import numpy as np import matplotlib.pyplot as plt import pandas as pd dataset = pd.read_csv('E:\Program Files (x86)\Apriori-Association-Rules-main\Market_Basket_Optimisation.csv', header = None) print(dataset)运行后,用条形图显示各类商品的累计购买量应该如何写代码

时间: 2024-03-13 20:48:20 浏览: 29
你可以按照以下步骤绘制条形图: 1. 统计每种商品被购买的次数。 2. 对商品按照购买次数进行排序。 3. 取出前十个购买次数最多的商品。 4. 使用 Matplotlib 库的 `bar()` 函数绘制条形图。 下面是实现代码: ```python import numpy as np import matplotlib.pyplot as plt import pandas as pd # 读入数据集 dataset = pd.read_csv('E:\Program Files (x86)\Apriori-Association-Rules-main\Market_Basket_Optimisation.csv', header=None) # 统计每种商品被购买的次数 items = {} for row in dataset.values: for item in row: if item not in items: items[item] = 1 else: items[item] += 1 # 对商品按照购买次数进行排序 sorted_items = sorted(items.items(), key=lambda x: x[1], reverse=True) # 取出前十个购买次数最多的商品 top_items = sorted_items[:10] # 绘制条形图 plt.bar(range(len(top_items)), [item[1] for item in top_items], tick_label=[item[0] for item in top_items]) plt.show() ``` 该代码会绘制出前十个购买次数最多的商品的条形图,横坐标是商品名称,纵坐标是购买次数。你可以根据需要修改代码中数据集的文件路径、显示的商品数量等参数。

相关推荐

修改一下这段代码在pycharm中的实现,import pandas as pd import numpy as np from sklearn.model_selection import train_test_split import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim #from torchvision import datasets,transforms import torch.utils.data as data #from torch .nn:utils import weight_norm import matplotlib.pyplot as plt from sklearn.metrics import precision_score from sklearn.metrics import recall_score from sklearn.metrics import f1_score from sklearn.metrics import cohen_kappa_score data_ = pd.read_csv(open(r"C:\Users\zhangjinyue\Desktop\rice.csv"),header=None) data_ = np.array(data_).astype('float64') train_data =data_[:,:520] train_Data =np.array(train_data).astype('float64') train_labels=data_[:,520] train_labels=np.array(train_data).astype('float64') train_data,train_data,train_labels,train_labels=train_test_split(train_data,train_labels,test_size=0.33333) train_data=torch.Tensor(train_data) train_data=torch.LongTensor(train_labels) train_data=train_data.reshape(-1,1,20,26) train_data=torch.Tensor(train_data) train_data=torch.LongTensor(train_labels) train_data=train_data.reshape(-1,1,20,26) start_epoch=1 num_epoch=1 BATCH_SIZE=70 Ir=0.001 classes=('0','1','2','3','4','5') device=torch.device("cuda"if torch.cuda.is_available()else"cpu") torch.backends.cudnn.benchmark=True best_acc=0.0 train_dataset=data.TensorDataset(train_data,train_labels) test_dataset=data.TensorDataset(train_data,train_labels) train_loader=torch.utills.data.DataLoader(dtaset=train_dataset,batch_size=BATCH_SIZE,shuffle=True) test_loader=torch.utills.data.DataLoader(dtaset=train_dataset,batch_size=BATCH_SIZE,shuffle=True)

