fightingoyo

Python数据分析第四课：数据的处理（数据合并、数据筛选、数据排序）

一、数据合并

数据合并主要包括两种操作：

轴向连接（concatenation）：pd.concat()可以沿一个轴将多个DataFrame对象连接在一起，形成一个新的DataFrame对象
融合（merging）：pd.merge()方法可以根据一个或多个键将不同的DataFrame中的行连接在一起

1. 轴向连接pd.concat

pd.concat()函数可以将根据不同的轴进行合并，常用参数如下：

pd.concat(objs,axis=0,join='outer')

objs：Series、DataFrame或者是panel构成的序列list
axis：需要合并链接的轴，0是行，1是列，默认为0
join：连接的方式inner,或者outer，默认是outer

import pandas as pd

dict_1 = {
         'A':['A0','A1','A2','A3'],
         'B':['B0','B1','B2','B3'],
         'C':['C0','C1','C2','C3']}
df1 = pd.DataFrame(dict_1)
df1

	A	B	C
0	A0	B0	C0
1	A1	B1	C1
2	A2	B2	C2
3	A3	B3	C3

dict_2 = {
         'B':['B0','B1','B2','B3'],
         'C':['C0','C1','C2','C3'],
         'D':['D0','D1','D2','D3']}
df2 = pd.DataFrame(dict_2)
df2

	B	C	D
0	B0	C0	D0
1	B1	C1	D1
2	B2	C2	D2
3	B3	C3	D3

当使用pd.concat()默认参数合并df1和df2时：

df3 = pd.concat([df1,df2], axis=0, join='outer')
df3

	A	B	C	D
0	A0	B0	C0	NaN
1	A1	B1	C1	NaN
2	A2	B2	C2	NaN
3	A3	B3	C3	NaN
0	NaN	B0	C0	D0
1	NaN	B1	C1	D1
2	NaN	B2	C2	D2
3	NaN	B3	C3	D3

通过以上的结果发现，当join=‘outer’，axis参数为0时，列进行并集处理，纵向表拼接，缺失值由NaN填充，并且会保留原有数据的行索引。

如果两个表的Index都没有实际含义，使用ignore_index参数，设置成True，即可重新整理一个新的index。

pd.concat([df1,df2],axis=0,join='outer',ignore_index=True

df4 = pd.concat([df1,df2],axis=0,join='outer',ignore_index=True)
df4

	A	B	C	D
0	A0	B0	C0	NaN
1	A1	B1	C1	NaN
2	A2	B2	C2	NaN
3	A3	B3	C3	NaN
4	NaN	B0	C0	D0
5	NaN	B1	C1	D1
6	NaN	B2	C2	D2
7	NaN	B3	C3	D3

当我们将concat()的axis参数调整为1，合并df1和df2时：

df5 = pd.concat([df1,df2],axis=1,join='outer')
df5

	A	B	C	B	C	D
0	A0	B0	C0	B0	C0	D0
1	A1	B1	C1	B1	C1	D1
2	A2	B2	C2	B2	C2	D2
3	A3	B3	C3	B3	C3	D3

当我们将concat()的join参数调整为inner，合并df1和df2时：

df6 = pd.concat([df1,df2],axis=0,join='inner')
df6

	B	C
0	B0	C0
1	B1	C1
2	B2	C2
3	B3	C3
0	B0	C0
1	B1	C1
2	B2	C2
3	B3	C3

通过以上的结果可知：

如果join参数为inner，得到的是两表的交集；
如果join参数为outer，得到的是两表的并集。

2. 融合pd.merge()

pd.merge()的常用参数如下：

pd.merge(left,right,how='inner',on=None)

参数介绍：

left和right：两个要合并的DataFrame
how：连接方式，有inner、left、right、outer,默认为inner
on：指的是用于连接的列索引名称，必须存在于左右两个DataFrame，如果没有指定且其他参数也没有指定，则以两个DataFrame列名交集作为连接键

import pandas as pd
left = pd.DataFrame({'key':['a','b','b','d'],'data1':range(4)})
left

	key	data1
0	a	0
1	b	1
2	b	2
3	d	3

right = pd.DataFrame({'key':['a','b','c'],'data2':range(3)})
right

	key	data2
0	a	0
1	b	1
2	c	2

df7 = pd.merge(left,right)
df7

	key	data1	data2
0	a	0	0
1	b	1	1
2	b	2	1

merge()默认采用inner连接，并且使用两个DataFrame的列名交集（key）作为连接键，同意，最终连接的数据也是两个DataFrame key列数据的交集

当两个DataFrame使用outer连接时：

df8= pd.merge(left,right,on=['key'],how='outer')
df8

	key	data1	data2
0	a	0.0	0.0
1	b	1.0	1.0
2	b	2.0	1.0
3	d	3.0	NaN
4	c	NaN	2.0

当merge()做outer连接时，最终连接的数据是两个DataFrame key列数据的并集，确实内容由NaN填充

当两个DataFrame使用left连接时：

df9 = pd.merge(left,right,on=['key'],how='left')
df9

	key	data1	data2
0	a	0	0.0
1	b	1	1.0
2	b	2	1.0
3	d	3	NaN

当merge()做left连接时，最终连接的数据是以left数据的链接键为基准合并两个数据的列数据，确实的内容由NaN填充

那么，当两个DataFrame使用right连接时，会发生什么呢？

df10= pd.merge(left,right,on=['key'],how='right')
df10

	key	data1	data2
0	a	0.0	0
1	b	1.0	1
2	b	2.0	1
3	c	NaN	2

两种合并方式的应用场景：

有两张表格分别存储了9月和10月份的成交信息，此时可以使用concat()将两个表沿0轴合并
现在有两张表格，一个是城郊型，包含订单号、金额、客户ID等；第二个是客户信息，包含客户ID、姓名、电话号码等信息，此时可以使用merge()根据客户ID讲两个表合并成一个完整的表

