牛客网Python篇数据分析习题(六)

简介: 某公司计划举办一场运动会,现有运动会项目数据集items.csv。 包含以下字段:item_id:项目编号

1.某公司计划举办一场运动会,现有运动会项目数据集items.csv。 包含以下字段:

item_id:项目编号;

item_name:项目名称;

location:比赛场地。

有员工报名情况数据集signup.csv。包含以下字段:

employee_id:员工编号;

name:员工姓名;

sex:性别;

department:所属部门;

item_id:报名项目id

请你统计职能部门(functional)中报名标枪(javenlin)的所有员工的员工编号(employee_id)、姓名(name)及性别(sex)。

526cb4b94e8452a1f3ea9f7ade5afcf6_403a745ba40f4922b3f145a9057401b1.png

import pandas as pd
items = pd.read_csv("items.csv", sep=",")
signup = pd.read_csv("signup.csv", sep=",")
pd.set_option("display.unicode.east_asian_width", True)
data = pd.merge(items, signup, how="inner", on="item_id")
print(
    data[(data.department == "functional") & (data.item_name == "javelin")][
        ["employee_id", "name", "sex"]].reset_index(drop=True))

2.某公司计划举办一场运动会,现有运动会项目数据集items.csv。 包含以下字段:

item_id:项目编号;

item_name:项目名称;

location:比赛场地。

有员工报名情况数据集signup.csv。包含以下字段:

employee_id:员工编号;

name:员工姓名;

sex:性别;

department:所属部门;

item_id:报名项目id

请你输出报名的各个项目情况(不包含没人报名的项目)对应的透视表。

b9ce8aaa93a02434b23d6b1e8df63be0_83a19150dd6e48dfaa3f9575fda1aaf9.png

import pandas as pd
signup = pd.read_csv("signup.csv")
items = pd.read_csv("items.csv")
x = pd.merge(signup, items, on="item_id")
y = x.pivot_table(
    index=["sex", "department"],
    columns="item_name",
    aggfunc={"employee_id": "size"},
    fill_value=0,)
print(y)

3.现有一个Nowcoder1.csv文件,记录了牛客网的部分用户的个人信息,包含如下字段(字段与字段之间以逗号间隔):

Nowcoder_ID:用户ID

Name:用户名

Level:等级

Achievement_value:成就值

Num_of_exercise:刷题量

Graduate_year:毕业年份

Language:常用语言

另外一个Nowcoder2.csv文件记录了用户的活跃情况,包含如下字段(字段与字段之间以逗号间隔):

Nowcoder_ID:用户ID

Continuous_check_in_days:最近连续签到天数

Number_of_submissions:提交代码次数

Last_submission_time:最后一次提交题目日期

两张表分开查看对于运营同学太困难了,请帮助他通过用户ID将两张表合并输出。

900d51409a3885236b3b92b6c97e6265_e66f6453f7824f8091fe3bad582fd458.png

import pandas as pd
pd.set_option("display.width", 300)
pd.set_option("display.max_rows", None)
pd.set_option("display.max_columns", None)
nd1 = pd.read_csv("Nowcoder1.csv")
nd2 = pd.read_csv("Nowcoder2.csv")
df = pd.merge(nd1, nd2, on="Nowcoder_ID")
print(df)

4.现有一个Nowcoder1.csv文件,记录了牛客网的部分用户的个人信息,包含如下字段(字段与字段之间以逗号间隔):

Nowcoder_ID:用户ID

Name:用户名

Level:等级

Achievement_value:成就值

Num_of_exercise:刷题量

Graduate_year:毕业年份

Language:常用语言

另外一个Nowcoder2.csv文件记录了用户的活跃情况,包含如下字段(字段与字段之间以逗号间隔):

Nowcoder_ID:用户ID

Continuous_check_in_days:最近连续签到天数

Number_of_submissions:提交代码次数

Last_submission_time:最后一次提交题目日期

如果你想要的信息各自在两个csv文件中,你该怎么输出?同时输出用户的名字、刷题量和代码提交次数。

7e6f95a2d73cac60850eed96a01f2625_e71d8b05c38548f197155895673b2e78.png

import pandas as pd
pd.set_option("display.width", 300)
pd.set_option("display.max_rows", None)
pd.set_option("display.max_columns", None)
nd1 = pd.read_csv("Nowcoder1.csv")
nd2 = pd.read_csv("Nowcoder2.csv")
df = pd.merge(nd1, nd2, on="Nowcoder_ID")
print(df[["Name", "Num_of_exercise", "Number_of_submissions"]])

5.现有某店铺会员消费情况sales.csv。包含以下字段:

user_id:会员编号;

recency:最近一次消费距离当天的天数;

frequency:一段时间内消费的次数;

monetary:一段时间内消费的总金额。

请你统计消费金额最多的前3名用户。

46b00c3f0b8b358a668d78e67621dfbd_a8b3a3fd9778416f8ad4dd50e09a4779.png

import pandas as pd
sales = pd.read_csv("sales.csv")
print(sales.sort_values(by="monetary", 
      ascending=False).reset_index(drop=True).head(3))

6.现有一个Nowcoder.csv文件,记录了牛客网的部分用户的个人信息,包含如下字段(字段与字段之间以逗号间隔):

Nowcoder_ID:用户ID

Name:用户名

Level:等级

Achievement_value:成就值

Num_of_exercise:刷题量

Graduate_year:毕业年份

Language:常用语言

牛牛在查看这些数据的时候,等级都是混乱的,他想按照1-7级的递增序查看这些用户数据,你能帮他输出一下吗?