将冒号后面的代码改写成一个nn.module类:import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import Dense, LSTM data1 = pd.read_csv("终极1.csv", usecols=[17], encoding='gb18030') df = data1.fillna(method='ffill') data = df.values.reshape(-1, 1) scaler = MinMaxScaler(feature_range=(0, 1)) data = scaler.fit_transform(data) train_size = int(len(data) * 0.8) test_size = len(data) - train_size train, test = data[0:train_size, :], data[train_size:len(data), :] def create_dataset(dataset, look_back=1): dataX, dataY = [], [] for i in range(len(dataset)-look_back-1): a = dataset[i:(i+look_back), 0] dataX.append(a) dataY.append(dataset[i + look_back, 0]) return np.array(dataX), np.array(dataY) look_back = 30 trainX, trainY = create_dataset(train, look_back) testX, testY = create_dataset(test, look_back) trainX = np.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1])) testX = np.reshape(testX, (testX.shape[0], 1, testX.shape[1])) model = Sequential() model.add(LSTM(50, input_shape=(1, look_back), return_sequences=True)) model.add(LSTM(50)) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer='adam') model.fit(trainX, trainY, epochs=6, batch_size=1, verbose=2) trainPredict = model.predict(trainX) testPredict = model.predict(testX) trainPredict = scaler.inverse_transform(trainPredict) trainY = scaler.inverse_transform([trainY]) testPredict = scaler.inverse_transform(testPredict) testY = scaler.inverse_transform([testY])

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.preprocessing import MinMaxScalerfrom keras.models import Sequentialfrom keras.layers import Dense, LSTM# 读取数据dataset = pd.read_csv('wind_speed.csv', header=0, index_col=0)dataset.index = pd.to_datetime(dataset.index)dataset = dataset.resample('H').mean()# 数据预处理scaler = MinMaxScaler(feature_range=(0, 1))dataset_scaled = scaler.fit_transform(dataset)# 创建训练集和测试集train_size = int(len(dataset_scaled) * 0.8)test_size = len(dataset_scaled) - train_sizetrain, test = dataset_scaled[0:train_size, :], dataset_scaled[train_size:len(dataset_scaled), :]# 创建数据集def create_dataset(dataset, look_back): dataX, dataY = [], [] for i in range(len(dataset)-look_back-1): a = dataset[i:(i+look_back), 0] dataX.append(a) dataY.append(dataset[i + look_back, 0]) return np.array(dataX), np.array(dataY)look_back = 24trainX, trainY = create_dataset(train, look_back)testX, testY = create_dataset(test, look_back)# 调整数据维度trainX = np.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1))testX = np.reshape(testX, (testX.shape[0], testX.shape[1], 1))# 创建LSTM模型model = Sequential()model.add(LSTM(50, input_shape=(look_back, 1)))model.add(Dense(1))model.compile(loss='mean_squared_error', optimizer='adam')model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)# 预测数据trainPredict = model.predict(trainX)testPredict = model.predict(testX)# 反转数据缩放trainPredict = scaler.inverse_transform(trainPredict)trainY = scaler.inverse_transform([trainY])testPredict = scaler.inverse_transform(testPredict)testY = scaler.inverse_transform([testY])# 绘制预测结果plt.plot(trainY[0], label='Train Data')plt.plot(trainPredict[:,0], label='Predicted Train Data')plt.plot(testY[0], label='Test Data')plt.plot(testPredict[:,0], label='Predicted Test Data')plt.legend(loc='best')plt.show()

最新推荐

recommend-type

tensorflow-2.8.4-cp38-cp38-win-amd64.whl

transformer
recommend-type

cryptography-1.2.1-cp35-none-win_amd64.whl

Python库是一组预先编写的代码模块,旨在帮助开发者实现特定的编程任务,无需从零开始编写代码。这些库可以包括各种功能,如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库,如NumPy、Pandas和Requests,极大地丰富了Python的应用领域,从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径,而且为经验丰富的开发者提供了强大的工具,以高效率、高质量地完成复杂任务。例如,Matplotlib和Seaborn库在数据可视化领域内非常受欢迎,它们提供了广泛的工具和技术,可以创建高度定制化的图表和图形,帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
recommend-type

