本篇内容主要讲解“如何用Numpy分析各类用户占比”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“如何用Numpy分析各类用户占比”吧!

创新互联公司专注为客户提供全方位的互联网综合服务，包含不限于成都网站制作、网站建设、外贸网站建设、翔安网络推广、成都小程序开发、翔安网络营销、翔安企业策划、翔安品牌公关、搜索引擎seo、人物专访、企业宣传片、企业代运营等，从售前售中售后，我们都将竭诚为您服务，您的肯定，是我们大的嘉奖；创新互联公司为所有大学生创业者提供翔安建站搭建服务，24小时服务热线：13518219792，官方网址：www.cdcxhl.com

分析目标

观察上次的数据，数据中有的数据有会员与非会员两种用户类别。
这次我们主要分析一下两种类别用户在数据中占比。

数据读取与数据清洗

根据流程示意图我们主要遵循下面几个步骤：

此处代码为：

# 数据读取，数据清洗
def read_clean_data():
    clndata_arr_list = []
    for data_filename in data_filenames:
        file = os.path.join(data_path, data_filename)
        data_arr = np.loadtxt(file, skiprows=1, delimiter=',', dtype=bytes).astype(str)
        cln_arr = np.core.defchararray.replace(data_arr[:, -1], '"', '')
        cln_arr = cln_arr.reshape(-1,1)
        clndata_arr_list.append(cln_arr)
    year_cln_arr = np.concatenate(clndata_arr_list)
    return year_cln_arr

这里需要注意两点：

• 因为数据较大，我们没有数据文件具体数据量，所以在使用numpy.reshape时我们可以使用numpy.reshape(-1,1)这样numpy可以使用统计后的具体数值替换-1。

• 我们对数据的需求不再是获取时间的平均值，只需获取数据最后一列并使用concatenate方法堆叠到一起以便下一步处理。

数据分析

根据这次的分析目标，我们取出最后一列Member type。

在上一步我们已经获取了全部的数值，在本部只需筛选统计出会员与非会员的数值就可以了。

我们可以先看下完成后的这部分代码：

# 数据分析
def mean_data(year_cln_arr):
    member = year_cln_arr[year_cln_arr == 'Member'].shape[0]
    casual = year_cln_arr[year_cln_arr == 'Casual'].shape[0]
    users = [member,casual]
    print(users)
    return users

同样，这里使用numpy.shape获取用户分类的具体数据。

结果展示

生成的饼图：

下面是生成饼图的代码：

# 结果展示
plt.figure()
    plt.pie(users, labels=['Member', 'Casual'], autopct='%.2f%%', shadow=True, explode=(0.05, 0))
    plt.axis('equal')
    plt.tight_layout()
    plt.savefig(os.path.join(output_path, './piechart.png'))
    plt.show()

到此，相信大家对“如何用Numpy分析各类用户占比”有了更深的了解，不妨来实际操作一番吧！这里是创新互联网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！

当前名称：如何用Numpy分析各类用户占比-创新互联
本文来源：http://hbruida.cn/article/degesd.html