备案控制台
探索云世界
开发者社区 开发与运维 文章 正文

Python刷题系列(8)_Pandas_Dataframe（上）

2022-05-28 136
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： Python刷题系列(8)_Pandas_Dataframe

Pandas_Dataframe


c508a389f345419fb5750fb5ae4ff2c9.png


1、按元素获取数组值的幂


编写一个 Pandas 程序，以从元素上获取数组值的幂。

  • 注意：第一个数组元素从第二个数组提升为幂
  • 示例数据：
{'X'：[78，85，96，80，86]，
'Y'：[84，94，89，83，86]，
'Z'：[86，97，96，72，83]}


  • 预期输出：
  X  Y Z
0 78 84 86
1 85 94 97
2 96 89 96
3 80 83 72
4 86 86 83

解答：

import pandas as pd
df = pd.DataFrame({'X':[78,85,96,80,86], 
                   'Y':[84,94,89,83,86],
                   'Z':[86,97,96,72,83]});
print(df)

17855c8b57de4d66a02ba595adc47e39.pngb6e8e571ca3e47a3b41affbfd5b09397.png


2、从具有索引标签的字典数据创建数据帧


编写一个 Pandas 程序，以从具有索引标签的指定字典数据创建和显示 DataFrame。

示例数据帧：


exam_data =

{‘name’： [‘Anastasia’， ‘Dima’， ‘Katherine’， ‘James’， ‘Emily’， ‘Michael’， ‘Matthew’， ‘Laura’， ‘Kevin’， ‘Jonas’]，

‘score’： [12.5， 9， 16.5， np.nan， 9， 20， 14.5， np.nan， 8， 19]，

‘trys’： [1， 3， 2， 3， 2， 3， 1， 1， 2， 1]，

‘qualify’： [‘yes’， ‘no’， ‘no’， ‘yes’， ‘yes’， ‘no’， ‘yes’， ‘no’， ‘yes’]}


labels = [‘a’， ‘b’， ‘c’， ‘d’， ‘e’， ‘f’， ‘g’， ‘h’， ‘i’， ‘j’]

import pandas as pd
import numpy as np
exam_data  = {'name': ['Anastasia', 'Dima', 'Katherine', 'James', 'Emily', 'Michael', 'Matthew', 'Laura', 'Kevin', 'Jonas'],
        'score': [12.5, 9, 16.5, np.nan, 9, 20, 14.5, np.nan, 8, 19],
        'attempts': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'qualify': ['yes', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'no', 'yes']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(exam_data , index=labels)
print(df)

0a5c92b72e0e466caec7a7e816cef7b6.png


3、显示有关指定数据帧及其数据的基本信息摘要


编写 Pandas 程序以显示有关指定数据帧及其数据的基本信息的摘要。转到编辑器


示例Python字典数据和列表标签：

exam_data = {‘name’： [‘Anastasia’， ‘Dima’， ‘Katherine’， ‘James’， ‘Emily’， ‘Michael’， ‘Matthew’， ‘Laura’， ‘Kevin’， ‘Jonas’]，

‘score’： [12.5， 9， 16.5， np.nan， 9， 20， 14.5， np.nan， 8， 19]，

‘trys’： [1， 3， 2， 3， 2， 3， 1， 1， 2， 1]，

‘qualify’： [‘yes’， ‘no’， ‘no’， ‘no’， ‘yes’， ‘no’， ‘yes’， ‘no’， ‘no’， ‘’ ‘yes’]}

标签 = [‘a’， ‘b’， ‘c’， ‘d’， ‘e’， ‘f’， ‘g’， ‘h’， ‘i’， ‘j’]


预期输出：

有关此 DataFrame 及其数据的基本信息摘要：

<类 ‘pandas.core.frame.DataFrame’>

索引： 10 个条目， a to j

数据列 （总共 4 列）：

…dtypes： float64（1）， int64（1）， object（2）

内存使用情况： 400.0+ 字节

无


image.png



4、获取给定数据帧的前 3 行


  • 示例Python字典数据和列表标签：


exam_data = {‘name’： [‘Anastasia’， ‘Dima’， ‘Katherine’， ‘James’， ‘Emily’， ‘Michael’， ‘Matthew’， ‘Laura’， ‘Kevin’， ‘Jonas’]，

