靖江建设行业协会网站,连云港城乡建设局网站,wordpress关键词设置,五指山住房建设局网站前言
有了前面的知识积累#xff0c;我们这里做两个小练习#xff0c;都要灵活运用前面的知识。
First
需求
根据美国/英国各自YouTube的数据#xff0c;绘制出各自的评论数量的直方图
第一版
import numpy as np
from matplotlib import pyplot as plt
import matplo…前言
有了前面的知识积累我们这里做两个小练习都要灵活运用前面的知识。
First
需求
根据美国/英国各自YouTube的数据绘制出各自的评论数量的直方图
第一版
import numpy as np
from matplotlib import pyplot as plt
import matplotlib
matplotlib.rc(font,familyFangSong)# 文件的路径
us_file_path./youtube_video_data/US_video_data_numbers.csv
uk_file_path./youtube_video_data/GB_video_data_numbers.csv# 读取文件
t_usnp.loadtxt(us_file_path,delimiter,,dtypeint)
t_uknp.loadtxt(uk_file_path,delimiter,,dtypeint)\uk_comment t_uk[:,-1]d50000
num (uk_comment.max()-uk_comment.min())//dplt.figure(figsize(20,8),dpi200)
plt.hist(uk_comment,num)
plt.show() 很明显这里很多评论都是小于5000甚至3000很多区间都没什么数据。所以我们要修改只统计小于3000的数据。
第二版
import numpy as np
from matplotlib import pyplot as plt
import matplotlib
matplotlib.rc(font,familyFangSong)# 文件的路径
us_file_path./youtube_video_data/US_video_data_numbers.csv
uk_file_path./youtube_video_data/GB_video_data_numbers.csv# 读取文件
t_usnp.loadtxt(us_file_path,delimiter,,dtypeint)
t_uknp.loadtxt(uk_file_path,delimiter,,dtypeint)uk_comment t_uk[:,-1]temp_uk_comment uk_comment[uk_comment3000]
d300
num (temp_uk_comment.max()-temp_uk_comment.min())//dplt.figure(figsize(20,8),dpi200)
plt.title(英国YouTube评论分布直方图)
plt.xlabel(评论数)
plt.hist(temp_uk_comment,num)
plt.show() import numpy as np
from matplotlib import pyplot as plt
import matplotlib
matplotlib.rc(font,familyFangSong)# 文件的路径
us_file_path./youtube_video_data/US_video_data_numbers.csv
uk_file_path./youtube_video_data/GB_video_data_numbers.csv# 读取文件
t_usnp.loadtxt(us_file_path,delimiter,,dtypeint)
t_uknp.loadtxt(uk_file_path,delimiter,,dtypeint)us_comment t_us[:,-1]temp_us_comment us_comment[us_comment3000]
d300
num (temp_us_comment.max()-temp_us_comment.min())//dplt.figure(figsize(20,8),dpi200)
plt.title(美国YouTube评论分布直方图)
plt.xlabel(评论数)
plt.hist(temp_us_comment,num)
plt.show() Second
需求
绘制图形来了解英国的YouTube中视频评论和喜欢数的关系.
第一版
import numpy as np
from matplotlib import pyplot as plt
import matplotlib
matplotlib.rc(font,familyFangSong)# 文件的路径
us_file_path./youtube_video_data/US_video_data_numbers.csv
uk_file_path./youtube_video_data/GB_video_data_numbers.csv# 读取文件
t_usnp.loadtxt(us_file_path,delimiter,,dtypeint)
t_uknp.loadtxt(uk_file_path,delimiter,,dtypeint)uk_like t_uk[:,1]
uk_commentt_uk[:,-1]plt.figure(figsize(20,8),dpi200)
plt.scatter(uk_comment,uk_like)
plt.show() 很明显数据分布在0-3000太密集了而在3000的部分分布的太稀疏了所以我们就要调整。
但是这次和上面的有点一些不一样不能直接对uk_like或者uk_comment切片因为我们画的是散点图两种变量的要一一对应。所以我们只能对原数据t_uk进行切片。
第二版
import numpy as np
from matplotlib import pyplot as plt
import matplotlib
matplotlib.rc(font,familyFangSong)# 文件的路径
us_file_path./youtube_video_data/US_video_data_numbers.csv
uk_file_path./youtube_video_data/GB_video_data_numbers.csv# 读取文件
t_usnp.loadtxt(us_file_path,delimiter,,dtypeint)
t_uknp.loadtxt(uk_file_path,delimiter,,dtypeint)temp_ukt_uk[t_uk[:,-1]3000]temp_uk_commenttemp_uk[:,-1]
temp_uk_liketemp_uk[:,1]plt.figure(figsize(20,8),dpi200)
plt.xlabel(评论)
plt.ylabel(点赞数)
plt.title(英国YouTube--点赞与评论的关系)
plt.scatter(temp_uk_comment,temp_uk_like)
plt.show() import numpy as np
from matplotlib import pyplot as plt
import matplotlib
matplotlib.rc(font,familyFangSong)# 文件的路径
us_file_path./youtube_video_data/US_video_data_numbers.csv
uk_file_path./youtube_video_data/GB_video_data_numbers.csv# 读取文件
t_usnp.loadtxt(us_file_path,delimiter,,dtypeint)
t_uknp.loadtxt(uk_file_path,delimiter,,dtypeint)temp_ust_us[t_us[:,-1]30000]temp_us_commenttemp_us[:,-1]
temp_us_liketemp_us[:,1]print(temp_uk_comment,temp_uk_like)plt.figure(figsize(20,8),dpi200)
plt.xlabel(评论)
plt.ylabel(点赞数)
plt.title(美国YouTube--点赞与评论的关系)
plt.scatter(temp_us_comment,temp_us_like)
plt.show()