二、数据的筛选

前面的内容中，我们学习了如何获取一条数据或连续的多条数据，但实际工作中我们经常需要处理上万条。，甚至更多的数据。
那么，要如何才能快速的筛选出符合条件的数据呢？

import pandas as pd

# 导入数据
df = pd.read_csv(r'C:\Users\lin-a\Desktop\data\mouhu_users_2017.csv')
# 了解数据基本情况
print(df.shape)
df.head()

(72756, 7)

	_id	关注的收藏夹	关注	关注者	关注的问题	关注的话题	关注的专栏
0	587598f89f11daf90617fb7a	52	17	1	30	58	2
1	587598f89f11daf90617fb7c	27	73	15	87	26	1
2	587598f89f11daf90617fb7e	72	94	1	112	20	4
3	587598f89f11daf90617fb80	174	84	8	895	30	7
4	587598f89f11daf90617fb82	3	236	64	119	44	17

1. 要将关注者超过100的用户数据获取出来

bools = df['关注者']>100
bools

0        False
1        False
2        False
3        False
4        False
         ...  
72751    False
72752    False
72753    False
72754    False
72755    False
Name: 关注者, Length: 72756, dtype: bool

df1 = df[bools]
print(df1.shape)
df1

(5501, 7)

	_id	关注的收藏夹	关注	关注者	关注的问题	关注的话题	关注的专栏
79	587598f89f11daf90617fc18	8	111	3049	1216	45	17
101	587598f89f11daf90617fc44	61	123	205	670	24	18
112	587598f99f11daf90617fc5a	1	804	197	830	39	26
114	587598f99f11daf90617fc5e	44	62	201	314	8	3
121	587598f99f11daf90617fc6c	44	628	6597	1566	144	69
...	...	...	...	...	...	...	...
72694	5878399e9f11da09c8fe690e	3	172	219	466	68	11
72700	5878399e9f11da09c8fe691a	21	39	281	51	45	2
72713	5878399e9f11da09c8fe6934	49	635	248	1772	151	123
72726	5878399e9f11da09c8fe694e	447	62	728	14	1	21
72741	5878399e9f11da09c8fe696c	3546	390	142	25	4	126

5501 rows × 7 columns

来复盘一下以上代码的逻辑：

首先判断每个用户的关注者数量是否大于100，大于则返回True，表示该行被标记为True，否则被标记为False。bools记录了每一行是否符合筛选条件，是一个Series对象，其中的值是bool类型。

bools = df['关注者']>100

然后，根据bools每行的值来对df进行筛选，值为True，表示对应的行会留下，否则去除

df1 = df[bools]

最后打印的df1数据就是关注者超过100的用户数据。这是pandas根据某列的值进行筛选的基本逻辑

根据某列的值进行筛选的逻辑如上所述，那么，如果要进行多条件的联合筛选呢？

2. 获取关注者超过300切关注的数量超过100的用户数据

import pandas as pd
# 导入数据
df = pd.read_csv(r'C:\Users\lin-a\Desktop\data\mouhu_users_2017.csv')
# 查看数据基本情况
df

	_id	关注的收藏夹	关注	关注者	关注的问题	关注的话题	关注的专栏
0	587598f89f11daf90617fb7a	52	17	1	30	58	2
1	587598f89f11daf90617fb7c	27	73	15	87	26	1
2	587598f89f11daf90617fb7e	72	94	1	112	20	4
3	587598f89f11daf90617fb80	174	84	8	895	30	7
4	587598f89f11daf90617fb82	3	236	64	119	44	17
...	...	...	...	...	...	...	...
72751	5878399e9f11da09c8fe6980	112	77	27	39	2	32
72752	5878399e9f11da09c8fe6982	15	90	16	61	116	2
72753	5878399e9f11da09c8fe6984	7	19	1	25	12	2
72754	5878399e9f11da09c8fe6986	14	320	3	68	38	9
72755	5878399e9f11da09c8fe6988	7	1	2	7	15	0

72756 rows × 7 columns

bool_1 = df['关注者']>300
bool_2 = df['关注']>100
df2 = df[bool_1 & bool_2]
df2

	_id	关注的收藏夹	关注	关注者	关注的问题	关注的话题	关注的专栏
79	587598f89f11daf90617fc18	8	111	3049	1216	45	17
121	587598f99f11daf90617fc6c	44	628	6597	1566	144	69
155	587598f99f11daf90617fcb0	194	250	1103	10	1	19
228	587598f99f11daf90617fd42	48	224	1450	360	128	20
261	587598f99f11daf90617fd84	1125	842	24848	108	33	27
...	...	...	...	...	...	...	...
72173	5878399b9f11da09c8fe64fc	38	5000	1386	2205	25	6
72416	5878399d9f11da09c8fe66e2	661	299	457	32	4	9
72463	5878399d9f11da09c8fe6740	274	209	1556	2405	188	318
72648	5878399e9f11da09c8fe68b2	10	278	471	763	66	12
72661	5878399e9f11da09c8fe68cc	756	491	414	229	2	58

1921 rows × 7 columns

复盘以上的代码：

通过2个限制条件df[‘关注者’]>300和df[‘关注’]>100，分别得到bool_1和bool_2这2个Series
因为我们的需求是要同时满足两个条件，所以使用逻辑运算符连接两个值
最后获取同时满足两个条件的值

3. 数据筛选的第二种方法

使用loc[]方法实现筛选的效果。

import pandas as pd

# 导入数据
df = pd.read_csv(r'C:\Users\lin-a\Desktop\data\mouhu_users_2017.csv')
# 了解数据基本情况
print(df.shape)
df.head()

(72756, 7)

	_id	关注的收藏夹	关注	关注者	关注的问题	关注的话题	关注的专栏
0	587598f89f11daf90617fb7a	52	17	1	30	58	2
1	587598f89f11daf90617fb7c	27	73	15	87	26	1
2	587598f89f11daf90617fb7e	72	94	1	112	20	4
3	587598f89f11daf90617fb80	174	84	8	895	30	7
4	587598f89f11daf90617fb82	3	236	64	119	44	17

