每日一爬虫
每日一爬虫

pandas 案例分析：美国各州人口数据分析

案例分析：美国各州人口数据分析

首先导入文件，并查看数据样本

In [54]: 
abbr = pd.read_csv("./usapop/state-abbrevs.csv")
abbr.head()
Out[54]:
  state abbreviation
0 Alabama AL
1 Alaska AK
2 Arizona AZ
3 Arkansas AR
4 California CA
In [55]: 
areas = pd.read_csv("./usapop/state-areas.csv")
areas.head()
Out[55]:
  state area (sq. mi)
0 Alabama 52423
1 Alaska 656425
2 Arizona 114006
3 Arkansas 53182
4 California 163707
In [56]: 
pop = pd.read_csv("./usapop/state-population.csv")
pop.head()
Out[56]:
  state/region ages year population
0 AL under18 2012 1117489.0
1 AL total 2012 4817528.0
2 AL under18 2010 1130966.0
3 AL total 2010 4785570.0
4 AL under18 2011 1125763.0

合并pop与abbrevs两个DataFrame，分别依据state/region列和abbreviation列来合并。

为了保留所有信息，使用外合并。

In [57]: 
pop2 = pop.merge(abbr,left_on="state/region",right_on="abbreviation",how="outer")
# 用外连接（或者左链接）
pop2
Out[57]:
  state/region ages year population state abbreviation
0 AL under18 2012 1117489.0 Alabama AL
1 AL total 2012 4817528.0 Alabama AL
2 AL under18 2010 1130966.0 Alabama AL
3 AL total 2010 4785570.0 Alabama AL
4 AL under18 2011 1125763.0 Alabama AL
5 AL total 2011 4801627.0 Alabama AL
6 AL total 2009 4757938.0 Alabama AL
7 AL under18 2009 1134192.0 Alabama AL
8 AL under18 2013 1111481.0 Alabama AL
9 AL total 2013 4833722.0 Alabama AL
10 AL total 2007 4672840.0 Alabama AL
11 AL under18 2007 1132296.0 Alabama AL
12 AL total 2008 4718206.0 Alabama AL
13 AL under18 2008 1134927.0 Alabama AL
14 AL total 2005 4569805.0 Alabama AL
15 AL under18 2005 1117229.0 Alabama AL
16 AL total 2006 4628981.0 Alabama AL
17 AL under18 2006 1126798.0 Alabama AL
18 AL total 2004 4530729.0 Alabama AL
19 AL under18 2004 1113662.0 Alabama AL
20 AL total 2003 4503491.0 Alabama AL
21 AL under18 2003 1113083.0 Alabama AL
22 AL total 2001 4467634.0 Alabama AL
23 AL under18 2001 1120409.0 Alabama AL
24 AL total 2002 4480089.0 Alabama AL
25 AL under18 2002 1116590.0 Alabama AL
26 AL under18 1999 1121287.0 Alabama AL
27 AL total 1999 4430141.0 Alabama AL
28 AL total 2000 4452173.0 Alabama AL
29 AL under18 2000 1122273.0 Alabama AL
... ... ... ... ... ... ...
2514 USA under18 1999 71946051.0 NaN NaN
2515 USA total 2000 282162411.0 NaN NaN
2516 USA under18 2000 72376189.0 NaN NaN
2517 USA total 1999 279040181.0 NaN NaN
2518 USA total 2001 284968955.0 NaN NaN
2519 USA under18 2001 72671175.0 NaN NaN
2520 USA total 2002 287625193.0 NaN NaN
2521 USA under18 2002 72936457.0 NaN NaN
2522 USA total 2003 290107933.0 NaN NaN
2523 USA under18 2003 73100758.0 NaN NaN
2524 USA total 2004 292805298.0 NaN NaN
2525 USA under18 2004 73297735.0 NaN NaN
2526 USA total 2005 295516599.0 NaN NaN
2527 USA under18 2005 73523669.0 NaN NaN
2528 USA total 2006 298379912.0 NaN NaN
2529 USA under18 2006 73757714.0 NaN NaN
2530 USA total 2007 301231207.0 NaN NaN
2531 USA under18 2007 74019405.0 NaN NaN
2532 USA total 2008 304093966.0 NaN NaN
2533 USA under18 2008 74104602.0 NaN NaN
2534 USA under18 2013 73585872.0 NaN NaN
2535 USA total 2013 316128839.0 NaN NaN
2536 USA total 2009 306771529.0 NaN NaN
2537 USA under18 2009 74134167.0 NaN NaN
2538 USA under18 2010 74119556.0 NaN NaN
2539 USA total 2010 309326295.0 NaN NaN
2540 USA under18 2011 73902222.0 NaN NaN
2541 USA total 2011 311582564.0 NaN NaN
2542 USA under18 2012 73708179.0 NaN NaN
2543 USA total 2012 313873685.0 NaN NaN

