :, np.newaxis, :] # shape: (1, 2, 1, 3) 4D
f = e.squeeze() # shape: (2, 3) Matrix. Was ergäbe e.ravel()? f = e.squeeze() # shape: (2, 3) Matrix. Was ergäbe e.ravel()?
print(v.shape) print(v.shape)
print(a.shape) print(a.shape)
print(b.shape) print(b.shape)
print(c.shape) print(c.shape)
print(d.shape) print(d.shape)
print(e.shape) print(e.shape)
print(f.shape) print(f.shape)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
rng = np.random.default_rng() # random number generator rng = np.random.default_rng() # random number generator
np.zeros((1, 5), dtype=bool) # 1 x 5-Matrix mit False np.zeros((1, 5), dtype=bool) # 1 x 5-Matrix mit False
np.zeros_like(a) # Array mit 0en mit Shape und Typ von a np.zeros_like(a) # Array mit 0en mit Shape und Typ von a
np.ones((1, 3)) # 1 x 3-Matrix mit 1en np.ones((1, 3)) # 1 x 3-Matrix mit 1en
rng.uniform(size=(2, 4)) # 2 x 4-Matrix mit uniformen Zufallszahlen aus [0, 1) rng.uniform(size=(2, 4)) # 2 x 4-Matrix mit uniformen Zufallszahlen aus [0, 1)
rng.integers(0, 10, (2, 4)) # 2 x 4-Matrix mit Zufallszahlen von 0 bis 9 rng.integers(0, 10, (2, 4)) # 2 x 4-Matrix mit Zufallszahlen von 0 bis 9
rng.choice(10, size=4, replace=False) # Vektor mit 4 eindeutigen Elem. aus {0, ..., 9} rng.choice(10, size=4, replace=False) # Vektor mit 4 eindeutigen Elem. aus {0, ..., 9}
rng.permutation(10) # {0, ..., 9}, aber in zufälliger Reihenfolge rng.permutation(10) # {0, ..., 9}, aber in zufälliger Reihenfolge
np.arange(-1, 0.05, 0.1) # Vektor von -1 bis 1 mit Schrittweite 0.1 np.arange(-1, 0.05, 0.1) # Vektor von -1 bis 1 mit Schrittweite 0.1
np.linspace(-1, 1, 9) # Vektor mit 9 Werten lin. zwischen -1 und 1 np.linspace(-1, 1, 9) # Vektor mit 9 Werten lin. zwischen -1 und 1
np.logspace(-1, 1, 9) # Vektor mit 9 Werten log. zwischen 10^-1 und 10^1 np.logspace(-1, 1, 9) # Vektor mit 9 Werten log. zwischen 10^-1 und 10^1
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
a = np.array([[1, 2, 3], [4, 5, 6]]) a = np.array([[1, 2, 3], [4, 5, 6]])
v = np.array([10, 20, 30]) v = np.array([10, 20, 30])
b = np.ones((3, 3)) b = np.ones((3, 3))
print('np.sin(a):') print('np.sin(a):')
print(np.sin(a)) print(np.sin(a))
print('np.mean(a), np.std(a), np.max(a), np.min(a):') print('np.mean(a), np.std(a), np.max(a), np.min(a):')
print(np.mean(a), np.std(a), np.max(a), np.min(a)) print(np.mean(a), np.std(a), np.max(a), np.min(a))
print('np.sum(a), np.sum(a, axis=0), np.sum(a, axis=1):') print('np.sum(a), np.sum(a, axis=0), np.sum(a, axis=1):')
print(np.sum(a), np.sum(a, axis=0), np.sum(a, axis=1)) print(np.sum(a), np.sum(a, axis=0), np.sum(a, axis=1))
print('a**2:') print('a**2:')
print(a**2) print(a**2)
print('a.T:') print('a.T:')
print(a.T) print(a.T)
print('a @ v:') print('a @ v:')
print(a @ v) print(a @ v)
print('a @ b:') print('a @ b:')
print(a @ b) print(a @ b)
print('a.reshape(6):') print('a.reshape(6):')
print(a.reshape(6)) print(a.reshape(6))
print('np.delete(a, 1, axis=0):') print('np.delete(a, 1, axis=0):')
print(np.delete(a, 1, axis=0)) print(np.delete(a, 1, axis=0))
print('np.sort(a):') print('np.sort(a):')
print(np.sort(a)) print(np.sort(a))
print('np.argsort(a):') print('np.argsort(a):')
print(np.argsort(a)) print(np.argsort(a))
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
v = np.array([0, 1, 2, 3, 4, 5, 6]) v = np.array([0, 1, 2, 3, 4, 5, 6])
print(v[1:5]) # Elemente 1 (inkl.) bis 5 (exkl.) print(v[1:5]) # Elemente 1 (inkl.) bis 5 (exkl.)