# 获取关注者超过100的用户数据
df_new = df.loc[df['关注者']>100]
df_new

	_id	关注的收藏夹	关注	关注者	关注的问题	关注的话题	关注的专栏
79	587598f89f11daf90617fc18	8	111	3049	1216	45	17
101	587598f89f11daf90617fc44	61	123	205	670	24	18
112	587598f99f11daf90617fc5a	1	804	197	830	39	26
114	587598f99f11daf90617fc5e	44	62	201	314	8	3
121	587598f99f11daf90617fc6c	44	628	6597	1566	144	69
...	...	...	...	...	...	...	...
72694	5878399e9f11da09c8fe690e	3	172	219	466	68	11
72700	5878399e9f11da09c8fe691a	21	39	281	51	45	2
72713	5878399e9f11da09c8fe6934	49	635	248	1772	151	123
72726	5878399e9f11da09c8fe694e	447	62	728	14	1	21
72741	5878399e9f11da09c8fe696c	3546	390	142	25	4	126

5501 rows × 7 columns

三、数据的排序

在数据获取过程中，数据的排序也是我们经常需要处理的问题。例如：我们需要找出关注者数量前10的用户信息

可以使用sort_index()、sort_values()两个方法对数据进行排序，并且这两个方法Series和DataFrame都支持

那么，DataFrame的这两个方法有什么区别呢？

sort_index()方法是按照行进行排序
sort_values()可以指定具体列进行排序

1. 根据国家名称来进行排序

import pandas as pd

people = pd.read_excel(r'C:\Users\lin-a\Desktop\data\rate.xlsx',index_col='Country Code')
people

	CountryName	1990	2000	2007	2008	2009	2010	2011	2012	2013	2014	2015	Change 1990-2015	Change 2007-2015
Country Code
AFG	Afghanistan	101.094930	103.254202	100.000371	100.215886	100.060480	99.459839	97.667911	95.312707	92.602785	89.773777	86.954464	-14.140466	-13.045907
ALB	Albania	61.808311	59.585866	50.862987	49.663787	48.637067	NaN	46.720288	45.835739	45.247477	44.912168	44.806973	-17.001338	-6.056014
DZA	Algeria	87.675705	62.886169	49.487870	48.910002	48.645026	48.681853	49.233576	49.847713	50.600697	51.536631	52.617579	-35.058127	3.129709
ASM	American Samoa	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
ADO	Andorra	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
VIR	Virgin Islands (U.S.)	53.546901	52.647183	49.912779	50.459425	51.257336	52.382523	53.953515	55.687666	57.537152	59.399244	61.199651	7.652751	11.286872
WBG	West Bank and Gaza	102.789182	100.410470	88.367099	86.204936	84.173732	82.333762	80.851747	79.426778	78.118403	76.975462	76.001869	-26.787313	-12.365230
YEM	Yemen, Rep.	118.779727	105.735754	88.438350	85.899643	83.594489	81.613924	80.193948	78.902603	77.734373	76.644268	75.595147	-43.184581	-12.843203
ZMB	Zambia	100.485263	97.124776	98.223058	98.277253	98.260795	98.148325	97.854237	97.385802	96.791310	96.122165	95.402326	-5.082936	-2.820732
ZWE	Zimbabwe	96.365244	84.877487	81.272166	81.024020	80.934968	80.985702	80.740494	80.579870	80.499816	80.456439	80.391033	-15.974211	-0.881133

219 rows × 14 columns

people.sort_index(inplace=True,ascending=True)
people.head()

	CountryName	1990	2000	2007	2008	2009	2010	2011	2012	2013	2014	2015	Change 1990-2015	Change 2007-2015
Country Code
ABW	Aruba	47.500831	44.420778	43.475981	43.957839	44.531061	45.157235	44.993173	44.706680	44.355302	44.070252	43.952390	-3.548441	0.476409
ADO	Andorra	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
AFG	Afghanistan	101.094930	103.254202	100.000371	100.215886	100.060480	99.459839	97.667911	95.312707	92.602785	89.773777	86.954464	-14.140466	-13.045907
AGO	Angola	101.394722	100.930475	102.563811	102.609186	102.428788	102.035690	102.106756	101.836900	101.315234	100.637667	99.855751	-1.538971	-2.708060
ALB	Albania	61.808311	59.585866	50.862987	49.663787	48.637067	NaN	46.720288	45.835739	45.247477	44.912168	44.806973	-17.001338	-6.056014

复盘以上代码：

read_excel()中的参数index_col='Country Code’作用是在读取文件的时候指定Country Code这一列数据作为行索引
inplace=True参数和我们之前见过的作用一样，用来控制是否直接对原始数据进行修改
ascengding可以控制排序的顺序，默认值True小到大升序排列，但设置为False时就可以实现降序排列

2. 获取关注者数据前十的用户数据

那么我们需要根据关注者这一列数据进行排序。

import pandas as pd

user = pd.read_csv(r'C:\Users\lin-a\Desktop\data\mouhu_users_2017.csv')
user.sort_values(by='关注者',ascending=False,inplace=True)
user.head(10)

	_id	关注的收藏夹	关注	关注者	关注的问题	关注的话题	关注的专栏
23313	5876ee159f11da03c9726155	3181	1053	585787	93	33	26
14461	5876ede89f11da03c9721c33	1041	254	356246	92	3	23
22048	5876ee0c9f11da03c9725773	41	72	351414	336	47	16
52464	5876ece59f11da03afbc71b3	1652	794	308553	23	1	112
42135	5876eb5a9f11da0399d461b7	1182	532	268353	23	1	54
63579	5878396e9f11da09c8fe21e6	10819	1412	198199	90	1	517
21740	5876ee0b9f11da03c972550b	991	479	195175	46	3	18
56721	5876ecfa9f11da03afbc92f1	164	550	164254	0	1	19
22784	5876ee129f11da03c9725d33	2011	579	148457	49	6	44
29577	587838f59f11da09bd427945	8	303	137087	477	19	15