高分项目,基于Unity3D开发实现的情绪模拟游戏,内含完整源码+资源+unitypackage

高分项目,基于Unity3D开发实现的情绪模拟游戏,内含完整源码+资源+unitypackage 模拟市民是情绪化的生物,而他们的情绪被心情指数牵动着。游戏中的互动能够带给模拟市民不同的心情指数,例如刷牙可能感到薄荷般的清新,置卫生于不顾则会觉得肮脏。各种心情指数都有相关的情绪强度,模拟市民当前的情绪,取决于他们拥有的心情指数。
recommend-type

JD-phone-saledata

销售数据集
recommend-type

(源码分享)跨年烟花表白源代码

无加密本地版,外面很多都是js加密了,或者就是扒的站,css和js都是外部的加载很慢,如果别人的站打不开了,你搭建的也打不开,所以把源码修改了一下,外部文件都保存到本地了。
recommend-type

架构师技术分享 支付宝高可用系统架构 共46页.pptx

支付宝高可用系统架构 支付宝高可用系统架构是支付宝核心支付平台的架构设计和系统升级的结果,旨在提供高可用、可伸缩、高性能的支付服务。该架构解决方案基于互联网与云计算技术,涵盖基础资源伸缩性、组件扩展性、系统平台稳定性、可伸缩、高可用的分布式事务处理与服务计算能力、弹性资源分配与访问管控、海量数据处理与计算能力、“适时”的数据处理与流转能力等多个方面。 1. 可伸缩、高可用的分布式事务处理与服务计算能力 支付宝系统架构设计了分布式事务处理与服务计算能力,能够处理高并发交易请求,确保系统的高可用性和高性能。该能力基于互联网与云计算技术,能够弹性地扩展计算资源,满足业务的快速增长需求。 2. 弹性资源分配与访问管控 支付宝系统架构设计了弹性资源分配与访问管控机制,能够根据业务需求动态地分配计算资源,确保系统的高可用性和高性能。该机制还能够提供强大的访问管控功能,保护系统的安全和稳定性。 3. 海量数据处理与计算能力 支付宝系统架构设计了海量数据处理与计算能力,能够处理大量的数据请求,确保系统的高性能和高可用性。该能力基于互联网与云计算技术,能够弹性地扩展计算资源,满足业务的快速增长需求。 4. “适时”的数据处理与流转能力 支付宝系统架构设计了“适时”的数据处理与流转能力,能够实时地处理大量的数据请求,确保系统的高性能和高可用性。该能力基于互联网与云计算技术,能够弹性地扩展计算资源,满足业务的快速增长需求。 5. 安全、易用的开放支付应用开发平台 支付宝系统架构设计了安全、易用的开放支付应用开发平台,能够提供强大的支付应用开发能力,满足业务的快速增长需求。该平台基于互联网与云计算技术,能够弹性地扩展计算资源,确保系统的高可用性和高性能。 6. 架构设计理念 支付宝系统架构设计基于以下几点理念: * 可伸缩性:系统能够根据业务需求弹性地扩展计算资源,满足业务的快速增长需求。 * 高可用性:系统能够提供高可用性的支付服务,确保业务的连续性和稳定性。 * 弹性资源分配:系统能够根据业务需求动态地分配计算资源,确保系统的高可用性和高性能。 * 安全性:系统能够提供强大的安全功能,保护系统的安全和稳定性。 7. 系统架构设计 支付宝系统架构设计了核心数据库集群、应用系统集群、IDC数据库交易系统账户系统V1LB、交易数据库账户数据库业务一致性等多个组件。这些组件能够提供高可用性的支付服务,确保业务的连续性和稳定性。 8. 业务活动管理器 支付宝系统架构设计了业务活动管理器,能够控制业务活动的一致性,确保业务的连续性和稳定性。该管理器能够登记业务活动中的操作,并在业务活动提交时确认所有的TCC型操作的confirm操作,在业务活动取消时调用所有TCC型操作的cancel操作。 9. 系统故障容忍度高 支付宝系统架构设计了高可用性的系统故障容忍度,能够在系统故障时快速恢复,确保业务的连续性和稳定性。该系统能够提供强大的故障容忍度,确保系统的安全和稳定性。 10. 系统性能指标 支付宝系统架构设计的性能指标包括: * 系统可用率:99.992% * 交易处理能力:1.5万/秒 * 支付处理能力:8000/秒(支付宝账户)、2400/秒(银行) * 系统处理能力:处理每天1.5亿+支付处理能力 支付宝高可用系统架构设计了一个高可用、高性能、可伸缩的支付系统,能够满足业务的快速增长需求,确保业务的连续性和稳定性。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

