Numpy, pandas, visualiseringar & matplotlib

Question 1

Hur installerar man numpy, pandas och matplotlib?

Answer 1

Pip install numpy (pandas, och matplotlib). Om ni har anaconda, bör numpy, pandas och
matplotlib finnas på era datorer.

Question 2

Vad är Numpy och Pandas?

Answer 2

Numpy är ett bibliotek för att hantera och utföra matematiska operationer på stora mängder data. Pandas är ett bibliotek som används för att hantera och analysera tabeller och tidsserier.

Question 3

Vilka datatyper introducerar Numpy och Pandas?

Answer 3

Numpy introducerar array, som kan vara flerdimensionell. Pandas introducerar DataFrame, som är en tvådimensionell tabell med rader och kolumner.

Question 4

Vad är en Numpy array?

Answer 4

En Numpy array är en flerdimensionell datatyp som kan innehålla numeriska data. Den är mycket mer flexibel än vanliga Python-listor.

Question 5

Hur skapar du en Numpy array?

Answer 5

Du kan skapa en Numpy array med np.array(). Exempel:

first_array = np.array([0, 2, 4])

Question 6

Hur ser en tvådimensionell Numpy array ut?

Answer 6

En tvådimensionell Numpy array ser ut som en matris eller tabell. Exempel:

second_array = np.array([[0, 2, 4], [5, 3, 1]])

Question 7

Hur fungerar indexering i Numpy?

Answer 7

Du kan plocka ut data från en Numpy array genom att använda index. Exempel:

my_array[1:3] # Ger elementen på position 1 och 2

Question 8

Vad gör np.shape?

Answer 8

np.shape ger storleken på en Numpy array i form av dess dimensioner. Exempel:

np.shape(second_array) # Output: (2, 3)

Question 9

Hur gör du matematiska operationer på en Numpy array?

Answer 9

Du kan utföra operationer direkt på hela arrayen, t.ex. addera ett värde till varje element:

my_array + 3 # Adderar 3 till varje element i arraye

Question 9

Hur skapar du en array fylld med nollor?

Answer 9

Du kan använda np.zeros() för att skapa en array fylld med nollor. Exempel:

zeros_2d = np.zeros([3, 6])

Question 10

Vad gör np.mean och np.sum?

Answer 10

np.mean beräknar medelvärdet av en array, och np.sum beräknar summan av alla element. Exempel:

np.mean(my_array)
np.sum(my_array)

Question 11

Hur beräknar du medelvärdet av en Numpy array längs en viss axis?

Answer 11

Du kan använda np.mean() med argumentet axis för att beräkna medelvärdet längs en specifik dimension. Exempel:
my_2d_array = np.array([[20, 30, 40], [10, 10, 20]])
np.mean(my_2d_array, axis=0)

# Beräknar medelvärdet längs raderna (kolumnvis)
# Output: array([15., 20., 30.])

np.mean(my_2d_array, axis=1)

Beräknar medelvärdet längs kolumnerna (radvis)
# Output: array([30., 13.33333333])

Question 12

Hur beräknar du summan av en Numpy array längs en viss axis?

Answer 12

Du kan använda np.sum() med argumentet axis för att summera värden längs en specifik dimension. Exempel:

my_2d_array = np.array([[20, 30, 40], [10, 10, 20]])
np.sum(my_2d_array, axis=0)

Summerar längs raderna (kolumnvis)
# Output: array([30, 40, 60])

np.sum(my_2d_array, axis=1)
# Summerar längs kolumnerna (radvis)
# Output: array([90, 40])

Question 13

Vad gör np.arange i Numpy?

Answer 13

np.arange() skapar en array av siffror från ett startvärde till ett slutvärde med ett visst intervall. Exempel:

np.arange(0, 10)
# Skapar array från 0 till 9
# Output: array
([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.arange(-1, 1.01, 0.25)
# Skapar array från -1 till 1 med steg om 0.25
# Output: array
([-1. , -0.75, -0.5 , -0.25, 0. , 0.25, 0.5 , 0.75, 1. ])

Question 14

Hur hittar du det minsta och största värdet i en Numpy array?

Answer 14

Du kan använda np.min() och np.max() för att hitta det minsta respektive största värdet i en array. Exempel:

my_2d_array = np.array([[0, 1, 2, 3, 4], [10, 11, 12, 13, 10], [30, 43, 11, 50, 30]])
min_val = np.min(my_2d_array)
max_val = np.max(my_2d_array)
# Output: Min: 0, Max: 50

Question 15

Hur hittar du index för det största och minsta värdet i en Numpy array?

Answer 15

Output: Min index: 0, Max index: 13

np.argmax() och np.argmin() ger indexet för det största respektive minsta värdet i arrayen. Exempel:

argmin_val = np.argmin(my_2d_array)
argmax_val = np.argmax(my_2d_array)

Question 16

Varför Numpy?

Answer 16

Numpy är så grundläggande för så mycket inom dataanalys, AI och maskininlärning inom python.
Många packages är beroende av det och har numpy (t.ex. använder sig av numpy arrays).
Grundläggande förståelse av numpy hjälper att förstå andra verktyg (som pandas).