print(v[1:5:2]) # Elemente 1 bis 5 mit Schrittweite 2 print(v[1:5:2]) # Elemente 1 bis 5 mit Schrittweite 2
print(v[::2]) # Alle Elemente mit Schrittweite 2 print(v[::2]) # Alle Elemente mit Schrittweite 2
print(v[-3:]) # Die 3 letzten Elemente print(v[-3:]) # Die 3 letzten Elemente
print(v[::-1]) # Reihenfolge umkehren print(v[::-1]) # Reihenfolge umkehren
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
a = np.array([[1,2,3], [4,5,6]]) a = np.array([[1,2,3], [4,5,6]])
print(a[1, 2]) # Element a_{1,2} print(a[1, 2]) # Element a_{1,2}
print(a[1]) # Zeile 1 print(a[1]) # Zeile 1
print(a[1, 1:]) # Zeile 1, ab Spalte 1 print(a[1, 1:]) # Zeile 1, ab Spalte 1
print(a[:, -1]) # letzte Spalte print(a[:, -1]) # letzte Spalte
print(a[0, ::-1]) # Zeile 0, Spalten umkehren print(a[0, ::-1]) # Zeile 0, Spalten umkehren
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
a = np.array([[1, 2, 3], [4, 5, 6]]) a = np.array([[1, 2, 3], [4, 5, 6]])
b = a[0, ::-1] # a und b zeigen auf die gleichen Daten. b = a[0, ::-1] # a und b zeigen auf die gleichen Daten.
b[0] = 0 # Eine Änderung in b ... b[0] = 0 # Eine Änderung in b ...
print(a) # ... wirkt sich auch auf a aus. print(a) # ... wirkt sich auch auf a aus.
c = a.copy() c = a.copy()
print(np.shares_memory(a, b)) print(np.shares_memory(a, b))
print(np.shares_memory(a, c)) print(np.shares_memory(a, c))
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
v = np.array([4, 8, 15, 16, 23, 42]) v = np.array([4, 8, 15, 16, 23, 42])
print(v[[1, 4, 2]]) # Die Elemente bei 1, 4 und 2 als neues np-Array print(v[[1, 4, 2]]) # Die Elemente bei 1, 4 und 2 als neues np-Array
print(v[np.array([[1, 4], print(v[np.array([[1, 4],
[1, 2]])]) [1, 2]])])
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
A = np.array([[1, 2, 3, 4], A = np.array([[1, 2, 3, 4],
[5, 6, 7, 8], [5, 6, 7, 8],
[9, 10, 11, 12]]) [9, 10, 11, 12]])
# Die Indizes werden paarweise genommen: [1, 1] und [2, 3] # Die Indizes werden paarweise genommen: [1, 1] und [2, 3]
print(A[[1, 2], print(A[[1, 2],
[1, 3]]) [1, 3]])
# Zeilen 1 und 2, Spalten 1 und 3) # Zeilen 1 und 2, Spalten 1 und 3)
print(A[np.ix_([1, 2], [1, 3])]) print(A[np.ix_([1, 2], [1, 3])])
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
a = np.array([[1, 2, 3], [4, 5, 6]]) a = np.array([[1, 2, 3], [4, 5, 6]])
i = a > 4 i = a > 4
print(i) print(i)
print(a[i]) print(a[i])
a[~i] += 10 # ~ invertiert die Boolesche Matrix a[~i] += 10 # ~ invertiert die Boolesche Matrix
print(a) print(a)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
idx2d = np.nonzero(i) # Trues bei Zeile 1, Spalte 1 und bei Zeile 1, Spalte 2 idx2d = np.nonzero(i) # Trues bei Zeile 1, Spalte 1 und bei Zeile 1, Spalte 2
print(idx2d) print(idx2d)
print(a[idx2d]) print(a[idx2d])
idx1d = np.flatnonzero(i) # Trues bei Einzelindex 4 und bei Einzelindex 5 idx1d = np.flatnonzero(i) # Trues bei Einzelindex 4 und bei Einzelindex 5
print(idx1d) print(idx1d)
print(a.flat[idx1d]) print(a.flat[idx1d])
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
data = np.random.default_rng().random(100) # uniform verteilt in [0, 1) data = np.random.default_rng().random(100) # uniform verteilt in [0, 1)
print(np.sum(data > 0.5)) print(np.sum(data > 0.5))
print(np.count_nonzero(data > 0.5)) print(np.count_nonzero(data > 0.5))
print(len(data[data > 0.5])) print(len(data[data > 0.5]))