复盘以上代码：

by：决定了是按照数据中的哪一列进行排序，将需要按照某列排序的列名赋值给by即可
ascending=False：将数据按大到小的顺序排列
inplace=Ture：用来控制是否直接对原始数据进行修改

四、总结

数据合并

数据筛选

数据排序

五、练习

目前手上有两份数据，将两个csv数据合并成一个，并按骑行时间进行降序排列，获取最长的骑行时间。

import pandas as pd
# 读取第一份数据
bike1 = pd.read_csv(r'C:\Users\lin-a\Desktop\data\2017_1_data.csv')
bike1

	Duration (ms)	Start date	End date	Start station	End station	Bike number	Member type
0	221834	2017/1/1 0:00	2017/1/1 0:04	3rd & Tingey St SE	M St & New Jersey Ave SE	W00869	Member
1	1676854	2017/1/1 0:06	2017/1/1 0:34	Lincoln Memorial	8th & D St NW	W00894	Casual
2	1356956	2017/1/1 0:07	2017/1/1 0:29	Henry Bacon Dr & Lincoln Memorial Circle NW	New York Ave & 15th St NW	W21945	Casual
3	1327901	2017/1/1 0:07	2017/1/1 0:29	Henry Bacon Dr & Lincoln Memorial Circle NW	New York Ave & 15th St NW	W20012	Casual
4	1636768	2017/1/1 0:07	2017/1/1 0:34	Lincoln Memorial	8th & D St NW	W22786	Casual
...	...	...	...	...	...	...	...
42400	262484	2017/1/10 23:52	2017/1/10 23:56	Georgia & New Hampshire Ave NW	11th & Kenyon St NW	W01445	Member
42401	630296	2017/1/10 23:52	2017/1/11 0:03	17th & K St NW / Farragut Square	21st & M St NW	W00097	Casual
42402	114584	2017/1/10 23:53	2017/1/10 23:55	Montgomery & East Ln	Bethesda Ave & Arlington Rd	W20637	Member
42403	564322	2017/1/10 23:53	2017/1/11 0:03	17th & K St NW / Farragut Square	21st & M St NW	W01377	Casual
42404	809980	2017/1/10 23:59	2017/1/11 0:13	4th St & Madison Dr NW	North Capitol St & F St NW	W22436	Member

42405 rows × 7 columns

# 读取第二份数据
bike2 = pd.read_csv(r'C:\Users\lin-a\Desktop\data\2017_2_data.csv')
bike2

	Duration (ms)	Start date	End date	Start station	End station	Bike number	Member type
0	636921	2017/2/1 0:00	2017/2/1 0:11	Park Rd & Holmead Pl NW	14th & Upshur St NW	W01023	Casual
1	399528	2017/2/1 0:01	2017/2/1 0:08	M St & Pennsylvania Ave NW	21st & M St NW	W20687	Casual
2	186311	2017/2/1 0:05	2017/2/1 0:08	Massachusetts Ave & Dupont Circle NW	17th & Corcoran St NW	W21637	Member
3	746740	2017/2/1 0:05	2017/2/1 0:17	11th & M St NW	16th & Harvard St NW	W22297	Member
4	508111	2017/2/1 0:05	2017/2/1 0:14	14th & R St NW	18th St & Wyoming Ave NW	W22024	Member
...	...	...	...	...	...	...	...
72875	667119	2017/2/10 23:57	2017/2/11 0:08	24th & N St NW	15th & L St NW	W21336	Member
72876	569178	2017/2/10 23:58	2017/2/11 0:08	7th & T St NW	18th & R St NW	W01405	Member
72877	308804	2017/2/10 23:59	2017/2/11 0:04	18th & M St NW	New Hampshire Ave & T St NW	W22673	Member
72878	1087725	2017/2/10 23:59	2017/2/11 0:17	7th & F St NW / National Portrait Gallery	19th & East Capitol St SE	W00254	Member
72879	572705	2017/2/10 23:59	2017/2/11 0:09	11th & H St NE	4th & East Capitol St NE	W21512	Member

72880 rows × 7 columns

# 合并数据
# 因为各个参数都是默认，也可以采用pd.concat([bike1,bike2])
bike3 = pd.concat([bike1,bike2],axis=0,join='outer')
bike3

	Duration (ms)	Start date	End date	Start station	End station	Bike number	Member type
0	221834	2017/1/1 0:00	2017/1/1 0:04	3rd & Tingey St SE	M St & New Jersey Ave SE	W00869	Member
1	1676854	2017/1/1 0:06	2017/1/1 0:34	Lincoln Memorial	8th & D St NW	W00894	Casual
2	1356956	2017/1/1 0:07	2017/1/1 0:29	Henry Bacon Dr & Lincoln Memorial Circle NW	New York Ave & 15th St NW	W21945	Casual
3	1327901	2017/1/1 0:07	2017/1/1 0:29	Henry Bacon Dr & Lincoln Memorial Circle NW	New York Ave & 15th St NW	W20012	Casual
4	1636768	2017/1/1 0:07	2017/1/1 0:34	Lincoln Memorial	8th & D St NW	W22786	Casual
...	...	...	...	...	...	...	...
72875	667119	2017/2/10 23:57	2017/2/11 0:08	24th & N St NW	15th & L St NW	W21336	Member
72876	569178	2017/2/10 23:58	2017/2/11 0:08	7th & T St NW	18th & R St NW	W01405	Member
72877	308804	2017/2/10 23:59	2017/2/11 0:04	18th & M St NW	New Hampshire Ave & T St NW	W22673	Member
72878	1087725	2017/2/10 23:59	2017/2/11 0:17	7th & F St NW / National Portrait Gallery	19th & East Capitol St SE	W00254	Member
72879	572705	2017/2/10 23:59	2017/2/11 0:09	11th & H St NE	4th & East Capitol St NE	W21512	Member

