目錄

問題

第一問：

數(shù)據(jù)導入

?(1)pd.read_excel

(2)讀取報錯ImportError: Missing optional dependency 'xlrd'. Install xlrd >= 1.0.0 for Excel support Use pip or conda to install xlrd.

數(shù)據(jù)分析

（1）describe()

組胺：

（1）ValueError: could not convert string to float的解決方法

剩下同理

貼個代碼

結果：?

---

問題

?

第一問：

分析附件Data1.xls里的數(shù)據(jù)可知，顏色的數(shù)據(jù)是用RGB模式表示，即用：紅 、綠、藍三種顏色的數(shù)值，共同得出真實顏色的數(shù)值。通過在網(wǎng)上的查找，可以使用一下公式計算顏色值：

顏色值 = 65536Red+256Green+Blue。然后我有了解了色調和飽和度的概念。
色調：色調是指圖像的相對明暗程度，在彩色圖像上表現(xiàn)為顏色。在rgb中色調越低，顏色更加偏向于紅色。色調越高，顏色更加偏向于藍色。
飽和度：飽和度決定了顏色空間中顏色分量，飽和度越高，說明顏色越深，飽和度越低，說明顏色越淺。

R方：確定系數(shù)，是通過數(shù)據(jù)的變化來表征一個擬合的好壞。由上面的表達式可以知道“確定系數(shù)”的正常取值范圍為[0 1]，越接近1，表明方程的變量對y的解釋能力越強，這個模型對數(shù)據(jù)擬合的也較好.

首先，通過利用pandas庫里的corr函數(shù)，得到所給數(shù)據(jù)滿足線性關系，所以我建立多元線性回歸模型。最后準則我選擇確定系數(shù)（即R方），通過比較五組數(shù)據(jù)的擬合程度，進而比較五組數(shù)據(jù)的準確性。
我分別對每種物質的數(shù)據(jù)進行多元線性回歸，并求其R方值

數(shù)據(jù)導入

?(1)pd.read_excel

在這里需要注意！！！使用pandas每次打開文件的時候行索引都會變?yōu)?，1，2，3，4……，所以寫excel的時候需要去除索引

pd.read_excel( 'path_to_file.xls', # xlsx文件的路徑 sheet_name='Sheet1', # 'Sheet1'讀取'Sheet1' , 也可以是一個列表[0,1]:讀取前兩個sheet header=3, # 從第3行開始讀，且第2行為列索引 index_col=[3], # 第三列為行索引 names=list('abcd') # 修改列標簽為 'a','b','c','d' usecols='a' # 'a': 只讀第’a'列 ['a','c']:讀取'a','c'列；[0,1,2]或[0]:只讀第0，1，2列或者只讀第[0]列；3:只讀前三列 skiprows=2 # 自上而下省略兩行 skip_footer=2 # 自下而上省略兩行 )

usecols也可以是一個函數(shù)：
pd.read_excel(‘path_to_file.xls’, ‘Sheet1’, usecols=lambda x: x.isalpha())

寫入excel文件
data.to_excel(‘file.xlsx’,index=None) # 不寫入index

(2)讀取報錯ImportError: Missing optional dependency 'xlrd'. Install xlrd >= 1.0.0 for Excel support Use pip or conda to install xlrd.

pip install xlrd

數(shù)據(jù)分析

（1）describe()

pandas 是基于numpy構建的含有更高級數(shù)據(jù)結構和工具的數(shù)據(jù)分析包，提供了高效地操作大型數(shù)據(jù)集所需的工具。pandas有兩個核心數(shù)據(jù)結構 Series和DataFrame，分別對應了一維的序列和二維的表結構。而describe()函數(shù)就是返回這兩個核心數(shù)據(jù)結構的統(tǒng)計變量。其目的在于觀察這一系列數(shù)據(jù)的范圍、大小、波動趨勢等等，為后面的模型選擇打下基礎。

?參考鏈接：https://blog.csdn.net/qq_24754061/article/details/103738513

組胺：

（1）loc函數(shù)：通過行索引 "Index" 中的具體值來取行數(shù)據(jù)（如取"Index"為"A"的行）

（2）iloc函數(shù)：通過行號來取行數(shù)據(jù)（如取第二行的數(shù)據(jù)）

參考鏈接：https://blog.csdn.net/W_weiying/article/details/81411257

---

（1）ValueError: could not convert string to float的解決方法

把水改成0

?