print(np.nonzero(data > 0.5)[0].size) # [0] weil mit Tupel umhüllt print(np.nonzero(data > 0.5)[0].size) # [0] weil mit Tupel umhüllt
print(np.flatnonzero(data > 0.5).size) # size ist Produkt über #*shape* print(np.flatnonzero(data > 0.5).size) # size ist Produkt über #*shape*
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
A = np.array([[0, 1], A = np.array([[0, 1],
[2, 3], [2, 3],
[4, 5]]) [4, 5]])
B = np.array([[5], B = np.array([[5],
[7], [7],
[9]]) [9]])
C = np.array([[8, 7], C = np.array([[8, 7],
[9, 6]]) [9, 6]])
V = np.vstack((A, C)) V = np.vstack((A, C))
print(V) print(V)
H = np.hstack((A, B, B)) H = np.hstack((A, B, B))
print(H) print(H)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
data = np.loadtxt('autos.csv', delimiter=',', skiprows=1, usecols=range(2,9)) data = np.loadtxt('autos.csv', delimiter=',', skiprows=1, usecols=range(2,9))
print(data) print(data)
print(data.shape) print(data.shape)
# usecols als Zahlen oder Namen (z. B. 'Hubraum') möglich! # usecols als Zahlen oder Namen (z. B. 'Hubraum') möglich!
sa = np.genfromtxt('autos.csv', delimiter=',', names=True, dtype=float) sa = np.genfromtxt('autos.csv', delimiter=',', names=True, dtype=float)
data = sa.view((float, len(sa.dtype.names))) data = sa.view((float, len(sa.dtype.names)))
print(data) print(data)
print(data.shape) print(data.shape)
structdata = np.genfromtxt('autos.csv', delimiter=',', names=True, dtype=None, encoding='utf-8') structdata = np.genfromtxt('autos.csv', delimiter=',', names=True, dtype=None, encoding='utf-8')
print(structdata) print(structdata)
print(structdata.shape) print(structdata.shape)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
x = np.arange(0, 10, 0.2) x = np.arange(0, 10, 0.2)
y1 = np.sin(x); y2 = np.cos(x) y1 = np.sin(x); y2 = np.cos(x)
import matplotlib.pyplot as plt import matplotlib.pyplot as plt
fig, ax = plt.subplots() # neues Fenster mit Achsen fig, ax = plt.subplots() # neues Fenster mit Achsen
ax.plot(x, y1, label='Sin') # sin Plot hinzufügen ax.plot(x, y1, label='Sin') # sin Plot hinzufügen
ax.plot(x, y2, label='Cos') # cos Plot hinzufügen ax.plot(x, y2, label='Cos') # cos Plot hinzufügen
ax.set_title('Simple Plot') ax.set_title('Simple Plot')
ax.set_xlabel('x-Achse') ax.set_xlabel('x-Achse')
ax.set_ylabel('y-Achse') ax.set_ylabel('y-Achse')
ax.grid() ax.grid()
plt.legend() plt.legend()
fig.savefig('plot.pdf', bbox_inches='tight') # ggf. Plot speichern (pdf, png, ...) fig.savefig('plot.pdf', bbox_inches='tight') # ggf. Plot speichern (pdf, png, ...)
plt.show() # anzeigen (bei non-interactive) plt.show() # anzeigen (bei non-interactive)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
rng = np.random.default_rng() rng = np.random.default_rng()
x = rng.random(100) x = rng.random(100)
y = 5 * x**2 + rng.random(100) y = 5 * x**2 + rng.random(100)
plt.figure() # neues Fenster (optional) plt.figure() # neues Fenster (optional)
plt.scatter(x, y, s=100*y, c=x, alpha=0.4) plt.scatter(x, y, s=100*y, c=x, alpha=0.4)
fig = plt.gcf() fig = plt.gcf()
ax = plt.gca() ax = plt.gca()
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
from numpy.polynomial import Polynomial from numpy.polynomial import Polynomial
x = np.arange(10) x = np.arange(10)
y = 2 * x y = 2 * x + 1
# y = x ** 2 # y = x ** 2 + 1
p = Polynomial.fit(x, y, deg=1).convert() p = Polynomial.fit(x, y, deg=1).convert()
print(p(1)) print(p(1))
print(p(np.array([1., 3., 5.]))) print(p(np.array([1., 3., 5.])))