2544 rows × 6 columns

去除abbreviation的那一列（axis=1）

In [58]: 
pop2.drop("abbreviation",axis=1,inplace=True)
# 默认axis=0删除行
# inplace是否在原表上删除，默认是False不在原表上删除
In [59]: 
pop2.head()
Out[59]:
  state/region ages year population state
0 AL under18 2012 1117489.0 Alabama
1 AL total 2012 4817528.0 Alabama
2 AL under18 2010 1130966.0 Alabama
3 AL total 2010 4785570.0 Alabama
4 AL under18 2011 1125763.0 Alabama

查看存在缺失数据的列。

使用.isnull().any()，只有某一列存在一个缺失数据，就会显示True。

In [60]: 
cond = pop2.isnull().any(axis=1)
cond
Out[60]: 
0       False
1       False
2       False
3       False
4       False
5       False
6       False
7       False
8       False
9       False
10      False
11      False
12      False
13      False
14      False
15      False
16      False
17      False
18      False
19      False
20      False
21      False
22      False
23      False
24      False
25      False
26      False
27      False
28      False
29      False
        ...  
2514     True
2515     True
2516     True
2517     True
2518     True
2519     True
2520     True
2521     True
2522     True
2523     True
2524     True
2525     True
2526     True
2527     True
2528     True
2529     True
2530     True
2531     True
2532     True
2533     True
2534     True
2535     True
2536     True
2537     True
2538     True
2539     True
2540     True
2541     True
2542     True
2543     True
Length: 2544, dtype: bool
In [61]: 
pop2[cond]
Out[61]:
  state/region ages year population state
2448 PR under18 1990 NaN NaN
2449 PR total 1990 NaN NaN
2450 PR total 1991 NaN NaN
2451 PR under18 1991 NaN NaN
2452 PR total 1993 NaN NaN
2453 PR under18 1993 NaN NaN
2454 PR under18 1992 NaN NaN
2455 PR total 1992 NaN NaN
2456 PR under18 1994 NaN NaN
2457 PR total 1994 NaN NaN
2458 PR total 1995 NaN NaN
2459 PR under18 1995 NaN NaN
2460 PR under18 1996 NaN NaN
2461 PR total 1996 NaN NaN
2462 PR under18 1998 NaN NaN
2463 PR total 1998 NaN NaN
2464 PR total 1997 NaN NaN
2465 PR under18 1997 NaN NaN
2466 PR total 1999 NaN NaN
2467 PR under18 1999 NaN NaN
2468 PR total 2000 3810605.0 NaN
2469 PR under18 2000 1089063.0 NaN
2470 PR total 2001 3818774.0 NaN
2471 PR under18 2001 1077566.0 NaN
2472 PR total 2002 3823701.0 NaN
2473 PR under18 2002 1065051.0 NaN
2474 PR total 2004 3826878.0 NaN
2475 PR under18 2004 1035919.0 NaN
2476 PR total 2003 3826095.0 NaN
2477 PR under18 2003 1050615.0 NaN
... ... ... ... ... ...
2514 USA under18 1999 71946051.0 NaN
2515 USA total 2000 282162411.0 NaN
2516 USA under18 2000 72376189.0 NaN
2517 USA total 1999 279040181.0 NaN
2518 USA total 2001 284968955.0 NaN
2519 USA under18 2001 72671175.0 NaN
2520 USA total 2002 287625193.0 NaN
2521 USA under18 2002 72936457.0 NaN
2522 USA total 2003 290107933.0 NaN
2523 USA under18 2003 73100758.0 NaN
2524 USA total 2004 292805298.0 NaN
2525 USA under18 2004 73297735.0 NaN
2526 USA total 2005 295516599.0 NaN
2527 USA under18 2005 73523669.0 NaN
2528 USA total 2006 298379912.0 NaN
2529 USA under18 2006 73757714.0 NaN
2530 USA total 2007 301231207.0 NaN
2531 USA under18 2007 74019405.0 NaN
2532 USA total 2008 304093966.0 NaN
2533 USA under18 2008 74104602.0 NaN
2534 USA under18 2013 73585872.0 NaN
2535 USA total 2013 316128839.0 NaN
2536 USA total 2009 306771529.0 NaN
2537 USA under18 2009 74134167.0 NaN
2538 USA under18 2010 74119556.0 NaN
2539 USA total 2010 309326295.0 NaN
2540 USA under18 2011 73902222.0 NaN
2541 USA total 2011 311582564.0 NaN
2542 USA under18 2012 73708179.0 NaN
2543 USA total 2012 313873685.0 NaN

96 rows × 5 columns

In [ ]: 
​

查看缺失数据

根据数据是否缺失情况显示数据，如果缺失为True，那么显示

In [62]: 
cond_state = pop2["state"].isnull()

找到有哪些state/region使得state的值为NaN，使用unique()查看非重复值

In [63]: 
pop2[cond_state]["state/region"].unique()
Out[63]: 
array(['PR', 'USA'], dtype=object)