‘score’： [12.5， 9， 16.5， np.nan， 9， 20， 14.5， np.nan， 8， 19]，

‘trys’： [1， 3， 2， 3， 2， 3， 1， 1， 2， 1]，

‘qualify’： [‘yes’， ‘no’， ‘no’， ‘no’， ‘yes’， ‘no’， ‘yes’， ‘no’， ‘no’， ‘’ ‘yes’]}

标签 = [‘a’， ‘b’， ‘c’， ‘d’， ‘e’， ‘f’， ‘g’， ‘h’， ‘i’， ‘j’]


预期输出：

a 1 Anastasia yes 12.5

b 3 Dima no 9.0

c 2 Katherine yes 16.5

import pandas as pd
import numpy as np
exam_data  = {'name': ['Anastasia', 'Dima', 'Katherine', 'James', 'Emily', 'Michael', 'Matthew', 'Laura', 'Kevin', 'Jonas'],
        'score': [12.5, 9, 16.5, np.nan, 9, 20, 14.5, np.nan, 8, 19],
        'attempts': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'qualify': ['yes', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'no', 'yes']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(exam_data , index=labels)
print(df) 
print("\n")
print(df.iloc[:3])
print("\n")
print(df.head(3))
print("\n")
print(df.iloc[0:1,1:3])

6b0a175573df44258e34d902f7f8ef17.png


5、从给定的数据帧中选择两个指定的列


编写一个 Pandas 程序，从以下数据帧中选择“名称”和“评分”列。

  • 示例Python字典数据和列表标签：
exam_data = {'name'： ['Anastasia'， 'Dima'， 'Katherine'， 'James'， 'Emily'， 'Michael'， 'Matthew'， 'Laura'， 'Kevin'， 'Jonas']，
'score'： [12.5， 9， 16.5， np.nan， 9， 20， 14.5， np.nan， 8， 19]，
'trys'： [1， 3， 2， 3， 2， 3， 1， 1， 2， 1]，
'qualify'： ['yes'， 'no'， 'no'， 'no'， 'yes'， 'no'， 'yes'， 'no'， 'no'， '' 'yes']}
标签 = ['a'， 'b'， 'c'， 'd'， 'e'， 'f'， 'g'， 'h'， 'i'， 'j']
  • 预期输出：
a Anastasia 12.5
b Dima 9.0
c Katherine 16.5
...h Laura NaN
i Kevin 8.0
j Jonas 19.0

解答：

import pandas as pd
import numpy as np
exam_data  = {'name': ['Anastasia', 'Dima', 'Katherine', 'James', 'Emily', 'Michael', 'Matthew', 'Laura', 'Kevin', 'Jonas'],
        'score': [12.5, 9, 16.5, np.nan, 9, 20, 14.5, np.nan, 8, 19],
        'attempts': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'qualify': ['yes', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'no', 'yes']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
print(df)
print("\n")
df = pd.DataFrame(exam_data , index=labels)
print(df[['name', 'score']])

302b34cfd7064bce9c5d29aa828083ef.png


6、从给定的数据帧中选择指定的列和行


编写一个 Pandas 程序，从给定的数据帧中选择指定的列和行。转到编辑器

  • 示例 Python 字典数据并列出标签：

从以下数据框中选择第 1、3、5、6 行中的“name”和“score”列。

exam_data = {'name'： ['Anastasia'， 'Dima'， 'Katherine'， 'James'， 'Emily'， 'Michael'， 'Matthew'， 'Laura'， 'Kevin'， 'Jonas']，
'score'： [12.5， 9， 16.5， np.nan， 9， 20， 14.5， np.nan， 8， 19]，
'trys'： [1， 3， 2， 3， 2， 3， 1， 1， 2， 1]，
'qualify'： ['yes'， 'no'， 'yes'， 'yes'， 'no'， 'yes'， 'no'， 'yes'， 'yes']}
labels = ['a'， 'b'， 'c'， 'd'， 'e'， 'f'， 'g'， 'h'， 'i'， 'j']
  • 预期输出：
b 9.0 no
d NaN no
f 20.0 yes
g 14.5 yes

