Solusi Tugas numpy 1

Author

sulthan a. karimov

Published

June 10, 2024

import numpy as np

load_file = np.loadtxt('numpy data1.txt')
data = load_file.reshape(4,7,4)
  1. Identifikasi Kategori Penjualan Tertinggi menurut Lokasi (Slicing Lanjutan):
* Gunakan teknik slicing tingkat lanjut dalam NumPy untuk menghitung total penjualan untuk setiap kategori di semua ukuran di setiap lokasi.
* Petunjuk: Anda dapat menggabungkan slicing dasar (`:`) untuk memilih lokasi tertentu dan masking boolean untuk menjumlahkan di sepanjang sumbu kategori.
* Identifikasi kategori dengan penjualan tertinggi untuk setiap lokasi.
data
import numpy as np

# Asumsikan data penjualan Anda berada dalam array NumPy bernama "sales_data"

# Langkah 1: Hitung total penjualan per kategori di semua ukuran untuk setiap lokasi
total_per_kategori = data.sum(axis=2)  # Jumlahkan sepanjang sumbu ukuran (axis=2)

# Langkah 2: Identifikasi kategori terlaris untuk setiap lokasi
# Pendekatan tanpa menggunakan argmax

# Temukan nilai maksimum untuk setiap lokasi
maks_penjualan_per_lokasi = total_per_kategori.max(axis=1)  # Cari nilai maksimum di setiap baris

# Buat mask untuk kategori terlaris di setiap lokasi
mask_terlaris = total_per_kategori == maks_penjualan_per_lokasi[:, np.newaxis]  # Perbandingan elemen-per-elemen

# Dapatkan indeks kategori untuk kategori terlaris
kategori_terlaris = []
for mask in mask_terlaris:
    for i in range(len(mask)):
        if mask[i] == True:
            kategori_terlaris.append(i)
        
# Tampilkan hasilnya
print("Kategori Terlaris menurut Lokasi:", kategori_terlaris)
  1. Bandingkan Distribusi Ukuran untuk Kategori Spesifik:
* Fokus pada kategori tertentu (misalnya, kemeja) di semua lokasi.
* Gunakan teknik slicing atau pengindeksan array untuk memilih hanya data penjualan kategori tersebut.
* Hitung total penjualan untuk setiap ukuran (jumlahkan di sepanjang sumbu ukuran).
* Analisa distribusi ukuran (misalnya, ukuran mana yang paling banyak terjual untuk kategori tersebut secara keseluruhan).

TODO

import numpy as np

# Asumsikan data penjualan Anda berada dalam array NumPy bernama "sales_data"

# Langkah 1: Pilih data untuk kategori tertentu (misalnya, kemeja)
# Ganti "category_index" dengan indeks aktual untuk kemeja
kategori_yang_diminati = 0  # Misalkan kemeja adalah kategori 0
penjualan_kemeja = data[:, kategori_yang_diminati, :]  # Pilih data untuk kategori ini

# Langkah 2: Hitung total penjualan untuk setiap ukuran (jumlahkan sepanjang sumbu ukuran)
total_per_ukuran = penjualan_kemeja.sum(axis=0)  # Jumlahkan di semua lokasi

# Langkah 3: Analisis distribusi ukuran (tanpa argmax)
# Temukan nilai maksimum untuk total penjualan tiap ukuran
maks_penjualan_ukuran = total_per_ukuran.max()  # Cari total penjualan maksimum

# Buat mask untuk ukuran terpopuler
mask_terpopuler = total_per_ukuran == maks_penjualan_ukuran  # Bandingkan dengan nilai maksimum

# Identifikasi ukuran terpopuler (menangani kemungkinan seri)
ukuran_terpopuler = np.where(mask_terpopuler)[0]  # Dapatkan indeks elemen True

# Tampilkan hasilnya
print("Total Penjualan Kemeja per Ukuran:", total_per_ukuran)

# Tampilkan ukuran terpopuler (menangani seri)
if len(ukuran_terpopuler) > 1:
  print("Ukuran Kemeja Terpopuler:", ukuran_terpopuler)
else:
  print("Ukuran Kemeja Terpopuler:", ukuran_terpopuler[0])
  1. Temukan Lokasi dengan Penjualan Rendah pada Ukuran Tertentu:
* Tentukan ukuran tertentu (misalnya, XL) yang mungkin perlu diisi ulang stoknya.
* Gunakan masking boolean untuk memilih hanya data penjualan ukuran tersebut dari seluruh array.
* Hitung total penjualan produk dengan ukuran tersebut di setiap lokasi (jumlahkan di sepanjang semua sumbu lainnya).
* Identifikasi lokasi dengan penjualan di bawah ambang batas tertentu untuk produk dengan ukuran tersebut, yang menunjukkan potensi kebutuhan untuk mengisi ulang stok.
import numpy as np

# Asumsikan data penjualan Anda berada dalam array NumPy bernama "sales_data"

# Langkah 1: Pilih data untuk ukuran tertentu (misalnya, XL)
# Ganti "size_index" dengan indeks aktual untuk XL
ukuran_yang_dicek = 2  # Misalkan XL adalah ukuran 2
penjualan_xl = data[:, :, ukuran_yang_dicek]  # Pilih data untuk ukuran ini

# Langkah 2: Hitung total penjualan untuk ukuran XL di setiap lokasi (jumlahkan di semua sumbu lainnya)
total_penjualan_xl = penjualan_xl.sum(axis=(0, 1))  # Jumlahkan di semua kategori dan ukuran

# Langkah 3: Identifikasi lokasi dengan potensi stok rendah (ambang batas)
ambang_penjualan = 10  # Tetapkan ambang batas penjualan untuk stok rendah
lokasi_stok_rendah = total_penjualan_xl < ambang_penjualan

# Tampilkan hasilnya
print("Lokasi dengan Penjualan XL Rendah:", np.where(lokasi_stok_rendah)[0])
print("Total Penjualan XL per Lokasi:", total_penjualan_xl)  # Opsional untuk referensi
Back to top