剩下同理

注意就是我們截取的表格段不一樣所以說就不一樣，，遇到水的話，可以給他賦值成0，我是用的暴力破解法，直接一個一個的賦值。

貼個代碼

#硫酸鋁鉀： jia_data=data[33:70] jia_data=jia_data.iloc[:,[1,2,3,4,5,6]]#讀取所有行和123456列 print(jia_data) print(jia_data.corr())#特征化處理，變成0-1之間的 x=jia_data.iloc[:,[1,2,3,4,5]] print(x) #print("=======================") #print("") jia_data.iloc[[0],[0]]=0 jia_data.iloc[[1],[0]]=0 jia_data.iloc[[2],[0]]=0 jia_data.iloc[[3],[0]]=0 jia_data.iloc[[4],[0]]=0 jia_data.iloc[[5],[0]]=0 jia_data.iloc[[6],[0]]=0.5 jia_data.iloc[[7],[0]]=0.5 jia_data.iloc[[8],[0]]=0.5 jia_data.iloc[[9],[0]]=0.5 jia_data.iloc[[10],[0]]=0.5 jia_data.iloc[[11],[0]]=0.5 jia_data.iloc[[12],[0]]=0.5 jia_data.iloc[[13],[0]]=1 jia_data.iloc[[14],[0]]=1 jia_data.iloc[[15],[0]]=1 jia_data.iloc[[16],[0]]=1 jia_data.iloc[[17],[0]]=1 jia_data.iloc[[18],[0]]=1.5 jia_data.iloc[[19],[0]]=1.5 jia_data.iloc[[20],[0]]=1.5 jia_data.iloc[[21],[0]]=1.5 jia_data.iloc[[22],[0]]=1.5 jia_data.iloc[[23],[0]]=1.5 jia_data.iloc[[24],[0]]=2 jia_data.iloc[[25],[0]]=2 jia_data.iloc[[26],[0]]=2 jia_data.iloc[[27],[0]]=2 jia_data.iloc[[28],[0]]=2 jia_data.iloc[[29],[0]]=2 jia_data.iloc[[30],[0]]=5 jia_data.iloc[[31],[0]]=5 jia_data.iloc[[32],[0]]=5 jia_data.iloc[[33],[0]]=5 jia_data.iloc[[34],[0]]=5 jia_data.iloc[[35],[0]]=5 jia_data.iloc[[36],[0]]=5 y=jia_data.iloc[:,0] print(y) model=LinearRegression() model.fit(x,y) a=model.intercept_#截距 b=model.coef_#回歸系數(shù) print("擬合參數(shù)：截距",a,"回歸系數(shù)：",b) print("最佳擬合線：y=",round(a,2),"+",round(b[0],2),"*X1+",round(b[1],2),"*X2","+",round(b[2],2),"*X3 +",round(b[3],2),"*X4 +",round(b[4],2),"*X1") from sklearn import metrics mse = metrics.mean_squared_error(y,model.predict(x))#求出均方差 rmes=np.sqrt(mse) r22=model.score(x,y) print(r22) print("=================================================")

結果：?

根據(jù)R值可知：擬合行從好到壞：組胺>溴酸鉀>奶中尿素>工業(yè)堿>硫酸鋁鉀
所以優(yōu)劣排序為：組胺>溴酸鉀>奶中尿素>工業(yè)堿>硫酸鋁鉀

第二問

題目要求對Data2.xls中的數(shù)據(jù)進行分析，并建立顏色讀數(shù)和物質濃度的數(shù)學模型。首先，我們還先對Data2.xls中的數(shù)據(jù)進行處理，并建立多元線性回歸模型，得出其最佳擬合曲線和確定系數(shù)。

數(shù)據(jù)導入和處理

?

?

?最后數(shù)據(jù)有點問題，因為填充表格自動填充得NAN ，所以說需要一個一個得補齊賦值。挺麻煩得。

總結

以上是生活随笔為你收集整理的2017年高教社杯全国大学生数学建模竞赛题目--C题 颜色与物质浓度辨识的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。