1d1cbc288c5219aab1a919a1e72b34e8_0ab871a5a7c647c9a16ae82ab2b11b20.png

import pandas as pd
pd.set_option("display.width", 300) 
pd.set_option("display.max_rows", None)  
pd.set_option("display.max_columns", None)
nd = pd.read_csv("Nowcoder.csv")
print(nd.sort_values(by="Level"))

7.现有某店铺会员消费情况sales.csv。包含以下字段:

user_id:会员编号;

recency:最近一次消费距离当天的天数;

frequency:一段时间内消费的次数;

monetary:一段时间内消费的总金额。

请你分别对每个用户的每个消费特征进行评分。

e94147db4d0d01346671696167c9f5ec_ac2c8a3f220542ddb0335cc45d2f8ffa.png

import pandas as pd
data = pd.read_csv("sales.csv")
data["R_Quartile"] = pd.qcut(
    data["recency"], [0, 0.25, 0.5, 0.75, 1], ["4", "3", "2", "1"]
).astype("int")
data["F_Quartile"] = pd.qcut(
    data["frequency"], [0, 0.25, 0.5, 0.75, 1], ["1", "2", "3", "4"]
).astype("int")
data["M_Quartile"] = pd.qcut(
    data["monetary"], [0, 0.25, 0.5, 0.75, 1], ["1", "2", "3", "4"]
).astype("int")
print(data.head())

8.现有某店铺会员消费情况sales.csv。包含以下字段:

user_id:会员编号;

recency:最近一次消费距离当天的天数;

frequency:一段时间内消费的次数;

monetary:一段时间内消费的总金额。

请你统计最有价值的用户中消费金额最多的前5名用户。

37b160263cf08739cf7cb9c8af89604d_9b85d2ea9e974741837833cd4c4f6d21.png

import pandas as pd
data = pd.read_csv("sales.csv")
R = pd.qcut(data["recency"], [0, 0.25, 0.5, 0.75, 1.0], ["4", "3", "2", "1"]).astype(
    str)
F = pd.qcut(data["frequency"], [0, 0.25, 0.5, 0.75, 1.0], ["1", "2", "3", "4"]).astype(
    str)
M = pd.qcut(data["monetary"], [0, 0.25, 0.5, 0.75, 1.0], ["1", "2", "3", "4"]).astype(
    str)
data["RFMClass"] = R + F + M
print(data.head())
print(data[data["RFMClass"] == "444"].sort_values("monetary", ascending=False))
相关文章
|
22天前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
本文将引导读者了解如何使用Python进行数据分析,从安装必要的库到执行基础的数据操作和可视化。通过本文的学习,你将能够开始自己的数据分析之旅,并掌握如何利用Python来揭示数据背后的故事。
|
1月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
【10月更文挑战第42天】本文是一篇技术性文章,旨在为初学者提供一份关于如何使用Python进行数据分析的入门指南。我们将从安装必要的工具开始,然后逐步介绍如何导入数据、处理数据、进行数据可视化以及建立预测模型。本文的目标是帮助读者理解数据分析的基本步骤和方法,并通过实际的代码示例来加深理解。
51 3
|
25天前
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
76 4
数据分析的 10 个最佳 Python 库
|
29天前
|
存储 数据可视化 数据挖掘
使用Python进行数据分析和可视化
本文将引导你理解如何使用Python进行数据分析和可视化。我们将从基础的数据结构开始,逐步深入到数据处理和分析的方法,最后通过实际的代码示例来展示如何创建直观的数据可视化。无论你是初学者还是有经验的开发者,这篇文章都将为你提供有价值的见解和技巧。让我们一起探索数据的世界,发现隐藏在数字背后的故事!
|
27天前
|
存储 数据可视化 数据挖掘
Python数据分析项目:抖音短视频达人粉丝增长趋势
Python数据分析项目:抖音短视频达人粉丝增长趋势
|
1月前
|
数据采集 存储 数据可视化
Python数据分析:揭秘"黑神话:悟空"Steam用户评论趋势
Python数据分析:揭秘"黑神话:悟空"Steam用户评论趋势
|
1月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第42天】本文将介绍如何使用Python进行数据分析和可视化。我们将从数据导入、清洗、探索性分析、建模预测,以及结果的可视化展示等方面展开讲解。通过这篇文章,你将了解到Python在数据处理和分析中的强大功能,以及如何利用这些工具来提升你的工作效率。
|
1月前
|
数据采集 数据可视化 数据挖掘
深入浅出:使用Python进行数据分析的基础教程
【10月更文挑战第41天】本文旨在为初学者提供一个关于如何使用Python语言进行数据分析的入门指南。我们将通过实际案例,了解数据处理的基本步骤,包括数据的导入、清洗、处理、分析和可视化。文章将用浅显易懂的语言,带领读者一步步掌握数据分析师的基本功,并在文末附上完整的代码示例供参考和实践。
|
1月前
|
数据采集 数据可视化 数据挖掘
掌握Python数据分析,解锁数据驱动的决策能力
掌握Python数据分析,解锁数据驱动的决策能力
|
1月前
|
数据采集 数据可视化 数据挖掘
Python数据分析:Pandas库实战指南
Python数据分析:Pandas库实战指南