Matlab画图线型实战:3步绘制复杂多维线型,提升数据可视化效果

![Matlab画图线型实战:3步绘制复杂多维线型,提升数据可视化效果](https://file.51pptmoban.com/d/file/2018/10/25/7af02d99ef5aa8531366d5df41bec284.jpg) # 1. Matlab画图基础 Matlab是一款强大的科学计算和数据可视化软件,它提供了一系列用于创建和自定义图形的函数。本章将介绍Matlab画图的基础知识,包括创建画布、绘制线型以及设置基本属性。 ### 1.1 创建画布 在Matlab中创建画布可以使用`figure`函数。该函数创建一个新的图形窗口,并返回一个图形句柄。图形句柄用于对图形进
recommend-type

基于R软件一个实际例子,实现空间回归模型以及包括检验和模型选择(数据集不要加州的,附代码和详细步骤,以及数据)

本文将使用R软件和Boston房价数据集来实现空间回归模型,并进行检验和模型选择。 数据集介绍: Boston房价数据集是一个观测500个社区的房屋价格和其他16个变量的数据集。每个社区的数据包含了包括犯罪率、房产税率、学生-老师比例等特征,以及该社区的房价中位数。该数据集可用于探索房价与其他变量之间的关系,以及预测一个新社区的房价中位数。 数据集下载链接:https://archive.ics.uci.edu/ml/datasets/Housing 1. 导入数据集和必要的包 ```r library(spdep) # 空间依赖性包 library(ggplot2) # 可
recommend-type

WM9713 数据手册

WM9713 数据手册 WM9713 是一款高度集成的输入/输出设备,旨在为移动计算和通信应用提供支持。下面是 WM9713 的详细知识点: 1. 设备架构:WM9713 采用双 CODEC 运算架构,支持 Hi-Fi 立体声编解码功能通过 AC 链接口,同时还支持语音编解码功能通过 PCM 类型的同步串行端口(SSP)。 2. 音频功能:WM9713 提供了一个第三个 AUX DAC,可以用于生成监督音、铃声等不同采样率的音频信号,独立于主编解码器。 3. 触摸面板接口:WM9713 可以直接连接到 4 线或 5 线触摸面板,减少系统中的总组件数量。 4. 音频连接:WM9713 支持多种音频连接方式,包括立体声麦克风、立体声耳机和立体声扬声器。且可以使用无电容连接到耳机、扬声器和耳机,减少成本和 PCB 面积。 5. 模拟输入/输出:WM9713 提供了多个模拟输入和输出引脚,用于无缝集成与模拟连接的无线通信设备。 6. 设备控制:所有设备功能都可以通过寄存器访问来控制,实现了灵活的设备管理和配置。 7. 功率管理:WM9713 采用低功率设计,降低系统的功率消耗,提高系统的可靠性和续航能力。 8. 工业应用:WM9713 广泛应用于移动计算、通信、消费电子等领域,满足不同行业的需求和应用场景。 9. 技术参数:WM9713 的技术参数包括工作温度、供电电压、时钟频率、数据传输速率等,满足不同应用场景的需求。 10. 应用场景:WM9713 可以应用于智能手机、平板电脑、笔记本电脑、智能家居设备等移动计算和通信产品,满足不同行业的需求和应用场景。 WM9713 是一款功能强大、灵活性高的输入/输出设备,广泛应用于移动计算和通信领域,为不同行业的应用场景提供了可靠的解决方案。