解答：

import pandas as pd
import numpy as np
exam_data  = {'name': ['Anastasia', 'Dima', 'Katherine', 'James', 'Emily', 'Michael', 'Matthew', 'Laura', 'Kevin', 'Jonas'],
        'score': [12.5, 9, 16.5, np.nan, 9, 20, 14.5, np.nan, 8, 19],
        'attempts': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'qualify': ['yes', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'no', 'yes']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(exam_data , index=labels)
print(df) 
print("\n") 
print(df.iloc[[1, 3, 5, 6], [1, 3]])

cc953e265a2440ce90eaa290acdc4988.png


7、选择检查中尝试次数大于 2 的行


编写 Pandas 程序，选择考试中尝试次数大于 2 的行。

  • 示例Python字典数据和列表标签：
exam_data = {'name'： ['Anastasia'， 'Dima'， 'Katherine'， 'James'， 'Emily'， 'Michael'， 'Matthew'， 'Laura'， 'Kevin'， 'Jonas']，
'score'： [12.5， 9， 16.5， np.nan， 9， 20， 14.5， np.nan， 8， 19]，
'trys'： [1， 3， 2， 3， 2， 3， 1， 1， 2， 1]，
'qualify'： ['yes'， 'no'， 'no'， 'no'， 'yes'， 'no'， 'yes'， 'no'， 'no'， '' 'yes']}
标签 = ['a'， 'b'， 'c'， 'd'， 'e'， 'f'， 'g'， 'h'， 'i'， 'j']


  • 预期输出：

考试中的尝试次数大于 2，且名称分数尝试次数合格。

b Dima 9.0 3 no
d James NaN 3 no
f Michael 20.0 3 是


解答：

import pandas as pd
import numpy as np
exam_data  = {'name': ['Anastasia', 'Dima', 'Katherine', 'James', 'Emily', 'Michael', 'Matthew', 'Laura', 'Kevin', 'Jonas'],
        'score': [12.5, 9, 16.5, np.nan, 9, 20, 14.5, np.nan, 8, 19],
        'attempts' : [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'qualify': ['yes', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'no', 'yes']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(exam_data , index=labels)
print("Number of attempts in the examination is greater than 2:")
print(df[df['attempts'] > 2])

关键:df[df['attempts'] > 2]：df['attempts'] > 2判断每行是否满足该条件，若满足，则是True，我的理解是布尔索引。


ea2bc311902d40f7ac422934a8deed7e.png


8、计算数据帧的行数和列数


编写一个 Pandas 程序来计算 DataFrame 的行数和列数。转到编辑器

  • 示例Python字典数据和列表标签：


exam_data = {‘name’： [‘Anastasia’， ‘Dima’， ‘Katherine’， ‘James’， ‘Emily’， ‘Michael’， ‘Matthew’， ‘Laura’， ‘Kevin’， ‘Jonas’]，

‘score’： [12.5， 9， 16.5， np.nan， 9， 20， 14.5， np.nan， 8， 19]，

‘trys’： [1， 3， 2， 3， 2， 3， 1， 1， 2， 1]，

‘qualify’： [‘yes’， ‘no’， ‘no’， ‘no’， ‘yes’， ‘no’， ‘yes’， ‘no’， ‘no’， ‘’ ‘yes’]}

标签 = [‘a’， ‘b’， ‘c’， ‘d’， ‘e’， ‘f’， ‘g’， ‘h’， ‘i’， ‘j’]


预期输出：

行数： 10

列数： 4


关键：

【1】计算数据帧的行数：len(df.axes[0])

【2】计算数据帧的列数：len(df.axes[1])

import pandas as pd
import numpy as np
exam_data  = {'name': ['Anastasia', 'Dima', 'Katherine', 'James', 'Emily', 'Michael', 'Matthew', 'Laura', 'Kevin', 'Jonas'],
        'score': [12.5, 9, 16.5, np.nan, 9, 20, 14.5, np.nan, 8, 19],
        'attempts': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'qualify': ['yes', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'no', 'yes']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(exam_data , index=labels)
total_rows=len(df.axes[0])
total_cols=len(df.axes[1])
print(df)
print("\n")
print("Number of Rows: "+str(total_rows))
print("Number of Columns: "+str(total_cols))

c0ad877e0f22483fa0003db7eeff2ca6.png


9、打印数据缺失的行


打印分数列中含有缺失数值的行

关键点：df[df['score'].isnull()]

import pandas as pd
import numpy as np
exam_data  = {'name': ['Anastasia', 'Dima', 'Katherine', 'James', 'Emily', 'Michael', 'Matthew', 'Laura', 'Kevin', 'Jonas'],
        'score': [12.5, 9, 16.5, np.nan, 9, 20, 14.5, np.nan, 8, 19],
        'attempts': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'qualify': ['yes', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'no', 'yes']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(exam_data , index=labels)
print("Rows where score is missing:")
print(df[df['score'].isnull()])

e6489d1b2d7d451e992f4a90792e77d8.png


10、打印行，数据在15到20之间


打印分数列中，数据在15到20之间的（含）

关键：df[df['score'].between(15, 20)]

import pandas as pd
import numpy as np
exam_data  = {'name': ['Anastasia', 'Dima', 'Katherine', 'James', 'Emily', 'Michael', 'Matthew', 'Laura', 'Kevin', 'Jonas'],
        'score': [12.5, 9, 16.5, np.nan, 9, 20, 14.5, np.nan, 8, 19],
        'attempts': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'qualify': ['yes', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'no', 'yes']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(exam_data , index=labels)
print(df) 
print("\n")
print(df[df['score'].between(15, 20)])