Question 17

Sammanfattning Numpy

Answer 17

Numpy - sammanfattning
10 funktioner:
np.array, np.shape, np.arange, np.zeros, np.mean, np.sum, np.min, np.max,
np.argmin, np.argmax
Många matematiska operationer och indicering möjligheter med numpy.
Argument: axis.
Viktig argument för många numpy funktioner

Question 18

Vad är en Pandas DataFrame?

Answer 18

En Pandas DataFrame är en tvådimensionell tabell som innehåller data organiserad i rader och kolumner. Den kan innehålla olika typer av data, såsom siffror och strängar.

Question 19

Hur skapar du en Pandas DataFrame?

Answer 19

Du skapar en DataFrame genom att använda pd.DataFrame() och skicka in en ordlista där nycklarna är kolumnnamn och värdena är listor med data. Exempel:

df = pd.DataFrame(data={
‘name’: [‘Ashley’, ‘Blake’, ‘Casey’, ‘Dylon’],
‘study_hours’: [30, 35, 40, 10],
‘points_exam’: [20, 15, 22, 14],
‘grade’: [‘VG’, ‘G’, ‘VG’, ‘G’]
})

Question 20

Vilka komponenter består en DataFrame av?

Answer 20

En DataFrame består av:
Kolumner (df.columns): Namnen på kolumnerna.

Rader (df.index): Numrerade eller etiketterade rader.

Värden (df.values): Själva datan i tabellen.

Question 21

Hur visar du kolumnerna i en DataFrame?

Answer 21

Output: Index([‘name’, ‘study_hours’, ‘points_exam’, ‘grade’], dtype =’object’)

Använd df.columns för att visa kolumnnamnen i DataFrame. Exempel:

print(df.columns)
# Output: Index([‘name’, ‘study_hours’, ‘points_exam’, ‘grade’], dtype=’object’)

Question 22

Hur visar du raderna i en DataFrame?

Answer 22

Output: RangeIndex(start=0, stop=4, step=1)

Använd df.index för att visa indexen för raderna i DataFrame. Exempel:

print(df.index)
# Output: RangeIndex(start=0, stop=4, step=1)

Question 23

Hur visar du alla värden i en DataFrame?

Answer 23

Använd df.values för att visa alla värden i DataFrame som en Numpy array. Exempel:
print(df.values)
# Output:
# array([[‘Ashley’, 30, 20, ‘VG’],
# [‘Blake’, 35, 15, ‘G’],
# [‘Casey’, 40, 22, ‘VG’],
# [‘Dylon’, 10, 14, ‘G’]], dtype=object)

Question 24

Hur får du tillgång till data i en specifik kolumn i en DataFrame?

Answer 24

Använd df[‘column_name’] för att få tillgång till data i en specifik kolumn. Exempel:

print(df[‘name’])
# Output:
# 0 Ashley
# 1 Blake
# 2 Casey
# 3 Dylon
# Name: name, dtype: object

Question 25

Hur får du tillgång till data i en specifik rad i en DataFrame?

Answer 25

Använd df.iloc[index] för att få tillgång till en rad baserat på dess index. Exempel:

python
Copy code
print(df.iloc[1])
# Output:
# name Blake
# study_hours 35
# points_exam 15
# grade G
# Name: 1, dtype: object

Question 26

Hur läser du in en CSV-fil till en DataFrame?

Answer 26

Använd pd.read_csv(‘filnamn.csv’) för att läsa in en CSV-fil och skapa en DataFrame från den. Exempel:

df_csv = pd.read_csv(‘file.csv’)

Question 27

Hur läser du in en Excel-fil till en DataFrame?

Answer 27

Använd pd.read_excel(‘filnamn.xlsx’) för att läsa in en Excel-fil och skapa en DataFrame från den. Exempel:

df_excel = pd.read_excel(‘file.xlsx’)

Question 28

Vad är en csv fil?

Answer 28

En text fil där varje rad är en ny rad och varje column sepereras med ett kommatecken (comma seperated values).
col1, col2, col3
1, 2, 3
5, 6, 7

Question 29

Hur kan du använda Numpy-metoder på en DataFrame?

Answer 29

Du kan använda Numpy-metoder som mean() och sum() på en DataFrame för att få statistiska värden. Exempel:

print(df.mean())
# Output:
# study_hours 28.75
# points_exam 17.75
# dtype: float64

Question 30

Hur visar du de första raderna i en DataFrame?

Answer 30

Output:

Använd df.head(n) för att visa de första n raderna i DataFrame. Exempel:

print(df.head(3))
# name study_hours points_exam grade
# 0 Ashley 30 20 VG
# 1 Blake 35 15 G
# 2 Casey 40 22 VG

Question 31

Hur får du beskrivande statistik om en DataFrame?

Answer 31

Använd df.describe() för att få en översikt över beskrivande statistik för DataFrame, såsom medelvärden och standardavvikelser. Exempel:

print(df.describe())
# Output:
# study_hours points_exam
# count 4.000000 4.00000
# mean 28.750000 17.75000
# std 13.149778 3.86221
# min 10.000000 14.00000
# 25% 25.000000 14.75000
# 50% 32.500000 17.50000
# 75% 36.250000 20.50000
# max 40.000000 22.00000

Question 32

Hur grupperar du data i en DataFrame?