为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN！

记住这样清除缺失数据NaN的方法！

In [64]: 
cond_pr = pop2["state/region"] == "PR"
cond_usa = pop2["state/region"] == "USA"
In [65]: 
pop2["state"][cond_pr] = "Puerto Rico"
pop2["state"][cond_usa] = "United State"
d:\Anaconda\lib\site-packages\ipykernel_launcher.py:1: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  """Entry point for launching an IPython kernel.
d:\Anaconda\lib\site-packages\ipykernel_launcher.py:2: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
In [66]: 
pop2.head()
Out[66]:
  state/region ages year population state
0 AL under18 2012 1117489.0 Alabama
1 AL total 2012 4817528.0 Alabama
2 AL under18 2010 1130966.0 Alabama
3 AL total 2010 4785570.0 Alabama
4 AL under18 2011 1125763.0 Alabama
In [67]: 
pop2.isnull().any()
Out[67]: 
state/region    False
ages            False
year            False
population       True
state           False
dtype: bool

合并各州面积数据areas，使用左合并。

思考一下为什么使用外合并？

In [68]: 
areas.head()
Out[68]:
  state area (sq. mi)
0 Alabama 52423
1 Alaska 656425
2 Arizona 114006
3 Arkansas 53182
4 California 163707
In [69]: 
pop3 = pop2.merge(areas,how="outer")
pop3.head()
Out[69]:
  state/region ages year population state area (sq. mi)
0 AL under18 2012 1117489.0 Alabama 52423.0
1 AL total 2012 4817528.0 Alabama 52423.0
2 AL under18 2010 1130966.0 Alabama 52423.0
3 AL total 2010 4785570.0 Alabama 52423.0
4 AL under18 2011 1125763.0 Alabama 52423.0
In [ ]: 
​

继续寻找存在缺失数据的列

In [70]: 
pop3.isnull().any()
Out[70]: 
state/region     False
ages             False
year             False
population        True
state            False
area (sq. mi)     True
dtype: bool
In [71]: 
cond_area = pop3["area (sq. mi)"].isnull()
In [72]: 
pop3[cond_area]
Out[72]:
  state/region ages year population state area (sq. mi)
2496 USA under18 1990 64218512.0 United State NaN
2497 USA total 1990 249622814.0 United State NaN
2498 USA total 1991 252980942.0 United State NaN
2499 USA under18 1991 65313018.0 United State NaN
2500 USA under18 1992 66509177.0 United State NaN
2501 USA total 1992 256514231.0 United State NaN
2502 USA total 1993 259918595.0 United State NaN
2503 USA under18 1993 67594938.0 United State NaN
2504 USA under18 1994 68640936.0 United State NaN
2505 USA total 1994 263125826.0 United State NaN
2506 USA under18 1995 69473140.0 United State NaN
2507 USA under18 1996 70233512.0 United State NaN
2508 USA total 1995 266278403.0 United State NaN
2509 USA total 1996 269394291.0 United State NaN
2510 USA total 1997 272646932.0 United State NaN
2511 USA under18 1997 70920738.0 United State NaN
2512 USA under18 1998 71431406.0 United State NaN
2513 USA total 1998 275854116.0 United State NaN
2514 USA under18 1999 71946051.0 United State NaN
2515 USA total 2000 282162411.0 United State NaN
2516 USA under18 2000 72376189.0 United State NaN
2517 USA total 1999 279040181.0 United State NaN
2518 USA total 2001 284968955.0 United State NaN
2519 USA under18 2001 72671175.0 United State NaN
2520 USA total 2002 287625193.0 United State NaN
2521 USA under18 2002 72936457.0 United State NaN
2522 USA total 2003 290107933.0 United State NaN
2523 USA under18 2003 73100758.0 United State NaN
2524 USA total 2004 292805298.0 United State NaN
2525 USA under18 2004 73297735.0 United State NaN
2526 USA total 2005 295516599.0 United State NaN
2527 USA under18 2005 73523669.0 United State NaN
2528 USA total 2006 298379912.0 United State NaN
2529 USA under18 2006 73757714.0 United State NaN
2530 USA total 2007 301231207.0 United State NaN
2531 USA under18 2007 74019405.0 United State NaN
2532 USA total 2008 304093966.0 United State NaN
2533 USA under18 2008 74104602.0 United State NaN
2534 USA under18 2013 73585872.0 United State NaN
2535 USA total 2013 316128839.0 United State NaN
2536 USA total 2009 306771529.0 United State NaN
2537 USA under18 2009 74134167.0 United State NaN
2538 USA under18 2010 74119556.0 United State NaN
2539 USA total 2010 309326295.0 United State NaN
2540 USA under18 2011 73902222.0 United State NaN
2541 USA total 2011 311582564.0 United State NaN
2542 USA under18 2012 73708179.0 United State NaN
2543 USA total 2012 313873685.0 United State NaN