3ec001e81433424db18496583035559e.png


11、打印某一列的平均值


打印分数列的平均值

关键：df['score'].mean()

import pandas as pd
import numpy as np
exam_data  = {'name': ['Anastasia', 'Dima', 'Katherine', 'James', 'Emily', 'Michael', 'Matthew', 'Laura', 'Kevin', 'Jonas'],
        'score': [12.5, 9, 16.5, np.nan, 9, 20, 14.5, np.nan, 8, 19],
        'attempts': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'qualify': ['yes', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'no', 'yes']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(exam_data , index=labels)
print(df) 
print("\n")
print(df['score'].mean())

8b21756841cf4dd59f5f65283a24687e.png


注：如果是求总和的话就把mean()改成sum()即可


12、打印数据帧中多条件的行


编写一个 Pandas 程序，以选择考试中尝试次数小于 2 且分数大于 15 的行。

关键：df[(df[‘attempts’] < 2) & (df[‘score’] > 10)]

注：多条件则必须要在条件外添加括号

import pandas as pd
import numpy as np
exam_data  = {'name': ['Anastasia', 'Dima', 'Katherine', 'James', 'Emily', 'Michael', 'Matthew', 'Laura', 'Kevin', 'Jonas'],
        'score': [12.5, 9, 16.5, np.nan, 9, 20, 14.5, np.nan, 8, 19],
        'attempts': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'qualify': ['yes', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'no', 'yes']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(exam_data , index=labels)
print("attempts列小于2并且score列大于10的行:")
print(df[(df['attempts'] < 2) & (df['score'] > 10)])

e72437a0499b4211aa387eac95878159.png



文章标签：
Python
索引
关键词：
Python Pandas
Python刷题
Python刷题系列Pandas Dataframe
渴望成为寂寞胜者
目录
相关文章
HannYang
|
3天前
|
数据挖掘 数据处理 索引
python常用pandas函数nlargest / nsmallest及其手动实现
python常用pandas函数nlargest / nsmallest及其手动实现
HannYang
18 0
众所周知
|
4天前
|
数据处理 Python
如何使用Python的Pandas库进行数据排序和排名
【4月更文挑战第22天】Pandas Python库提供数据排序和排名功能。使用`sort_values()`按列进行升序或降序排序，如`df.sort_values(by=&#39;A&#39;, ascending=False)`。`rank()`函数用于计算排名，如`df[&#39;A&#39;].rank(ascending=False)`。多列操作可传入列名列表，如`df.sort_values(by=[&#39;A&#39;, &#39;B&#39;], ascending=[True, False])`和分别对&#39;A&#39;、&#39;B&#39;列排名。
众所周知
14 2
众所周知
|
1月前
|
数据格式 Python
如何使用Python的Pandas库进行数据透视图（melt/cast）操作？
Pandas的`melt()`和`pivot()`函数用于数据透视。基本步骤：导入pandas，创建DataFrame，然后使用这两个函数转换数据格式。示例代码展示了如何通过`melt()`转为长格式，再用`pivot()`恢复为宽格式。输入数据是包含&#39;Name&#39;和&#39;Age&#39;列的DataFrame，最终结果经过转换后呈现出不同的布局。
众所周知
40 6
龙大吉
|
1月前
|
数据处理 Python
如何使用Python的Pandas库进行数据排序和排名？
Pandas在Python中提供数据排序和排名功能。使用`sort_values()`进行排序，如`df.sort_values(by=&#39;A&#39;, ascending=False)`进行降序排序；用`rank()`进行排名，如`df[&#39;A&#39;].rank(ascending=False)`进行降序排名。多列操作可传入列名列表，如`df.sort_values(by=[&#39;A&#39;, &#39;B&#39;], ascending=[True, False])`。
龙大吉
25 6
桃李春风一杯酒
|
1月前
|
索引 Python
如何使用Python的Pandas库进行数据合并和拼接？
【2月更文挑战第28天】【2月更文挑战第103篇】如何使用Python的Pandas库进行数据合并和拼接？
桃李春风一杯酒
17 0
使者大牙
|
1月前
|
BI 数据处理 索引
Pandas基本操作：Series和DataFrame（Python）
Pandas基本操作：Series和DataFrame（Python）
使者大牙
105 1
龙大吉
|
1月前
|
索引 Python
如何在Python中，Pandas库实现对数据的时间序列分析？
Pandas在Python中提供强大的时间序列分析功能，包括：1) 使用`pd.date_range()`创建时间序列；2) 通过`pd.DataFrame()`将时间序列转为DataFrame；3) `set_index()`设定时间列作为索引；4) `resample()`实现数据重采样（如按月、季度）；5) `rolling()`进行移动窗口计算，如计算移动平均；6) 使用`seasonal_decompose()`进行季节性调整。这些工具适用于各种时间序列分析场景。
龙大吉
35 0
龙大吉
|
1月前
|
数据采集 Python
如何在Python中使用Pandas库进行数据清洗？
Pandas在Python中提供高效的数据清洗功能，包括处理缺失值（`dropna()`删除、`fillna()`填充）、重复值（`duplicated()`检查、`drop_duplicates()`删除）、异常值（条件筛选、分位数、标准差）和文本数据（字符串操作、正则表达式）。这些方法帮助用户根据需求清洗数据，确保数据质量。
龙大吉
25 0
龙大吉
|
5天前
|
索引 Python
如何在Python中使用Pandas库进行季节性调整？
在Python中使用Pandas和Statsmodels进行季节性调整的步骤包括：导入pandas和seasonal_decompose模块，准备时间序列DataFrame，调用`seasonal_decompose()`函数分解数据为趋势、季节性和残差，可选地绘制图表分析，以及根据需求去除季节性影响（如将原始数据减去季节性成分）。这是对时间序列数据进行季节性分析的基础流程。
龙大吉
19 2
机器学习Zero
|
1月前
|
SQL 数据挖掘 数据处理
Python数据分析（二）—— Pandas快速入门
Python数据分析（二）—— Pandas快速入门
机器学习Zero
66 0