print(p.coef) # Koeffizienten print(p.coef) # Koeffizienten
plt.plot(x, p(x)) # Plot oben plt.plot(x, p(x)) # Plot oben
plt.scatter(x, y, color='r') plt.scatter(x, y, color='r')
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
from sklearn.linear_model import LinearRegression from sklearn.linear_model import LinearRegression
x = np.arange(10).reshape(-1, 1) x = np.arange(10).reshape(-1, 1)
y = x ** 2 y = x ** 2 + 1
linreg = LinearRegression() linreg = LinearRegression()
linreg.fit(x, y) linreg.fit(x, y)
print(linreg.predict([[1]])) print(linreg.predict([[1]]))
print(linreg.predict([[1], [3], [5]])) print(linreg.predict([[1], [3], [5]]))
print(linreg.intercept_, linreg.coef_) print(linreg.intercept_, linreg.coef_)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
x = np.arange(10).reshape(-1, 1) x = np.arange(10).reshape(-1, 1)
y = x ** 2 y = x ** 2 + 1
x_poly = np.hstack((x, x**2)) # shape: 10 x 2 x_poly = np.hstack((x, x**2)) # shape: 10 x 2
linreg = LinearRegression() linreg = LinearRegression()
linreg.fit(x_poly, y) linreg.fit(x_poly, y)
print(linreg.predict([[3, 9]])) print(linreg.predict([[3, 9]]))
print(linreg.intercept_, linreg.coef_) print(linreg.intercept_, linreg.coef_)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` ```
rng = np.random.default_rng() rng = np.random.default_rng()
x = rng.uniform(size=(100, 1)) * 3 - 0.5 x = rng.uniform(size=(100, 1)) * 3 - 0.5
y = np.round(x % 1) - 0.5 y = np.round(x % 1) - 0.5
def fourier_basis(x, n=4): def fourier_basis(x, n=4):
return np.hstack([np.sin(2 * np.pi * k * x) for k in range(1, 2 * n, 2)]) return np.hstack([np.sin(2 * np.pi * k * x) for k in range(1, 2 * n, 2)])
x_f = fourier_basis(x, 5) x_f = fourier_basis(x, 5)
linreg = LinearRegression() linreg = LinearRegression()
linreg.fit(x_f, y) linreg.fit(x_f, y)
x_plt = np.linspace(0, 4, 501).reshape(-1, 1) x_plt = np.linspace(0, 4, 501).reshape(-1, 1)
x_plt_f = fourier_basis(x_plt, 5) x_plt_f = fourier_basis(x_plt, 5)
y_plt = linreg.predict(x_plt_f) y_plt = linreg.predict(x_plt_f)
plt.plot(x_plt, y_plt) plt.plot(x_plt, y_plt)
plt.scatter(x, y, color='r') plt.scatter(x, y, color='r')
``` ```
......
03-numpy-und-matplotlib/solutions/folien-code/folien-code.py
+ 4
− 4
View file @ 96d4d671
...@@ -224,8 +224,8 @@ ax = plt.gca() ...@@ -224,8 +224,8 @@ ax = plt.gca()
from numpy.polynomial import Polynomial from numpy.polynomial import Polynomial
x = np.arange(10) x = np.arange(10)
y = 2 * x y = 2 * x + 1
# y = x ** 2 # y = x ** 2 + 1
p = Polynomial.fit(x, y, deg=1).convert() p = Polynomial.fit(x, y, deg=1).convert()
...@@ -240,7 +240,7 @@ plt.scatter(x, y, color='r') ...@@ -240,7 +240,7 @@ plt.scatter(x, y, color='r')
from sklearn.linear_model import LinearRegression from sklearn.linear_model import LinearRegression
x = np.arange(10).reshape(-1, 1) x = np.arange(10).reshape(-1, 1)
y = x ** 2 y = x ** 2 + 1
linreg = LinearRegression() linreg = LinearRegression()
linreg.fit(x, y) linreg.fit(x, y)
...@@ -252,7 +252,7 @@ print(linreg.intercept_, linreg.coef_) ...@@ -252,7 +252,7 @@ print(linreg.intercept_, linreg.coef_)
# %% Lineare Regression mit Scikit-Learn, Grad 2 # %% Lineare Regression mit Scikit-Learn, Grad 2
x = np.arange(10).reshape(-1, 1) x = np.arange(10).reshape(-1, 1)
y = x ** 2 y = x ** 2 + 1
x_poly = np.hstack((x, x**2)) # shape: 10 x 2 x_poly = np.hstack((x, x**2)) # shape: 10 x 2
......