我们会发现area(sq.mi)这一列有缺失数据，为了找出是哪一行，我们需要找出是哪个state没有数据

In [73]: 
# usa面积缺失，就可以吧所有的州面积求和
usa_area = areas["area (sq. mi)"].sum()
In [74]: 
# 把美国的面积赋值到pop3中
pop3["area (sq. mi)"][cond_area] = usa_area
d:\Anaconda\lib\site-packages\ipykernel_launcher.py:2: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
In [75]: 
pop3
Out[75]:
  state/region ages year population state area (sq. mi)
0 AL under18 2012 1117489.0 Alabama 52423.0
1 AL total 2012 4817528.0 Alabama 52423.0
2 AL under18 2010 1130966.0 Alabama 52423.0
3 AL total 2010 4785570.0 Alabama 52423.0
4 AL under18 2011 1125763.0 Alabama 52423.0
5 AL total 2011 4801627.0 Alabama 52423.0
6 AL total 2009 4757938.0 Alabama 52423.0
7 AL under18 2009 1134192.0 Alabama 52423.0
8 AL under18 2013 1111481.0 Alabama 52423.0
9 AL total 2013 4833722.0 Alabama 52423.0
10 AL total 2007 4672840.0 Alabama 52423.0
11 AL under18 2007 1132296.0 Alabama 52423.0
12 AL total 2008 4718206.0 Alabama 52423.0
13 AL under18 2008 1134927.0 Alabama 52423.0
14 AL total 2005 4569805.0 Alabama 52423.0
15 AL under18 2005 1117229.0 Alabama 52423.0
16 AL total 2006 4628981.0 Alabama 52423.0
17 AL under18 2006 1126798.0 Alabama 52423.0
18 AL total 2004 4530729.0 Alabama 52423.0
19 AL under18 2004 1113662.0 Alabama 52423.0
20 AL total 2003 4503491.0 Alabama 52423.0
21 AL under18 2003 1113083.0 Alabama 52423.0
22 AL total 2001 4467634.0 Alabama 52423.0
23 AL under18 2001 1120409.0 Alabama 52423.0
24 AL total 2002 4480089.0 Alabama 52423.0
25 AL under18 2002 1116590.0 Alabama 52423.0
26 AL under18 1999 1121287.0 Alabama 52423.0
27 AL total 1999 4430141.0 Alabama 52423.0
28 AL total 2000 4452173.0 Alabama 52423.0
29 AL under18 2000 1122273.0 Alabama 52423.0
... ... ... ... ... ... ...
2514 USA under18 1999 71946051.0 United State 3790399.0
2515 USA total 2000 282162411.0 United State 3790399.0
2516 USA under18 2000 72376189.0 United State 3790399.0
2517 USA total 1999 279040181.0 United State 3790399.0
2518 USA total 2001 284968955.0 United State 3790399.0
2519 USA under18 2001 72671175.0 United State 3790399.0
2520 USA total 2002 287625193.0 United State 3790399.0
2521 USA under18 2002 72936457.0 United State 3790399.0
2522 USA total 2003 290107933.0 United State 3790399.0
2523 USA under18 2003 73100758.0 United State 3790399.0
2524 USA total 2004 292805298.0 United State 3790399.0
2525 USA under18 2004 73297735.0 United State 3790399.0
2526 USA total 2005 295516599.0 United State 3790399.0
2527 USA under18 2005 73523669.0 United State 3790399.0
2528 USA total 2006 298379912.0 United State 3790399.0
2529 USA under18 2006 73757714.0 United State 3790399.0
2530 USA total 2007 301231207.0 United State 3790399.0
2531 USA under18 2007 74019405.0 United State 3790399.0
2532 USA total 2008 304093966.0 United State 3790399.0
2533 USA under18 2008 74104602.0 United State 3790399.0
2534 USA under18 2013 73585872.0 United State 3790399.0
2535 USA total 2013 316128839.0 United State 3790399.0
2536 USA total 2009 306771529.0 United State 3790399.0
2537 USA under18 2009 74134167.0 United State 3790399.0
2538 USA under18 2010 74119556.0 United State 3790399.0
2539 USA total 2010 309326295.0 United State 3790399.0
2540 USA under18 2011 73902222.0 United State 3790399.0
2541 USA total 2011 311582564.0 United State 3790399.0
2542 USA under18 2012 73708179.0 United State 3790399.0
2543 USA total 2012 313873685.0 United State 3790399.0

2544 rows × 6 columns

去除含有缺失数据的行

In [76]: 
pop3.isnull().any()
Out[76]: 
state/region     False
ages             False
year             False
population        True
state            False
area (sq. mi)    False
dtype: bool

查看数据是否缺失

In [77]: 
pop3.dropna(inplace=True)
In [78]: 
pop3.isnull().any()
Out[78]: 
state/region     False
ages             False
year             False
population       False
state            False
area (sq. mi)    False
dtype: bool

找出2010年的全民人口数据,df.query(查询语句)

