如何用Numpy分析各類用戶占比

分析目標(biāo)

觀察上次的數(shù)據(jù)，數(shù)據(jù)中有的數(shù)據(jù)有會(huì)員與非會(huì)員兩種用戶類別。
這次我們主要分析一下兩種類別用戶在數(shù)據(jù)中占比。

數(shù)據(jù)讀取與數(shù)據(jù)清洗

根據(jù)流程示意圖我們主要遵循下面幾個(gè)步驟：

此處代碼為：

# 數(shù)據(jù)讀取，數(shù)據(jù)清洗
def read_clean_data():
    clndata_arr_list = []
    for data_filename in data_filenames:
        file = os.path.join(data_path, data_filename)
        data_arr = np.loadtxt(file, skiprows=1, delimiter=',', dtype=bytes).astype(str)
        cln_arr = np.core.defchararray.replace(data_arr[:, -1], '"', '')
        cln_arr = cln_arr.reshape(-1,1)
        clndata_arr_list.append(cln_arr)
    year_cln_arr = np.concatenate(clndata_arr_list)
    return year_cln_arr

這里需要注意兩點(diǎn)：

• 因?yàn)閿?shù)據(jù)較大，我們沒有數(shù)據(jù)文件具體數(shù)據(jù)量，所以在使用numpy.reshape時(shí)我們可以使用numpy.reshape(-1,1)這樣numpy可以使用統(tǒng)計(jì)后的具體數(shù)值替換-1。

• 我們對(duì)數(shù)據(jù)的需求不再是獲取時(shí)間的平均值，只需獲取數(shù)據(jù)最后一列并使用concatenate方法堆疊到一起以便下一步處理。

數(shù)據(jù)分析

根據(jù)這次的分析目標(biāo)，我們?nèi)〕鲎詈笠涣?code>Member type。

在上一步我們已經(jīng)獲取了全部的數(shù)值，在本部只需篩選統(tǒng)計(jì)出會(huì)員與非會(huì)員的數(shù)值就可以了。

我們可以先看下完成后的這部分代碼：

# 數(shù)據(jù)分析
def mean_data(year_cln_arr):
    member = year_cln_arr[year_cln_arr == 'Member'].shape[0]
    casual = year_cln_arr[year_cln_arr == 'Casual'].shape[0]
    users = [member,casual]
    print(users)
    return users

同樣，這里使用numpy.shape獲取用戶分類的具體數(shù)據(jù)。

結(jié)果展示

生成的餅圖：

下面是生成餅圖的代碼：

# 結(jié)果展示
plt.figure()
    plt.pie(users, labels=['Member', 'Casual'], autopct='%.2f%%', shadow=True, explode=(0.05, 0))
    plt.axis('equal')
    plt.tight_layout()
    plt.savefig(os.path.join(output_path, './piechart.png'))
    plt.show()