115285 rows × 7 columns

# 降序排列骑行时间
bike3.sort_values(by='Duration (ms)',ascending=False,inplace=True)
bike3

	Duration (ms)	Start date	End date	Start station	End station	Bike number	Member type
24905	84876226	2017/1/6 10:59	2017/1/7 10:33	17th & K St NW / Farragut Square	19th & K St NW	W23232	Member
44077	84070936	2017/2/7 10:44	2017/2/8 10:05	Thomas Circle	4th & C St SW	W21615	Casual
35857	83789379	2017/2/6 12:35	2017/2/7 11:51	Fleet St & Ritchie Pkwy	E Montgomery Ave & Maryland Ave	W22565	Casual
35874	83662979	2017/2/6 12:38	2017/2/7 11:53	Fleet St & Ritchie Pkwy	E Montgomery Ave & Maryland Ave	W21846	Casual
29204	82897521	2017/1/7 11:42	2017/1/8 10:44	8th & H St NW	4th St & Madison Dr NW	W21095	Casual
...	...	...	...	...	...	...	...
22670	60614	2017/2/4 8:29	2017/2/4 8:30	18th & R St NW	18th & R St NW	W22795	Member
48831	60606	2017/2/7 18:31	2017/2/7 18:32	Kennedy Center	Kennedy Center	W22223	Casual
60148	60504	2017/2/8 19:14	2017/2/8 19:15	Columbus Circle / Union Station	Columbus Circle / Union Station	W21323	Casual
37585	60459	2017/2/6 16:53	2017/2/6 16:54	Columbus Circle / Union Station	Columbus Circle / Union Station	W21710	Member
48652	60452	2017/2/7 18:21	2017/2/7 18:22	Towers Crescent Dr & Tysons One Pl	Towers Crescent Dr & Tysons One Pl	W23040	Member

115285 rows × 7 columns

# 获取最长时间
long_time = bike3.iloc[0]['Duration (ms)']
long_time

84876226

根据第六次全国人口普查中的常住人口数据，获取全国人口最多的10个城市。数据信息：共包含省、地区、结尾、常住人口4个字段。

series.str会将每个数据转换成字符串
contains()判断字符串是否含有指定字段，返回的是bool类型

import pandas as pd
# 读取数据
people = pd.read_csv(r'C:\Users\lin-a\Desktop\data\liupu.csv')

# 筛选数据
bools = people['结尾'].str.contains('市')
people_2 = people[bools]

# 根据人口数据降序排列
people_3 = people_2.sort_values(by='常住人口',ascending=False,inplace=False)
# 获取前10个数据
people_3.head(10)

	省	地区	结尾	常住人口
567	上海市	上海市	市	23019196.0
23	北京市	北京市	市	19612368.0
569	四川省	成都市	市	14047625.0
601	天津市	天津市	市	12938693.0
73	广东省	广州市	市	12701948.0
157	河北省	保定市	市	11194382.0
232	黑龙江省	哈尔滨市	市	10635971.0
378	江苏省	苏州市	市	10459890.0
95	广东省	深圳市	市	10358381.0
204	河南省	南阳市	市	10263660.0

你可能感兴趣的:(python,数据分析)