热门文章

最新文章

  • 1
    阿里云 MaxCompute MaxFrame 开启免费邀测，统一 Python 开发生态
  • 2
    使用Python实现DBSCAN聚类算法
  • 3
    在Python Web开发过程中：数据库与缓存，MySQL和NoSQL数据库的主要差异是什么？
  • 4
    流畅的 Python 第二版（GPT 重译）（一）(1)
  • 5
    【Python】python天气数据抓取与数据分析（源码+论文）【独一无二】
  • 6
    Python 学习之路 01基础入门---【Python安装，Python程序基本组成】
  • 7
    流畅的 Python 第二版（GPT 重译）（十一）(1)
  • 8
    Python 数据分析（PYDA）第三版（三）（1）
  • 9
    Python函数使用(四)
  • 10
    Python速成篇（基础语法）上
  • 1
    Python中的装饰器：概念、用法和实例
    19
  • 2
    Python中的装饰器：概念、用法及实例
    18
  • 3
    使用Python实现图像处理中的边缘检测算法
    47
  • 4
    Python中如何实现字符串反转？请提供至少两种方法。
    19
  • 5
    在Python中，如何创建一个迭代器？
    21
  • 6
    请解释Python中的迭代器和生成器的区别？并分别举例说明。
    20
  • 7
    在Python中，如何使用装饰器重写类的方法？
    23
  • 8
    Python中的装饰器：概念、用法及实例
    19
  • 9
    Python中的装饰器：概念、应用与实例
    17
  • 10
    Python中的装饰器：概念、用法和实例
    20

    • 相关课程

    更多
  • Python Web开发基础
  • Python爬虫实战
  • Python常用数据科学库
  • Python网络爬虫实战
  • Python完全自学手册图文教程
  • Python基础快速入门实战教程

    • 相关电子书

    更多
  • From Python Scikit-Learn to Sc
  • Data Pre-Processing in Python:
  • 双剑合璧-Python和大数据计算平台的结合

    • 相关实验场景

    更多
  • 用Python画圣诞树
  • 使用Python完成RDS数据开发及分析
  • Python选择及循环结构
  • 云端Python及基本操作
  • Python网络通信程序典型应用
  • Python新手入门（Anolis OS）
    • 下一篇
    部署LAMP环境（Alibaba Cloud Linux 3）