In [79]: 
pop3.head()
Out[79]:
  state/region ages year population state area (sq. mi)
0 AL under18 2012 1117489.0 Alabama 52423.0
1 AL total 2012 4817528.0 Alabama 52423.0
2 AL under18 2010 1130966.0 Alabama 52423.0
3 AL total 2010 4785570.0 Alabama 52423.0
4 AL under18 2011 1125763.0 Alabama 52423.0
In [80]: 
pop3.query("year==2010 & ages=='total' & state=='United State'")
Out[80]:
  state/region ages year population state area (sq. mi)
2539 USA total 2010 309326295.0 United State 3790399.0
In [81]: 
pop_2010 = pop3.query("year==2010 & ages=='total'")
pop_2010
Out[81]:
  state/region ages year population state area (sq. mi)
3 AL total 2010 4785570.0 Alabama 52423.0
91 AK total 2010 713868.0 Alaska 656425.0
101 AZ total 2010 6408790.0 Arizona 114006.0
189 AR total 2010 2922280.0 Arkansas 53182.0
197 CA total 2010 37333601.0 California 163707.0
283 CO total 2010 5048196.0 Colorado 104100.0
293 CT total 2010 3579210.0 Connecticut 5544.0
379 DE total 2010 899711.0 Delaware 1954.0
389 DC total 2010 605125.0 District of Columbia 68.0
475 FL total 2010 18846054.0 Florida 65758.0
485 GA total 2010 9713248.0 Georgia 59441.0
570 HI total 2010 1363731.0 Hawaii 10932.0
581 ID total 2010 1570718.0 Idaho 83574.0
666 IL total 2010 12839695.0 Illinois 57918.0
677 IN total 2010 6489965.0 Indiana 36420.0
762 IA total 2010 3050314.0 Iowa 56276.0
773 KS total 2010 2858910.0 Kansas 82282.0
858 KY total 2010 4347698.0 Kentucky 40411.0
869 LA total 2010 4545392.0 Louisiana 51843.0
954 ME total 2010 1327366.0 Maine 35387.0
965 MD total 2010 5787193.0 Maryland 12407.0
1050 MA total 2010 6563263.0 Massachusetts 10555.0
1061 MI total 2010 9876149.0 Michigan 96810.0
1146 MN total 2010 5310337.0 Minnesota 86943.0
1157 MS total 2010 2970047.0 Mississippi 48434.0
1242 MO total 2010 5996063.0 Missouri 69709.0
1253 MT total 2010 990527.0 Montana 147046.0
1338 NE total 2010 1829838.0 Nebraska 77358.0
1349 NV total 2010 2703230.0 Nevada 110567.0
1434 NH total 2010 1316614.0 New Hampshire 9351.0
1445 NJ total 2010 8802707.0 New Jersey 8722.0
1530 NM total 2010 2064982.0 New Mexico 121593.0
1541 NY total 2010 19398228.0 New York 54475.0
1626 NC total 2010 9559533.0 North Carolina 53821.0
1637 ND total 2010 674344.0 North Dakota 70704.0
1722 OH total 2010 11545435.0 Ohio 44828.0
1733 OK total 2010 3759263.0 Oklahoma 69903.0
1818 OR total 2010 3837208.0 Oregon 98386.0
1829 PA total 2010 12710472.0 Pennsylvania 46058.0
1914 RI total 2010 1052669.0 Rhode Island 1545.0
1925 SC total 2010 4636361.0 South Carolina 32007.0
2010 SD total 2010 816211.0 South Dakota 77121.0
2021 TN total 2010 6356683.0 Tennessee 42146.0
2106 TX total 2010 25245178.0 Texas 268601.0
2117 UT total 2010 2774424.0 Utah 84904.0
2202 VT total 2010 625793.0 Vermont 9615.0
2213 VA total 2010 8024417.0 Virginia 42769.0
2298 WA total 2010 6742256.0 Washington 71303.0
2309 WV total 2010 1854146.0 West Virginia 24231.0
2394 WI total 2010 5689060.0 Wisconsin 65503.0
2405 WY total 2010 564222.0 Wyoming 97818.0
2490 PR total 2010 3721208.0 Puerto Rico 3515.0
2539 USA total 2010 309326295.0 United State 3790399.0

对查询结果进行处理，以state列作为新的行索引:set_index

In [82]: 
pop_2010.set_index("state",inplace=True)
In [83]: 
pop_2010.shape
Out[83]: 
(53, 5)

