使用¶
fname = "data/2020/numpy_survey_results.tsv"
column_names = [
'using_random', 'bug', 'bug_resolution', 'bug_resolution_other',
'unsolvable', 'unsolvable_resolution', 'unsolvable_resolution_other',
'deprecation', 'deprecation_other'
]
featdep_dtype = np.dtype({
"names": column_names,
"formats": ['U1024'] * len(column_names),
})
data = np.loadtxt(
fname, delimiter='\t', skiprows=3, dtype=featdep_dtype,
usecols=range(87, 96), comments=None
)
本节包含各种问题，旨在深入了解新功能的采用、问题的解决以及弃用周期的长短等方面。
新的 numpy.random 采用情况¶
NumPy 1.17 版本在 numpy.random 中添加了用于随机数生成的新 API。我们询问了调查参与者是否正在使用新的随机 API。在 1236 名调查参与者中，有 596 名（48%）分享了他们是否正在使用新的 random API。
rand = data['using_random'][data['using_random'] != '']
labels, cnts = np.unique(rand, return_counts=True)
fig, ax = plt.subplots(figsize=(8, 8))
ax.pie(cnts, labels=labels, autopct='%1.1f%%')
fig.tight_layout()
glue(
'num_random_users',
gluval(rand.shape[0], data.shape[0]),
display=False
)
处理问题¶
我们想了解用户遇到 NumPy 问题的频率，因此我们提出了以下问题
在过去一年中，您是否在自己编写的代码中遇到过源于 NumPy 问题的问题？
在 1236 名调查参与者中，有 885 名（72%）回答了这个问题。
bug = data['bug'][data['bug'] != '']
labels, cnts = np.unique(bug, return_counts=True)
fig, ax = plt.subplots(figsize=(8, 8))
ax.pie(cnts, labels=labels, autopct='%1.1f%%', labeldistance=None)
ax.legend()
fig.tight_layout()
glue(
'bug_reporters',
gluval(bug.shape[0], data.shape[0]),
display=False,
)
我们询问了那些报告遇到问题的人，他们采取了哪些措施来解决问题。
bug_resolution = data['bug_resolution'][data['bug_resolution'] != '']
labels, cnts = np.unique(flatten(bug_resolution), return_counts=True)
I = np.argsort(cnts)
labels, cnts = labels[I], cnts[I]
fig, ax = plt.subplots(figsize=(12, 8))
ax.barh(
np.arange(len(labels)),
100 * cnts / bug_resolution.shape[0],
tick_label=labels,
)
ax.set_xlabel('Percentage of Respondents')
fig.tight_layout()
使用 NumPy 进行数据分析¶
与上一个问题类似，我们试图了解 NumPy 在多大程度上满足了用户的数据分析需求。我们提出了以下问题
在过去一年中，您是否遇到过涉及数值数据，但无法使用 NumPy 解决的问题？
在 1236 名调查参与者中，有 874 名（71%）回答了上述问题，其中 164 名（19%）表示他们遇到过最初预期能使用 NumPy 解决，但未能解决的问题。
unsolvable = data['unsolvable'][data['unsolvable'] != '']
labels, cnts = np.unique(unsolvable, return_counts=True)
num_yes = np.sum(unsolvable == 'Yes')
fig, ax = plt.subplots(figsize=(8, 8))
ax.pie(cnts, labels=labels, autopct='%1.1f%%')
fig.tight_layout()
glue(
'num_solvers',
gluval(unsolvable.shape[0], data.shape[0]),
display=False,
)
glue(
'num_unsolved',
gluval(num_yes, unsolvable.shape[0]),
display=False
)
我们询问了那些对上一个问题回答“是”的人，他们采取了哪些措施来解决问题。
resolution = data['unsolvable_resolution'][data['unsolvable'] == 'Yes']
resolution = resolution[resolution != '']
labels, cnts = np.unique(flatten(resolution), return_counts=True)
I = np.argsort(cnts)
labels, cnts = labels[I], cnts[I]
fig, ax = plt.subplots(figsize=(12, 8))
ax.barh(
np.arange(len(labels)),
100 * cnts / resolution.shape[0],
tick_label=labels,
)
ax.set_xlabel('Percentage of Respondents')
fig.tight_layout()
弃用时间范围¶
我们请调查参与者分享他们对 NumPy 弃用周期的看法，具体来说是
您认为多长时间是一个合适的弃用时间范围？
在 1236 名调查参与者中，有 863 名（70%）回答了这个问题。
depcycle = data['deprecation'][data['deprecation'] != '']
labels, cnts = np.unique(depcycle, return_counts=True)
fig, ax = plt.subplots(figsize=(8, 8))
ax.pie(cnts, labels=labels, autopct='%1.1f%%')
fig.tight_layout()
glue(
'dep_opinions',
gluval(depcycle.shape[0], data.shape[0]),
display=False
)
