不要使用pandas库

很好，如果不使用pandas库，我们可以使用Python内置的列表和字典来进行数据分析。列表可以用来存储一维数据，字典可以用来存储二维数据。但是需要注意的是，使用这种方法进行数据分析可能会比较繁琐，需要手动编写很多代码来完成一些pandas库中已经封装好的功能。因此，如果需要进行大规模的数据分析，建议还是使用pandas库。

相关问题

我想写一份实验报告。实验目的是：掌握特征数据类型的应用，掌握文件的应用，使用matplotlib绘制图形，具备解决实际生活或专业问题的能力。实验内容需要包括：使用的工具软件及环境、问题描述、算法设计、代码、实验收获。请给我写一份实验报告，不要使用研究天气数据和人口普查的问题。我需要代码简单易懂初级。请不要使用pandas库导入数据。

好的，以下是一份实验报告，其中实验内容为使用 Python 语言掌握特征数据类型的应用，掌握文件的应用，使用 matplotlib 绘制图形，具备解决实际生活或专业问题的能力。

## 1. 实验目的

本实验的主要目的是帮助学生掌握以下技能：

- 掌握特征数据类型的应用。
- 掌握文件的应用。
- 使用 matplotlib 绘制图形。
- 具备解决实际生活或专业问题的能力。

## 2. 实验环境和工具

本实验使用 Python 语言作为编程语言，使用 Anaconda 作为 Python 的集成开发环境。Anaconda 集成了许多常用的 Python 库，如 numpy、pandas、matplotlib 等。本实验使用的 Python 版本为 3.7.6。

## 3. 问题描述

本实验的问题是：根据某超市一周的销售数据，分析销售情况并绘制相应的图表。

## 4. 算法设计

本实验的算法设计如下：

1. 读取文件：使用 Python 内置的 open() 函数读取超市一周的销售数据文件。
2. 数据清洗：对数据进行清洗，去除不合法的数据，比如负数。
3. 数据分析：对数据进行分析，计算各个商品的销售量、销售额、平均售价等指标。
4. 数据可视化：使用 matplotlib 绘制各个商品的销售量、销售额、平均售价等图表，分析销售情况。

## 5. 代码实现

以下是实现本实验的代码：

import matplotlib.pyplot as plt

# 读取文件
with open('sales_data.txt', 'r') as f:
    lines = f.readlines()

# 数据清洗
data = []
for line in lines:
    sales, price = line.strip().split(',')
    if float(sales) > 0 and float(price) > 0:
        data.append((float(sales), float(price)))

# 数据分析
sales_by_item = {}
revenue_by_item = {}
for sales, price in data:
    if price not in sales_by_item:
        sales_by_item[price] = sales
        revenue_by_item[price] = sales * price
    else:
        sales_by_item[price] += sales
        revenue_by_item[price] += sales * price

avg_price_by_item = {}
for price in sales_by_item:
    avg_price_by_item[price] = revenue_by_item[price] / sales_by_item[price]

# 数据可视化
plt.figure(figsize=(12, 4))

plt.subplot(1, 3, 1)
plt.bar(sales_by_item.keys(), sales_by_item.values())
plt.title('Sales by Item')

plt.subplot(1, 3, 2)
plt.bar(revenue_by_item.keys(), revenue_by_item.values())
plt.title('Revenue by Item')

plt.subplot(1, 3, 3)
plt.bar(avg_price_by_item.keys(), avg_price_by_item.values())
plt.title('Average Price by Item')

plt.show()

## 6. 实验收获

本实验通过分析超市一周的销售数据，帮助学生掌握了 Python 内置的文件读取和数据清洗方法，以及使用 matplotlib 绘制图表的方法，提高了学生的数据分析和可视化能力。同时，本实验也让学生具备了解决实际生活或专业问题的能力。

我想写一份实验报告。实验目的是：掌握特征数据类型的应用，掌握文件的应用，使用matplotlib绘制图形，具备解决实际生活或专业问题的能力。实验内容需要包括：问题描述、算法设计、代码、实验收获。请给我写一份实验报告。另外，请不要使用pandas库导入数据。