理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 运维
理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
python os.environ 江湖偌大 python 深度学习
os.environ['TF_CPP_MIN_LOG_LEVEL']='0'#默认值，输出所有信息os.environ['TF_CPP_MIN_LOG_LEVEL']='1'#屏蔽通知信息（INFO）os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息（INFO\WARNING）os.environ['TF_CPP_MIN_LOG_LEVEL']='
Python中os.environ基本介绍及使用方法鹤冲天Pro #Python python 服务器开发语言
文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
Python教程：一文了解使用Python处理XPath 旦莫 Python进阶 python 开发语言
目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 python os.environ
>>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
python是什么意思中文-在python中%是什么意思编程大乐趣
Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
python八股文面试题分享及解析(1) Shawn________ python
#1.'''a=1b=2不用中间变量交换a和b'''#1.a=1b=2a,b=b,aprint(a)print(b)结果：21#2.ll=[]foriinrange(3):ll.append({'num':i})print(11)结果:#[{'num':0},{'num':1},{'num':2}]#3.kk=[]a={'num':0}foriinrange(3):#0,12#可变类型，不仅仅改变
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
Python快速入门 —— 第三节：类与对象孤华暗香 Python快速入门 python 开发语言
第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
pyecharts——绘制柱形图折线图 2224070247 信息可视化 python java 数据可视化
一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
Python 实现图片裁剪（附代码） | Python工具剑客阿良_ALiang
前言本文提供将图片按照自定义尺寸进行裁剪的工具方法，一如既往的实用主义。环境依赖ffmpeg环境安装，可以参考我的另一篇文章：windowsffmpeg安装部署_阿良的博客-CSDN博客本文主要使用到的不是ffmpeg，而是ffprobe也在上面这篇文章中的zip包中。ffmpy安装：pipinstallffmpy-ihttps://pypi.douban.com/simple代码不废话了，上代码
【华为OD技术面试真题 - 技术面】- python八股文真题题库（4) 算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选**1.Python中的`with`**用途和功能自动资源管理示例：文件操作上下文管理协议示例代码工作流程解析优点2.\_\_new\_\_和**\_\_init\_\_**区别__new____init__区别总结3.**切片（Slicing）操作**基本切片语法
python os 环境变量 CV矿工 python 开发语言 numpy
环境变量：环境变量是程序和操作系统之间的通信方式。有些字符不宜明文写进代码里，比如数据库密码，个人账户密码，如果写进自己本机的环境变量里，程序用的时候通过os.environ.get（）取出来就行了。os.environ是一个环境变量的字典。环境变量的相关操作importos"""设置/修改环境变量：os.environ[‘环境变量名称’]=‘环境变量值’#其中key和value均为string类
Python爬虫解析工具之xpath使用详解 eqa11 python 爬虫开发语言
文章目录Python爬虫解析工具之xpath使用详解一、引言二、环境准备1、插件安装2、依赖库安装三、xpath语法详解1、路径表达式2、通配符3、谓语4、常用函数四、xpath在Python代码中的使用1、文档树的创建2、使用xpath表达式3、获取元素内容和属性五、总结Python爬虫解析工具之xpath使用详解一、引言在Python爬虫开发中，数据提取是一个至关重要的环节。xpath作为一门
【华为OD技术面试真题 - 技术面】- python八股文真题题库（1）算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
Python中深拷贝与浅拷贝的区别 yuxiaoyu.
转自：http://blog.csdn.net/u014745194/article/details/70271868定义：在Python中对象的赋值其实就是对象的引用。当创建一个对象，把它赋值给另一个变量的时候，python并没有拷贝这个对象，只是拷贝了这个对象的引用而已。浅拷贝：拷贝了最外围的对象本身，内部的元素都只是拷贝了一个引用而已。也就是，把对象复制一遍，但是该对象中引用的其他对象我不复
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
ES聚合分析原理与代码实例讲解光剑书架上的书大厂Offer收割机面试题简历程序员读书硅基计算碳基计算认知计算生物计算深度学习神经网络大数据 AIGC AGI LLM Java Python 架构设计 Agent 程序员实现财富自由
ES聚合分析原理与代码实例讲解1.背景介绍1.1问题的由来在大规模数据分析场景中，特别是在使用Elasticsearch（ES）进行数据存储和检索时，聚合分析成为了一个至关重要的功能。聚合分析允许用户对数据集进行细分和分组，以便深入探索数据的结构和模式。这在诸如实时监控、日志分析、业务洞察等领域具有广泛的应用。1.2研究现状目前，ES聚合分析已经成为现代大数据平台的核心组件之一。它支持多种类型的聚
Python编译器鹿鹿~ Python编译器 Python python 开发语言后端
嘿嘿嘿我又来了啊有些小盆友可能不知道Python其实是有编译器的，也就是PyCharm。你们可能会问到这个是干嘛的又不可以吃也不可以穿好像没有什么用，其实你还说对了这个还真的不可以吃也不可以穿，但是它用来干嘛的呢。用来编译你所打出的代码进行运行（可能这里说的有点不对但是只是个人认为）现在我们来说说PyCharm是用来干嘛的。PyCharm是一种PythonIDE，带有一整套可以帮助用户在使用Pyt
一文掌握python面向对象魔术方法（二）程序员neil python python 开发语言
接上篇：一文掌握python面向对象魔术方法（一）-CSDN博客目录六、迭代和序列化：1、__iter__(self):定义迭代器，使得类可以被for循环迭代。2、__getitem__(self,key):定义索引操作，如obj[key]。3、__setitem__(self,key,value):定义赋值操作，如obj[key]=value。4、__delitem__(self,key):定义
一文掌握python常用的list（列表）操作程序员neil python python 开发语言
目录一、创建列表1.直接创建列表：2.使用list()构造器3.使用列表推导式4.创建空列表二、访问列表元素1.列表支持通过索引访问元素，索引从0开始：2.还可以使用切片操作访问列表的一部分：三、修改列表元素四、添加元素1.append()：在末尾添加元素2.insert()：在指定位置插入元素五、删除元素1.del：删除指定位置的元素2.remove()：删除指定值的第一个匹配项3.pop()：
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
python中的深拷贝与浅拷贝 anshejd70787 python
深拷贝和浅拷贝浅拷贝的时候，修改原来的对象，浅拷贝的对象不会发生改变。1、对象的赋值对象的赋值实际上是对象之间的引用：当创建一个对象，然后将这个对象赋值给另外一个变量的时候，python并没有拷贝这个对象，而只是拷贝了这个对象的引用。当对对象做赋值或者是参数传递或者作为返回值的时候，总是传递原始对象的引用，而不是一个副本。如下所示：>>>aList=["kel","abc",123]>>>bLis
用Python实现简单的猜数字游戏程序媛了了 python 游戏 java
猜数字游戏代码：importrandomdefpythonit():a=random.randint(1,100)n=int(input("输入你猜想的数字："))whilen!=a:ifn>a:print("很遗憾，猜大了")n=int(input("请再次输入你猜想的数字："))elifna::如果玩家猜的数字n大于随机数字a，则输出"很遗憾，猜大了"，并提示玩家再次输入。elifn
linux系统服务器下jsp传参数乱码 3213213333332132 java jsp linux windows xml
在一次解决乱码问题中，发现jsp在windows下用js原生的方法进行编码没有问题，但是到了linux下就有问题， escape,encodeURI,encodeURIComponent等都解决不了问题但是我想了下既然原生的方法不行，我用el标签的方式对中文参数进行加密解密总该可以吧。于是用了java的java.net.URLDecoder,结果还是乱码，最后在绝望之际，用了下面的方法解决了
Spring 注解区别以及应用 BlueSkator spring
1. @Autowired @Autowired是根据类型进行自动装配的。如果当Spring上下文中存在不止一个UserDao类型的bean，或者不存在UserDao类型的bean，会抛出 BeanCreationException异常，这时可以通过在该属性上再加一个@Qualifier注解来声明唯一的id解决问题。 2. @Qualifier 当spring中存在至少一个匹
printf和sprintf的应用 dcj3sjt126com PHP sprintf printf
<?php printf('b: %b c: %c d: %d <bf>f: %f', 80,80, 80, 80); echo ' '; printf('%0.2f %+d %0.2f ', 8, 8, 1235.456); printf('th
config.getInitParameter 171815164 parameter
web.xml <servlet> <servlet-name>servlet1</servlet-name> <jsp-file>/index.jsp</jsp-file> <init-param> <param-name>str</param-name>
Ant标签详解--基础操作 g21121 ant
Ant的一些核心概念： build.xml：构建文件是以XML 文件来描述的，默认构建文件名为build.xml。 project：每个构建文