04-pandas-und-seaborn/03-odoo-eval.ipynb 0 → 100644
+ 52
− 0
View file @ 96d4d671
%% Cell type:markdown id:0003-ffd65dfc8cad6b993d607936d89fb4de4d542de8348b893e161b721771f tags:
# Odoo Datenanalyse
Odoo ist ein ERP-System, ähnlich wie SAP, aber Open-Source. Man kann
damit u. a. Verkaufsaufträge und Rechnungen aufzeichen. Anbei befindet
sich die Datei `odoo-data.xlsx`, die Nils Fürkotter in der Lernfabrik
aufgezeichnet hat. Ihre Aufgabe besteht nun darin, die Daten zu
analysieren.
- Lesen Sie die Daten mit Pandas ein und geben Sie die Anzahl der
Aufträge aus.
- Erstellen Sie dann ein Pie-Chart, das das Verhältnis der Aufträge
von Einzelpersonen und Unternehmen zeigt. Die gezeigte Information
wäre z. B. Aufträge stammen zu 80 % von Einzelpersonen und 20 % von
Unternehmen.
- Erstellen Sie ein Barplot, das den Umsatz nach Kundentypen zeigt.
Die gezeigte Information wäre z. B. Einzelpersonen haben 180 000 €
Umsatz und Unternehmen 220 000 € Umsatz erwirtschaftet.
- Erstellen Sie ein Histogramm, das die Verteilung der Umsätze pro
Auftrag nach Kundentypen zeigt. Die gezeigte Information wäre z. B.
Aufträge von Einzelpersonen haben Umsätze zwischen 50 € und 150 €
und Aufträge von Unternehmen haben hauptsächlich Umsätze zwischen
400 € und 600 €.
Hier Ihr Start-Code:
%% Cell type:code id:0004-d7e9dfa1635b2f39c536f959558e13284c1b5a3e2118f74285f499be56b tags:
```
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
```
04-pandas-und-seaborn/odoo-data.xlsx 0 → 100644
+ 0
− 0
View file @ 96d4d671
File added
04-pandas-und-seaborn/solutions/03-odoo-eval-sol.ipynb 0 → 100644
+ 320
− 0
View file @ 96d4d671
%% Cell type:markdown id:0004-a0964a79c2d2ab0a6c2663854450e826b2d478a719d1ccce6497bd64d94 tags:
# Odoo Datenanalyse
Odoo ist ein ERP-System, ähnlich wie SAP, aber Open-Source. Man kann
damit u. a. Verkaufsaufträge und Rechnungen aufzeichen. Anbei befindet
sich die Datei `odoo-data.xlsx`, die Nils Fürkotter in der Lernfabrik
aufgezeichnet hat. Ihre Aufgabe besteht nun darin, die Daten zu
analysieren.
- Lesen Sie die Daten mit Pandas ein und geben Sie die Anzahl der
Aufträge aus.
- Erstellen Sie dann ein Pie-Chart, das das Verhältnis der Aufträge
von Einzelpersonen und Unternehmen zeigt. Die gezeigte Information
wäre z. B. Aufträge stammen zu 80 % von Einzelpersonen und 20 % von
Unternehmen.
- Erstellen Sie ein Barplot, das den Umsatz nach Kundentypen zeigt.
Die gezeigte Information wäre z. B. Einzelpersonen haben 180 000 €
Umsatz und Unternehmen 220 000 € Umsatz erwirtschaftet.
- Erstellen Sie ein Histogramm, das die Verteilung der Umsätze pro
Auftrag nach Kundentypen zeigt. Die gezeigte Information wäre z. B.
Aufträge von Einzelpersonen haben Umsätze zwischen 50 € und 150 €
und Aufträge von Unternehmen haben hauptsächlich Umsätze zwischen
400 € und 600 €.