计算人口密度。注意是Series/Series，其结果还是一个Series。

In [84]: 
pop_dense = pop_2010["population"] / pop_2010["area (sq. mi)"]
pop_dense
Out[84]: 
state
Alabama                   91.287603
Alaska                     1.087509
Arizona                   56.214497
Arkansas                  54.948667
California               228.051342
Colorado                  48.493718
Connecticut              645.600649
Delaware                 460.445752
District of Columbia    8898.897059
Florida                  286.597129
Georgia                  163.409902
Hawaii                   124.746707
Idaho                     18.794338
Illinois                 221.687472
Indiana                  178.197831
Iowa                      54.202751
Kansas                    34.745266
Kentucky                 107.586994
Louisiana                 87.676099
Maine                     37.509990
Maryland                 466.445797
Massachusetts            621.815538
Michigan                 102.015794
Minnesota                 61.078373
Mississippi               61.321530
Missouri                  86.015622
Montana                    6.736171
Nebraska                  23.654153
Nevada                    24.448796
New Hampshire            140.799273
New Jersey              1009.253268
New Mexico                16.982737
New York                 356.094135
North Carolina           177.617157
North Dakota               9.537565
Ohio                     257.549634
Oklahoma                  53.778278
Oregon                    39.001565
Pennsylvania             275.966651
Rhode Island             681.339159
South Carolina           144.854594
South Dakota              10.583512
Tennessee                150.825298
Texas                     93.987655
Utah                      32.677188
Vermont                   65.085075
Virginia                 187.622273
Washington                94.557817
West Virginia             76.519582
Wisconsin                 86.851900
Wyoming                    5.768079
Puerto Rico             1058.665149
United State              81.607845
dtype: float64

排序，并找出人口密度最高的五个州sort_values()

In [85]: 
pop_dense.sort_values(inplace=True)
pop_dense
Out[85]: 
state
Alaska                     1.087509
Wyoming                    5.768079
Montana                    6.736171
North Dakota               9.537565
South Dakota              10.583512
New Mexico                16.982737
Idaho                     18.794338
Nebraska                  23.654153
Nevada                    24.448796
Utah                      32.677188
Kansas                    34.745266
Maine                     37.509990
Oregon                    39.001565
Colorado                  48.493718
Oklahoma                  53.778278
Iowa                      54.202751
Arkansas                  54.948667
Arizona                   56.214497
Minnesota                 61.078373
Mississippi               61.321530
Vermont                   65.085075
West Virginia             76.519582
United State              81.607845
Missouri                  86.015622
Wisconsin                 86.851900
Louisiana                 87.676099
Alabama                   91.287603
Texas                     93.987655
Washington                94.557817
Michigan                 102.015794
Kentucky                 107.586994
Hawaii                   124.746707
New Hampshire            140.799273
South Carolina           144.854594
Tennessee                150.825298
Georgia                  163.409902
North Carolina           177.617157
Indiana                  178.197831
Virginia                 187.622273
Illinois                 221.687472
California               228.051342
Ohio                     257.549634
Pennsylvania             275.966651
Florida                  286.597129
New York                 356.094135
Delaware                 460.445752
Maryland                 466.445797
Massachusetts            621.815538
Connecticut              645.600649
Rhode Island             681.339159
New Jersey              1009.253268
Puerto Rico             1058.665149
District of Columbia    8898.897059
dtype: float64
In [86]: 
pop_dense.tail()
Out[86]: 
state
Connecticut              645.600649
Rhode Island             681.339159
New Jersey              1009.253268
Puerto Rico             1058.665149
District of Columbia    8898.897059
dtype: float64

找出人口密度最低的五个州

In [87]: 
pop_dense.head()
Out[87]: 
state
Alaska           1.087509
Wyoming          5.768079
Montana          6.736171
North Dakota     9.537565
South Dakota    10.583512
dtype: float64

要点总结：

  • 统一用loc()索引
  • 善于使用.isnull().any()找到存在NaN的列
  • 善于使用.unique()确定该列中哪些key是我们需要的
  • 一般使用外合并、左合并，目的只有一个：宁愿该列是NaN也不要丢弃其他列的信息

你可能感兴趣的:(数据分析)