[简单]代码片段_数据合并 53873039oycg 代码
合并规则:删除家长phone为空的记录,若一个家长对应多个孩子,保留一条家长记录,家长id修改为phone,对应关系也要修改。代码如下:
java 通信技术云端月影 Java 远程通信技术
在分布式服务框架中，一个最基础的问题就是远程服务是怎么通讯的，在Java领域中有很多可实现远程通讯的技术，例如：RMI、MINA、ESB、Burlap、Hessian、SOAP、EJB和JMS等，这些名词之间到底是些什么关系呢，它们背后到底是基于什么原理实现的呢，了解这些是实现分布式服务框架的基础知识，而如果在性能上有高的要求的话，那深入了解这些技术背后的机制就是必须的了，在这篇blog中我们将来
string与StringBuilder 性能差距到底有多大 aijuans
之前也看过一些对string与StringBuilder的性能分析，总感觉这个应该对整体性能不会产生多大的影响，所以就一直没有关注这块！由于学程序初期最先接触的string拼接，所以就一直没改变过自己的习惯！
今天碰到 java.util.ConcurrentModificationException 异常 antonyup_2006 java 多线程工作 IBM
今天改bug，其中有个实现是要对map进行循环，然后有删除操作，代码如下： Iterator<ListItem> iter = ItemMap.keySet.iterator(); while(iter.hasNext()){ ListItem it = iter.next(); //...一些逻辑操作 ItemMap.remove(it); } 结果运行报Con
PL/SQL的类型和JDBC操作数据库百合不是茶 PL/SQL表标量类型游标 PL/SQL记录
PL/SQL的标量类型: 字符,数字,时间,布尔,%type五中类型的 --标量：数据库中预定义类型的变量 --定义一个变长字符串 v_ename varchar2(10); --定义一个小数,范围 -9999.99~9999.99 v_sal number(6,2); --定义一个小数并给一个初始值为5.4 :=是pl/sql的赋值号
Mockito：一个强大的用于 Java 开发的模拟测试框架实例 bijian1013 mockito 单元测试
Mockito框架： Mockito是一个基于MIT协议的开源java测试框架。 Mockito区别于其他模拟框架的地方主要是允许开发者在没有建立“预期”时验证被测系统的行为。对于mock对象的一个评价是测试系统的测
精通Oracle10编程SQL(10)处理例外 bijian1013 oracle 数据库 plsql
/* *处理例外 */ --例外简介 --处理例外-传递例外 declare v_ename emp.ename%TYPE; begin SELECT ename INTO v_ename FROM emp where empno=&no; dbms_output.put_line('雇员名：'||v_ename); exceptio
【Java】Java执行远程机器上Linux命令 bit1129 linux命令
Java使用ethz通过ssh2执行远程机器Linux上命令，封装定义Linux机器的环境信息 package com.tom; import java.io.File; public class Env { private String hostaddr; //Linux机器的IP地址 private Integer po
java通信之Socket通信基础白糖_ java socket 网络协议
正处于网络环境下的两个程序，它们之间通过一个交互的连接来实现数据通信。每一个连接的通信端叫做一个Socket。一个完整的Socket通信程序应该包含以下几个步骤： ①创建Socket； ②打开连接到Socket的输入输出流； ④按照一定的协议对Socket进行读写操作； ④关闭Socket。 Socket通信分两部分：服务器端和客户端。服务器端必须优先启动，然后等待soc
angular.bind boyitech AngularJS angular.bind AngularJS API bind
angular.bind 描述：上下文，函数以及参数动态绑定，返回值为绑定之后的函数. 其中args是可选的动态参数，self在fn中使用this调用。使用方法： angular.bind(se
java-13个坏人和13个好人站成一圈，数到7就从圈里面踢出一个来，要求把所有坏人都给踢出来，所有好人都留在圈里。请找出初始时坏人站的位置。 bylijinnan java
import java.util.ArrayList; import java.util.List; public class KickOutBadGuys { /** * 题目：13个坏人和13个好人站成一圈，数到7就从圈里面踢出一个来，要求把所有坏人都给踢出来，所有好人都留在圈里。请找出初始时坏人站的位置。 * Maybe you can find out
Redis.conf配置文件及相关项说明（自查备用） Kai_Ge redis
Redis.conf配置文件及相关项说明 # Redis configuration file example # Note on units: when memory size is needed, it is possible to specifiy # it in the usual form of 1k 5GB 4M and so forth: #
[强人工智能]实现大规模拓扑分析是实现强人工智能的前奏 comsci 人工智能
真不好意思,各位朋友...博客再次更新... 节点数量太少,网络的分析和处理能力肯定不足,在面对机器人控制的需求方面,显得力不从心.... 但是,节点数太多,对拓扑数据处理的要求又很高,设计目标也很高,实现起来难度颇大...
记录一些常用的函数 dai_lm java
public static String convertInputStreamToString(InputStream is) { StringBuilder result = new StringBuilder(); if (is != null) try { InputStreamReader inputReader = new InputStreamRead
Hadoop中小规模集群的并行计算缺陷 datamachine mapreduce hadoop 并行计算
注：写这篇文章的初衷是因为Hadoop炒得有点太热，很多用户现有数据规模并不适用于Hadoop，但迫于扩容压力和去IOE（Hadoop的廉价扩展的确非常有吸引力）而尝试。尝试永远是件正确的事儿，但有时候不用太突进，可以调优或调需求，发挥现有系统的最大效用为上策。 -----------------------------------------------------------------
小学4年级英语单词背诵第二课 dcj3sjt126com english word
egg 蛋 twenty 二十 any 任何 well 健康的，好 twelve 十二 farm 农场 every 每一个 back 向后，回 fast 快速的 whose 谁的 much 许多 flower 花 watch 手表 very 非常，很 sport 运动 Chinese 中国的
自己实践了github的webhooks, linux上面的权限需要注意 dcj3sjt126com github webhook
环境, 阿里云服务器 1. 本地创建项目, push到github服务器上面 2. 生成www用户的密钥 sudo -u www ssh-keygen -t rsa -C "[email protected]" 3. 将密钥添加到github帐号的SSH_KEYS里面 3. 用www用户执行克隆, 源使
Java冒泡排序蕃薯耀冒泡排序 Java冒泡排序 Java排序
冒泡排序 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年6月23日 10:40:14 星期二 http://fanshuyao.iteye.com/
Excle读取数据转换为实体List【基于apache-poi】 hanqunfeng apache
1.依赖apache-poi 2.支持xls和xlsx 3.支持按属性名称绑定数据值 4.支持从指定行、列开始读取 5.支持同时读取多个sheet 6.具体使用方式参见org.cpframework.utils.excelreader.CP_ExcelReaderUtilTest.java 比如： Str
3个处于草稿阶段的Javascript API介绍 jackyrong JavaScript
原文： http://www.sitepoint.com/3-new-javascript-apis-may-want-follow/?utm_source=html5weekly&utm_medium=email 本文中，介绍3个仍然处于草稿阶段，但应该值得关注的Javascript API. 1) Web Alarm API &
6个创建Web应用程序的高效PHP框架 lampcy Web 框架 PHP
以下是创建Web应用程序的PHP框架，有coder bay网站整理推荐： 1. CakePHP CakePHP是一个PHP快速开发框架，它提供了一个用于开发、维护和部署应用程序的可扩展体系。CakePHP使用了众所周知的设计模式，如MVC和ORM，降低了开发成本，并减少了开发人员写代码的工作量。 2. CodeIgniter CodeIgniter是一个非常小且功能强大的PHP框架，适合需
评"救市后中国股市新乱象泛起"谣言 nannan408
首先来看百度百家一位易姓作者的新闻：三个多星期来股市持续暴跌，跌得投资者及上市公司都处于极度的恐慌和焦虑中，都要寻找自保及规避风险的方式。面对股市之危机，政府突然进入市场救市，希望以此来重建市场信心，以此来扭转股市持续暴跌的预期。而政府进入市场后，由于市场运作方式发生了巨大变化，投资者及上市公司为了自保及为了应对这种变化，中国股市新的乱象也自然产生。首先，中国股市这两天
页面全屏遮罩的实现方式 Rainbow702 html css 遮罩 mask
之前做了一个页面，在点击了某个按钮之后，要求页面出现一个全屏遮罩，一开始使用了position:absolute来实现的。当时因为画面大小是固定的，不可以resize的，所以，没有发现问题。最近用了同样的做法做了一个遮罩，但是画面是可以进行resize的，所以就发现了一个问题，当画面被reisze到浏览器出现了滚动条的时候，就发现，用absolute 的做法是有问题的。后来改成fixed定位就
关于angularjs的点滴 tntxia AngularJS
angular是一个新兴的JS框架，和以往的框架不同的事，Angularjs更注重于js的建模，管理，同时也提供大量的组件帮助用户组建商业化程序，是一种值得研究的JS框架。 Angularjs使我们可以使用MVC的模式来写JS。Angularjs现在由谷歌来维护。这里我们来简单的探讨一下它的应用。首先使用Angularjs我
Nutz--->>反复新建ioc容器的后果 xiaoxiao1992428 DAO mvc IOC nutz
问题： public class DaoZ { public static Dao dao() { // 每当需要使用dao的时候就取一次 Ioc ioc = new NutIoc(new JsonLoader("dao.js")); return ioc.get(