## Lösung
Zunächst lesen wir den Datensatz mit der `pd.read_excel`-Funktion ein.
Dafür brauchen wir die Bibliothek `openpyxl`, die hoffentlich schon
installiert ist. Wenn nicht, können Sie sie mit
`mamba install -n ml openpyxl`, wobei ml der Umgebungsname ist,
installieren.
%% Cell type:code id:0005-237116bae51d87da8bfac1efb32ed96a4ac71d6d1471d771fd9cac013be tags:
```
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.read_excel('odoo-data.xlsx')
```
%% Cell type:markdown id:0006-0278cc28842eeecc0cc1259b2a4462d0297fd9356560e647f9aa67086db tags:
Wir geben als erstes aus, wie viele Aufträge es insgesamt gibt:
%% Cell type:code id:0007-053cc9903c4f934e49bcf5d0b964e9337c1e648638fe1add2750f64b60a tags:
```
print('Anzahl Aufträge:', len(data))
```
%% Output
Anzahl Aufträge: 2125
%% Cell type:markdown id:0008-ca4c12ba31cd853b088a12bc7f68a4677950a43a37a6d5211367b4b9865 tags:
Um konsistente Farben zu verwenden, definieren wir ein Dictionary mit
den Farben für die einzelnen Typen:
%% Cell type:code id:0009-8866ed2619e427a57a38cc1f9b3d2b949a9ca6cf4664473b93a4535a2b9 tags:
```
colors = {'Einzelperson': 'tab:blue', 'Unternehmen': 'tab:orange'}
```
%% Cell type:markdown id:0011-ca0de42f0ea048138e772acfa78e19b9efa23c3562cc54337fbed35d948 tags:
### Pie-Chart der Kundentypen
Um den ersten Plot zu erstellen, zählen wir zunächst wie viele Aufträge
es von Einzelpersonen und wie viele von Unternehmen gibt. Das geht mit
`value_counts()`.
%% Cell type:code id:0012-2e2b4c17c6c1914754697469e5df2e5ed4923552c5d075c1a209f37e957 tags:
```
customer_type = data['Kunde/Unternehmenstyp']
counts_type = customer_type.value_counts()
counts_type.name = '' # remove ylabel
counts_type = counts_type.loc[colors.keys()] # reorder according to colors
```
%% Cell type:markdown id:0013-d98f7f54a6505b26cd1458026fd8ea83e5cea6361390fad9b271543f38d tags:
Jetzt plotten wir das Verhältnis der Aufträge als Pie-Chart. Dabei
verwenden wir die `plot.pie`-Methode von Pandas. Wir geben die Farben
aus dem Dictionary an und formatieren den Text mit
`autopct='{:.1f}%'.format`. Das Ergebnis sieht so aus:
%% Cell type:code id:0014-a3ad3be8323d84a1e594eec4878583ba4e4e2c7c8df2e93cfda1d9ddfa6 tags:
```
counts_type.plot.pie(colors=colors.values(), autopct='{:.1f}%'.format, startangle=-50)
plt.title('Verhältnis der Aufträge')
```
%% Cell type:markdown id:0015-7bec95538841de435f5b289e1c8564c1c607dab31493448208f7c5bbad7 tags:
Alternativ können wir auch die `plt.pie`-Funktion von Matplotlib
verwenden, was sehr ähnlich funktioniert.:
%% Cell type:code id:0016-f30c65e85874b1995aa6f489fe1a2fc3052368a2f1a850391115ca50c4f tags:
```
plt.pie(counts_type, labels=counts_type.index, colors=colors.values(), autopct='%1.1f%%', startangle=-50)
plt.title('Verhältnis der Aufträge')
```
%% Cell type:markdown id:0019-83fa942651ce7359d891283f57a14731131ef572ab2370651ae46b1e68c tags:
Seaborn bietet keine Funktion für Pie-Charts an.