好的，下面是我为你撰写的实验报告。

实验目的：
本次实验的目的是帮助学生掌握特征数据类型的应用，掌握文件的应用，使用matplotlib绘制图形，具备解决实际生活或专业问题的能力。

问题描述：
本次实验选择分析人口普查数据，并通过绘制图表展示出不同年龄段、性别、职业等因素对收入水平的影响。具体而言，我们要回答以下问题：

1. 各年龄段人口占比分布图
2. 不同性别的收入水平对比图
3. 不同职业的收入水平对比图

算法设计：
在本次实验中，我们将手动读取数据并进行数据清洗和处理，然后使用Matplotlib库绘制各种图表来展示数据。

代码：
以下是本次实验的代码实现：

import matplotlib.pyplot as plt

# 读取数据
with open('population.txt', 'r', encoding='utf-8') as f:
    lines = f.readlines()

# 数据清洗和处理
data = []
for line in lines:
    line = line.strip()
    if not line:
        continue
    fields = line.split(',')
    age = fields[0]
    sex = fields[1]
    job = fields[2]
    income = fields[3]
    count = int(fields[4])
    data.append((age, sex, job, income, count))

# 统计年龄段人口占比
age_data = {}
total_count = 0
for item in data:
    age = item[0]
    count = item[4]
    total_count += count
    if age in age_data:
        age_data[age] += count
    else:
        age_data[age] = count

labels = age_data.keys()
sizes = [age_data[label] for label in labels]
explode = [0.1 if label == '25-34' else 0 for label in labels]
plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', startangle=90)
plt.axis('equal')
plt.title('各年龄段人口占比分布图')
plt.show()

# 统计不同性别的收入水平对比
sex_data = {}
for item in data:
    sex = item[1]
    income = item[3]
    count = item[4]
    if sex not in sex_data:
        sex_data[sex] = {}
    if income in sex_data[sex]:
        sex_data[sex][income] += count
    else:
        sex_data[sex][income] = count

labels = sex_data['男'].keys()
men_sizes = [sex_data['男'][label] for label in labels]
women_sizes = [sex_data['女'][label] for label in labels]
x = range(len(labels))
width = 0.35
fig, ax = plt.subplots()
ax.bar(x - width/2, men_sizes, width, label='男')
ax.bar(x + width/2, women_sizes, width, label='女')
ax.set_xticks(x)
ax.set_xticklabels(labels)
ax.legend()
plt.title('不同性别的收入水平对比图')
plt.show()

# 统计不同职业的收入水平对比
job_data = {}
for item in data:
    job = item[2]
    income = item[3]
    count = item[4]
    if job not in job_data:
        job_data[job] = {}
    if income in job_data[job]:
        job_data[job][income] += count
    else:
        job_data[job][income] = count

labels = job_data.keys()
income_levels = ['1-3万', '3-5万', '5-7万', '7-10万', '10万以上']
x = range(len(labels))
width = 0.1
fig, ax = plt.subplots()
for i in range(len(income_levels)):
    income_level = income_levels[i]
    sizes = [job_data[label].get(income_level, 0) for label in labels]
    ax.bar(x + i*width, sizes, width, label=income_level)
ax.set_xticks(x)
ax.set_xticklabels(labels)
ax.legend()
plt.title('不同职业的收入水平对比图')
plt.show()

实验收获：
通过本次实验，我们掌握了特征数据类型的应用和文件的应用，学会了如何手动读取数据并进行数据处理和Matplotlib库进行图表绘制，能够解决实际生活或专业问题。同时，我们也意识到了数据处理和可视化的重要性，这可以帮助我们更好地理解数据并做出更准确的决策。

总之，本次实验为我们提供了一个实践的机会，加深了我们对数据处理和可视化的理解，提高了我们的实际操作能力和解决问题的能力。