Answer 32

Använd df.groupby(‘column’) för att gruppera data baserat på en kolumn och sedan utföra beräkningar på varje grupp. Exempel:

grouped_df = df.groupby(‘grade’).mean()
print(grouped_df)
# Output:
# study_hours points_exam
# grade
# G 22.5 14.5
# VG 35.0 21.0

Question 33

Hur sparar du en DataFrame till en CSV- eller Excel-fil?

Answer 33

Använd df.to_csv(‘output.csv’) eller df.to_excel(‘output.xlsx’) för att spara DataFrame till en fil. Exempel:

df.to_csv(‘output.csv’)
df.to_excel(‘output.xlsx’)

Question 34

Vilka är några viktiga Pandas-funktioner att känna till?

Answer 34

pd.DataFrame(): Skapa en DataFrame.
df.columns, df.index, df.values: Visa DataFrames komponenter.
df[‘column’], df.iloc[index]: Få tillgång till kolumn- och raddata.
pd.read_csv(), df.to_csv(), df.to_excel(): Läsa in och spara data.
df.describe(), df.head(), df.groupby(): Få statistisk information och gruppera data.

Question 35

Varför är visualiseringar viktiga?

Answer 35

Visualiseringar är ett effektivt sätt att kommunicera komplex information, upptäcka nya insikter, och har blivit populärt inom journalistik. De är ofta det första vi tittar på när vi analyserar data.

Question 36

Varför är visualiseringar viktiga i en programmeringskurs?

Answer 36

Att visualisera komplexa data är relativt enkelt med många programmeringsspråk, och det gäller både statiska och interaktiva figurer.

Question 37

Vilka typer av visualiseringar är vanliga?

Answer 37

Vanliga visualiseringar inkluderar histogram, linjediagram, scatterplots, stapeldiagram och boxplots. Varje typ är lämplig för att visa olika typer av data och mönster. Olika typer av visualiseringar kan vara mer lämplig i olika situationer. Visa informationen om eller relationen variabler. Målet är att kommunicera

Question 38

Vad visar ett histogram?

Answer 38

Ett histogram visar frekvensen av data inom olika intervall. X-axeln representerar intervallen, och Y-axeln visar frekvensen.

Question 39

Vad används ett linjediagram (line plot) till?

Answer 39

Linjediagram används för att visualisera trender och mönster över tid eller kontinuerliga värden.

Question 40

Vad visar ett scatterplot?

Answer 40

Ett scatterplot visar sambandet mellan två variabler och används för att identifiera korrelationer eller mönster. Varje punkt representerar ett par av värden.

Question 41

Vad visar ett stapeldiagram (bar plot)?

Answer 41

Ett stapeldiagram visar antal eller frekvens för olika kategorier. Det används för att jämföra värden över olika grupper eller kategorier.

Question 42

Vad visar ett boxplot?

Answer 42

Ett boxplot visar fördelningen av data, inklusive median, kvartiler (IQR), och eventuella outliers. Det ger en visuell sammanfattning av flera variablers statistik.

Question 43

Vad är “chartjunk”?

Answer 43

: Chartjunk är onödiga eller vilseledande grafiska element i en visualisering, som t.ex. 3D-effekter, som gör det svårare att förstå datan.

Question 44

Vilka är de viktigaste aspekterna att tänka på i en visualisering?

Answer 44

Tydliga axellabels för att förklara variablerna.
Lättförståeliga skalor och enheter.
Undvik chartjunk.
Använd färger för att förstärka budskapet.

Question 45

Vad är Matplotlib?

Answer 45

Matplotlib är ett standard Python-paket för att skapa visualiseringar. Det används för att skapa figurer som linjediagram, scatterplots, stapeldiagram, histogram, och boxplots.

Question 46

Importera matplotlib?

Answer 46

import matplotlib.pyplot as plt

import numpy as np
import pandas as pd

Question 47

Hur skapar du en figur med Matplotlib?

Answer 47

Du kan skapa en figur med plt.figure() och lägga till en axel med fig.add_subplot(). Alternativt kan du använda plt.subplots() för att skapa en figur med en eller flera axlar. Exempel:

fig = plt.figure()
ax = fig.add_subplot()
eller

fig, ax = plt.subplots()

Question 47

Det finns några olika sätt att skapa figurer. Vilka två sätt?

Answer 47

fig
Figuren i allmänt.
ax
Axis. Innehållet.
Det är möjligt att ha flera ax (flera subfigurer) i en fig
object

Question 48

Hur skapar du en figur med flera axlar i Matplotlib?

Answer 48

Använd plt.subplots(rows, cols) för att skapa en figur med flera axlar. Varje axel kan nås genom att använda index. Exempel:

fig, ax = plt.subplots(2, 3)
# Skapar en figur med 2 rader och 3 kolumner av axlar
ax[0, 0] # Refererar till den första axeln