  • Redis学习：从基础到应用的全面探索 来恩1003 Redisredis学习数据库
    Redis学习资料Redis学习资料Redis学习资料在当今数字化时代，数据处理与存储的效率成为众多应用的关键所在。Redis作为一款高性能的内存数据库，凭借其独特的优势，在众多领域发挥着不可或缺的作用。无论是高并发的Web应用、实时数据分析，还是缓存机制的构建，Redis都展现出了卓越的性能。下面将为你详细介绍Redis的学习路径，助你从入门走向精通。一、Redis初相识：基础概念与安装Redi
  • 探索数据之美：用Python生成词云图 进击的六角龙 Pythonpython开发语言数据可视化
    导语在这个信息爆炸的时代，数据无处不在，而如何从海量数据中提取有价值的信息并可视化展示，成为了数据分析与可视化领域的重要课题。今天，我们将一起探索如何使用Python中的wordcloud库来生成词云图，让数据“说话”，用图形讲述数据背后的故事。wordcloud是一个在Python中广泛使用的第三方库，主要用于根据文本数据生成词云（WordClouds）。词云是一种可视化技术，它能够有效地展示文
  • 预见未来：基于MySQL的实时用户行为影响预测系统，掌握商业先机 墨夶 数据库学习资料2mysql数据库
    在这个信息瞬息万变的时代，企业如何能够迅速响应市场变化，准确捕捉用户需求，成为竞争中的佼佼者？答案在于构建一个高效的实时用户行为影响预测系统。通过利用MySQL的强大功能和先进的数据分析技术，我们可以深入挖掘用户的每一次点击、浏览乃至购买背后的故事，不仅帮助公司更好地理解现有客户群体的行为模式，还能提前预测未来的趋势走向。今天，我们将带您走进这个神奇的世界，探索如何用代码编织出一张精准描绘用户心理
  • MySQL 进阶：运维与架构 - 延迟复制 墨夶 数据库学习资料1mysql运维架构
    MySQL进阶：运维与架构-延迟复制在MySQL的主从复制架构中，延迟复制（DelayedReplication）是一种特殊的复制策略，它允许从服务器（Slave）在接收到主服务器（Master）的二进制日志事件后，延迟一段时间再执行这些事件。这种机制在多种场景下都非常有用，例如，当需要在从服务器上保留旧的数据版本以供审计或备份时，或者当需要在从服务器上进行一些非实时的数据分析时。本文将详细介绍M
  • Spark Livy 指南及livy部署访问实践 house.zhang 大数据-Spark大数据
    背景：ApacheSpark是一个比较流行的大数据框架、广泛运用于数据处理、数据分析、机器学习中，它提供了两种方式进行数据处理，一是交互式处理：比如用户使用spark-shell，编写交互式代码编译成spark作业提交到集群上去执行；二是批处理，通过spark-submit提交打包好的spark应用jar到集群中进行执行。这两种运行方式都需要安装spark客户端配置好yarn集群信息，并打通集群网
  • MATLAB语言的数据库交互 Quantum&Coder 包罗万象golang开发语言后端
    MATLAB语言的数据库交互引言在当今数据驱动的时代，掌握数据库的使用和管理是非常重要的。MATLAB作为一种强大的数值计算和数据分析工具，广泛应用于科学研究、工程设计和数据分析等领域。为了更有效地处理和分析数据，MATLAB提供了与各类数据库交互的功能。本文将探讨MATLAB语言如何与数据库进行交互，包括连接数据库、执行SQL查询、读取和写入数据等基本操作，并结合实例进行详细说明，以帮助读者理解
  • Python-玩转数据-数据分析之分析思维 人猿宇宙 数据分析pythonbigdata
    一、说明当下时代的社会生产发展，人们都开始习惯于用数据来说明某个观点和反映事物的内在规律或享用自动化和人工智能带来的便利。但这些轻松快捷的方便背后，都是相关工作者的专业流程作为源源不断的支撑。二、大数据思维自从几年前大数据开始兴起，大数据思维已经逐渐被更动的人接受，随着其进一步发展，产生了巨大的生产效果。三、数据驱动的生产力作为一个数据工程师，仅仅知道跑数据是不够的，还需要通过数据发现生产环节出现
  • 一文了解数字孪生是什么？数字孪生赋能哪些行业应用场景 橙子吖21 数字孪生区块链人工智能数学建模交互
    导语数字孪生是物理系统向信息空间映射的关键技术，通过传感器和数据分析实现实时模拟和控制。与元宇宙不同，数字孪生强调物理对象的复现，是元宇宙的技术基础。NewIT技术支撑数字孪生的广泛应用，助力工业、城市等多领域实现虚拟与现实融合，促进经济社会创新发展。01什么是数字孪生？数字孪生，英文名为DiditalTwin(数字双胞胎)，也成为数字映射、数字镜像。它的官方定义非常复杂，是这么说的：是充分利用物
  • 【数据分析（二）】初探 Pandas dandellion_ Python语法数据分析pandas数据挖掘
    目录引言1.基本数据结构1.1.Series的初始化和简单操作1.2.DataFrame的初始化和简单操作1.2.1.初始化与持久化1.2.2.读取查看1.2.3.行操作1.2.4.列操作1.2.5.选中筛查2.数据预处理2.0.生成样例表2.1.缺失值处理2.2.类型转换和排序2.3.统计分析3.数据透视3.0.生成样例表3.1.生成透视表4.数据重塑4.1.层次化索引4.1.1.双层索引的Se
  • 数字孪生：物联+数据打造洞察世界新视角 CServer_01 数字孪生模拟仿真工业软件
    引言：数字孪生是物理系统向信息空间映射的关键技术，通过传感器、数据分析、物联网，实现实时模拟和控制。新一代信息技术支撑数字孪生的广泛应用，使其在工业、城市、交通、医疗、水利等多领域实现虚拟与现实融合，促进经济社会创新发展。如果，您可以打造任何物品、场景、城市的另一种表达形式。就如同打开上帝视角一样，可以随时随地及时监控物它的性能，预测物品的状况，并提高其效率。这种实时、持续的信息更新、交换，使得您