	A	B	C	D
0	A0	B0	C0	NaN
1	A1	B1	C1	NaN
2	A2	B2	C2	NaN
3	A3	B3	C3	NaN
0	NaN	B0	C0	D0
1	NaN	B1	C1	D1
2	NaN	B2	C2	D2
3	NaN	B3	C3	D3

	A	B	C	D
0	A0	B0	C0	NaN
1	A1	B1	C1	NaN
2	A2	B2	C2	NaN
3	A3	B3	C3	NaN
4	NaN	B0	C0	D0
5	NaN	B1	C1	D1
6	NaN	B2	C2	D2
7	NaN	B3	C3	D3

	A	B	C	D
0	A0	B0	C0	NaN
1	A1	B1	C1	NaN
2	A2	B2	C2	NaN
3	A3	B3	C3	NaN
0	NaN	B0	C0	D0
1	NaN	B1	C1	D1
2	NaN	B2	C2	D2
3	NaN	B3	C3	D3

	A	B	C	D
0	A0	B0	C0	NaN
1	A1	B1	C1	NaN
2	A2	B2	C2	NaN
3	A3	B3	C3	NaN
4	NaN	B0	C0	D0
5	NaN	B1	C1	D1
6	NaN	B2	C2	D2
7	NaN	B3	C3	D3

	A	B	C	D
0	A0	B0	C0	NaN
1	A1	B1	C1	NaN
2	A2	B2	C2	NaN
3	A3	B3	C3	NaN
0	NaN	B0	C0	D0
1	NaN	B1	C1	D1
2	NaN	B2	C2	D2
3	NaN	B3	C3	D3

	A	B	C	D
0	A0	B0	C0	NaN
1	A1	B1	C1	NaN
2	A2	B2	C2	NaN
3	A3	B3	C3	NaN
4	NaN	B0	C0	D0
5	NaN	B1	C1	D1
6	NaN	B2	C2	D2
7	NaN	B3	C3	D3