### Barplot des Umsatzes nach Kundentypen
Um den Gesamtumsatz nach Kundentypen zu ermitteln, verwenden wir die
`groupby`-Methode von Pandas. Wir gruppieren die Daten nach dem Typ und
summieren den Umsatz. Das Ergebnis ist ein DataFrame mit den Typen als
Index und dem Umsatz als Spalte. `squeeze()` entfernt die Dimension des
Umsatzes, sodass wir nur eine Serie erhalten. Wir sortieren die Serie
nach den Farben, die wir vorher definiert haben:
%% Cell type:code id:0020-26b591c8cf51de10bd0fa8dec08f9c436b339118450dc55b06c94a74d5b tags:
```
fig, ax = plt.subplots()
revenue = data.groupby('Kunde/Unternehmenstyp')['Gesamt'].sum().squeeze()
revenue = revenue.loc[colors.keys()] # reorder according to colors
ax = revenue.plot.bar(color=colors.values(), ax=ax) # pandas
# ax.bar(revenue.index, revenue.values, color=colors.values()) # matplotlib
ax.set_ylabel('Gesamt')
```
%% Cell type:markdown id:0021-fdb7ce41317da01fbbfde885ca952f363ed45258b194ed2eeff4c91fb6c tags:
Seaborn gruppiert die Daten automatisch, wenn wir den `hue`-Parameter
verwenden. Wir müssen den `estimator`-Parameter verwenden, um den Umsatz
zu summieren, anstatt ihn zu mitteln. Der `errorbar`-Parameter gibt an,
dass wir keine Fehlerbalken wollen:
%% Cell type:code id:0022-eeb27de0b7169395daa59a03cbf2ca3ebe15c9b171d2d714275eb90797b tags:
```
sns.barplot(data, y='Gesamt', ax=ax, hue='Kunde/Unternehmenstyp', estimator=sum, errorbar=('ci', 0))
```
%% Cell type:markdown id:0024-22e27ab1072962a64c19aaadd088e368b3417dea6a5abe091bfdda7819f tags:
### Histogramm des Umsatzes nach Kundentypen
Um die Verteilung der Umsätze nach Kundentypen zu sehen, verwenden wir
die `hist`- oder die `plot.hist`-Methode von Pandas. Wir geben den
Spaltennamen und den Typ an. Es lassen sich keine Farben für die
Subplots angeben, daher müssen wir die Farben nachträglich setzen:
%% Cell type:code id:0025-d877bcd761d1ca32d4208be9b71b27099b82be96f1d8c21909e09c53c75 tags:
```
axs = data.hist(column='Gesamt', by='Kunde/Unternehmenstyp') # (1 x 2)
# axs = data.plot.hist(column='Gesamt', by='Kunde/Unternehmenstyp', sharex=True, legend=False) # (2 x 1)
# set colors afterwards
for ax in axs.flatten():
c = colors[ax.get_title()]
for p in ax.containers[0].patches:
p.set_facecolor(c)
```
%% Cell type:markdown id:0026-5bc587277f2b73b50a2b848aade7245e9c90296fb933136d61e247ced3a tags:
Alternativ können wir auch die `plt.hist`-Funktion von Matplotlib
verwenden. Wir erstellen ein Subplot mit 1 Zeile und 2 Spalten. Dann
iterieren wir über die Gruppen und erstellen für jede Gruppe ein
Histogramm. Wir setzen den Titel, die x-Achse und die y-Achse:
%% Cell type:code id:0027-7d2078d752036f9cbd6a6073f3eaa0d1c2459f8372609f608ee4f6f963a tags:
```
fig, axs = plt.subplots(1, 2, constrained_layout=True, figsize=(10, 5))
for i, (ctype, v) in enumerate(data.groupby('Kunde/Unternehmenstyp')):
axs[i].hist(v['Gesamt'], color=colors[ctype])
axs[i].set_title(ctype)
axs[i].set_xlabel('Gesamt')
if i == 0:
axs[i].set_ylabel('Anzahl Aufträge')
```
%% Cell type:markdown id:0028-bf127cd3ed81d394e946710a54e2ff63a4b7e004c30069e97081efe6411 tags:
In Seaborn gibt es die `countplot`-Funktion, die die Anzahl der Aufträge
nach Typen zählt. Wir geben den `hue`-Parameter an, um die Farben zu
setzen. Der `alpha`-Parameter gibt die Transparenz an, weil die
Histogramme in einem Plot übereinander liegen:
%% Cell type:code id:0029-9d85047be203d22387fe72feaa244c59630adc4cb143c0fcff1e62a1df0 tags:
```
sns.countplot(data=data, x='Gesamt', hue='Kunde/Unternehmenstyp', palette=colors, alpha=0.7, formatter='{:.0f}'.format)
```
04-pandas-und-seaborn/solutions/odoo-data.xlsx 0 → 100644
+ 0
− 0
View file @ 96d4d671
File added
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Please register or to comment

Impressum Datenschutzerklärung