📚 Machine Learning

Exercise Requirements

1. 创建数组[0 1 2 3 4 5 6 7 8 9]，并将该数组中的奇数全部都替换成-1。

2. 将数组 a = np.random.rand(3,5) 和b = np.random.rand(6,4) 叠加在一起，其中a在b的上面，并且在b的第2列（下标从0开始）新增一列，用0来填充。

3. 创建一个8行9列的随机数组，并取出该数组第1-5行（包括第5行）的第8列内大于的所有大于3的元素。

4. 创建一个8行9列的随机数组，按如下要求分别取出该数组中的元素：

1. 取出第1行和第3行的数据
2. 取出第1行到第3行的数据
3. 取出前4列的数据
4. 取出该数组的(0, 0)、(1, 2)、(3, 5)位置上的元素值

5. 求数组data7 = np.random.randint(0, 20, size=(4, 5))中每行最小值与最大值相除的结果。

6. 完成下列关于Series的练习

1. 用下表中数据创建Series对象（对象名为“score”，索引名为class）
2. 查看1-5班的数据
3. 查看哪个班级的平均成绩还没有录入
4. 获取全年级的平均成绩（空值做0分处理）
5. 由于参考答案有误，现在要给每位同学的成绩加上2分
6. 找出平均成绩在90分以上的班级

7. 完成下列关于DataFrame的练习

1. 根据下表创建DataFrame对象（列表和字典各用一种实现）
2. 对创建的DataFrame进行转置
3. 由于体育老师生病，导致大家的体育成绩没有录入，请删除改列数据
4. 学校发现遗漏了“科学”课的成绩，请为学生添加“科学”成绩。学生的成绩为（97,87,78,76,84,88,91）

8. 用pandas读取lianjia.csv，完成下列操作

1. 观察结构，调整列索引顺序（Region, Garden, Layout, Floor, ID, Year, Size, Elevator, Direction, Renovation, Price）
2. 增加一列关于目前状况（状况：state，可以使用1代表售出，0代表未售出）
3. 删除ID这一列无用的数据
4. 查找楼层（floor）小于7的所有房屋
5. 修改楼层小于7的房源的电梯状态，统一改成无电梯，反之就设为有电梯

Exercise Requirements

1. 折线图练习

1. 读取长沙市某年5月份的气温数据（changsha.csv），按照时间顺序绘制成折线图；
2. “highest”为当天最高气温，“lowest”为当天最低气温；
3. 使用圆点表示数据点；
4. x轴是是时间，y轴是温度，要求图中有具体刻度；
5. x轴的标题是“时间（天）”，y轴的标题是“气温（摄氏度）”；
6. 图标题是“长沙5月份气温走势”图。

2. 柱状图练习

1. 读取三类学校（普通本科、中等职业教育、普通高中）2014-2018年间的招生数据（enrollment.csv），绘制柱状图；
2. x轴是年份，y轴是当年的招生人数(万人)；
3. 按年份进行分组绘制，同一年份的放在一个组；
4. 要求绘制图例，图例横向排列（提示：使用legend的ncol参数，具体用法自行查Matplotlib官网）；
5. 图标题是”2014-2018普通本科、中等职业教育、普通高中招生人数“

3. 直方图练习

1. 读取scores.csv，绘制直方图；
2. 读取csv文件之后生成DataFrame对象；
3. 绘制其中历史成绩(“history”)的直方图；
4. 标记x轴的坐标；
5. 每个柱面上方显示处于该区间内成绩数量；
6. 图标题是”x班历史成绩直方图“。

4. 散点图练习

1. 分别读取4个城市的二手车数据（bj.csv、sh.csv、gz.csv和sz.csv），将其归档到同一个DataFrame中；
2. 计算车辆的使用年份和保值率，并在DataFrame新增对应的字段存储数据；
3. 使用年份=当前时间-购买时间；
4. 保值率=二手车价格 / 新车价格；
5. 绘制使用年份与保值率的散点图，观察并简单分析其分布特征；
6. 绘制行驶距离与保值率的散点图，观察并简单分析其分布特征。

5. 饼图练习

1. 将给定的数据绘制成饼图；
2. 设置阴影效果；
3. 将Chrome对应分块从饼图中分离出来，距离设为0.05；
4. 设置显示分块占比信息，保留两位小数；
5. 占比信息以白色文字显示，分块名以黑色文字显示；
6. 将Edge和Safari的占比的字体大小设置为10，其余为12。

6. 箱线图练习

1. 读取scores.csv中的数据绘制成箱线图；
2. 同一张图上每个科成绩对应一个箱线；
3. 观察所绘制的箱线图，简单分析一下。

7. 综合练习

1. 读取lianjia.csv，按照一下要求绘图；
2. 使用一个Figure绘制3张图；
3. 绘制条形图，x轴数据为行政区（Region），y轴数据为各个区平均每平米的单价；
4. 绘制箱线图，x轴数据为行政区（Region），y轴数据为每平米的单价；
5. 绘制swarm图，x轴数据为行政区（Region），y轴数据为每平米的单价；
6. 使用FacetGrid绘制尺寸与单元的关系图，需要区分是否有电梯。

Exercise Requirements

1. 根据一份开源零售数据，编写Python代码求解。分别调用mlxtend的apriori模块（或efficient-apriori）实现Apriori算法，以及调用mlxtend的fp-growth模块（或pyfpgrowth）实现FP-Growth算法。

1. 设定一组不同的最小支持度阈值（例如：0.01、0.05、0.1、0.2）；
2. 记录两种算法在不同阈值下的运行时间和峰值内存消耗（内存消耗选做）；
3. 绘制”支持度阈值-运行时间“的折线对比图；
4. 深度分析报告，回答一下问题：
   1. 当最小支持度阈值极低时，哪个算法的性能下降更剧烈？为什么？
   2. 结合Apriori的”候选集生成“与FP-Growth的”FP-Tree“数据结构，从时间复杂度和空间复杂度的角度解释实验观察到的现象。

数据集：https://archive.ics.uci.edu/dataset/352/online+retail

2. 根据一份“城市交通记录”的开源数据，编写Python代码。

1. 数据离散化与转换，关联规则算法无法直接处理连续值，要求将数值型或连续型特征进行离散化。
   1. 将时间离散为“早高峰、晚高峰、平峰”；
   2. 将空间离散为“商业区道路、住宅区道路、高架桥”。
2. 设置合理的最小支持度和置信度，挖掘导致 “重度拥堵”的频繁项集。
3. 业务洞察 (Business Insight)：
   1. 挑选出 3 条具有极高现实指导意义的关联规则（例如：{雨天, 晚高峰, 高架桥} => {重度拥堵}）。
   2. 假设你是城市交通管理部门的顾问，基于这 3 条规则，提出具体的交通疏导或预警系统优化建议。

数据集位置：https://www.nyc.gov/site/tlc/about/tlc-trip-record-data.page

Exercise Requirements

一、假设我们有一个简化的二维空间数据集，用于对地块类型进行分类。已知有5个样本点及其分类（A代表“建设用地”，B代表“林地”）：

现在有一个未知分类的新地块点 X: (3, 2)。

1. 请使用欧式距离（保留两位小数），计算点X到所有已知样本点的距离。
2. 当K=1时，点X被分类为什么类别？
3. 当K=3时，点X被分类为什么类别？
4. 简述在实际工程中，如果K值取值过小（例如K=1）或过大（例如接近样本总数），分别会导致模型出现什么问题？

二、下表是一个关于“是否适合开展户外测绘作业”的简化数据集：

1. 请计算该数据集在未划分前，目标变量“是否适合作业”的系统信息熵H(Play)。（注：公式中对数底数取 2）

2. 请分别计算以“天气状况”和“风力”作为划分特征时的条件熵H(Play

   Weather) 和H(Play

   Wind)。

3. 根据计算结果，求出哪个特征的信息增益更大？在构建决策树的根节点时，应该选择哪个特征？