  • Python人工智能在气象中的应用，包括：天气预测、气候模拟、降雨量和降水预测、气象数据分析、气象预警系统 xiao5kou4chang6kai4 气象气候预报天气预测气候模拟.降雨量和降水预测气象数据分析气象预警系统python
    Python人工智能在气象中有多种应用，包括：天气预测、气候模拟、降雨量和降水预测、气象数据分析、气象预警系统Python是功能强大、免费、开源，实现面向对象的编程语言，在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面具备优异的性能，这些优势使得Python在气象、海洋、地理、气候、水文和生态等地学领域的科研和工程项目中得到广泛应用。可以预见未来Python将成为的主流编程语言之一。人工智
  • ChatGPT4.0最新功能和使用技巧，助力日常生活、学习与工作！ WangYan2022 教程人工智能chatgpt数据分析ai绘画AI写作
    熟练掌握ChatGPT4.0在数据分析、自动生成代码等方面的强大功能，系统学习人工智能（包括传统机器学习、深度学习等）的基础理论知识，以及具体的代码实现方法，同时掌握ChatGPT4.0在科研工作中的各种使用方法与技巧，以及人工智能领域经典机器学习算法（BP神经网络、支持向量机、决策树、随机森林、变量降维与特征选择、群优化算法等）和热门深度学习方法（卷积神经网络、迁移学习、RNN与LSTM神经网络
  • 体育比分网站搭建的常规流程参考教程 翱翔的猪脑花 信息可视化
    一、项目策划与需求分析在启动体育比分直播网站搭建项目前，首要任务是对市场进行深入的研究与分析，考察现有竞品的优势Atlaslive与CAF与不足，找准目标用户群体的需求痛点。例如，用户可能关注实时比分更新的速度与精确度，全面的赛事覆盖范围，深度的数据分析，以及便利的社交互动功能等。基于此，明确网站的定位和特色，设计出包括实时比分直播、赛事前瞻与回顾、详尽数据分析、体育新闻报道、互动社区等在内的核心
  • 构建高效GPU算力平台：挑战、策略与未来展望 Mr' 郑 gpu算力
    引言随着深度学习、高性能计算和大数据分析等领域的快速发展，GPU（图形处理器）因其强大的并行计算能力和浮点运算速度而成为首选的计算平台。然而，随着模型规模的增长和技术的进步，构建高效稳定的GPU算力平台面临着新的挑战。本文旨在探讨这些挑战、应对策略以及对未来发展的展望。当前挑战算力分配与资源优化在多用户共享GPU集群的环境下，合理分配计算资源并确保每个任务能够高效运行是一项挑战。这不仅涉及到硬件资
  • 数据分析及应用：经营分析中的综合指标解析与应用 莫叫石榴姐 收获不止一点大数据数据分析机器学习
    目录1.市场份额（MarketShare）2.客户获取成本（CustomerAcquisitionCost,CAC）3.客户生命周期价值（CustomerLifetimeValue,CLV）4.客户留存率（CustomerRetentionRate,CRR）5.净推荐值（NetPromoterScore,NPS）6.转化率（ConversionRate）7.平均订单价值（AverageOrderV
  • 全面解读 Databricks：从架构、引擎到优化策略 克里斯蒂亚诺罗纳尔多阿维罗 架构spark大数据
    导语：Databricks是一家由ApacheSpark创始团队成员创立的公司，同时也是一个统一分析平台，帮助企业构建数据湖与数据仓库一体化（Lakehouse）的架构。在Databricks平台上，数据工程、数据科学与数据分析团队能够协作使用Spark、DeltaLake、MLflow等工具高效处理数据与构建机器学习应用。本文将深入介绍Databricks的平台概念、架构特点、优化机制、功能特性
  • 无效数据，你会怎么处理？ 网络安全我来了 IT技术无效数据
    如何处理无效数据？无效数据就像海洋中的漂流物，易被忽视，却可能对你的数据分析产生深远的影响。在这个瞬息万变的数字世界中，数据已经成为了决策的核心。但你是否曾想过，无效数据会如何悄然破坏你的洞察力？在这篇文章中，我们将深入探讨如何识别和处理无效数据，确保你的分析能够真正反映现实的情况。无效数据的定义与重要性什么是无效数据？无效数据是指在数据集中不符合预期的数据，它可能是错误的、不完整的、重复的，甚至
  • 14-美妆数据分析 william_liu1 数据分析数据分析数据挖掘
    前言美妆数据分析可以帮助企业更好地理解市场趋势、客户偏好和产品表现importpandasaspdimportnumpyasnp一、数据清洗data=pd.read_csv(r'C:\Users\B\Desktop\美妆数据.csv',encoding='gbk')data.head()data.info()data=data.drop_duplicates(inplace=False)data.
  • 基于Python大数据的王者荣耀战队数据分析及可视化系统 计算机学姐 大数据精选实战项目源码Python精选实战项目源码Vue源码1024程序员节python大数据数据分析数据挖掘djangovue.js
    作者：计算机学姐开发技术：SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、Python、小程序等，“文末源码”。专栏推荐：前后端分离项目源码、SpringBoot项目源码、Vue项目源码、SSM项目源码、微信小程序源码精品专栏：Java精选实战项目源码、Python精选实战项目源码、大数据精选实战项目源码系统展示【2025最新】基于大数据+大屏可视化+Python+D
  • Apache Hive--排序函数解析 大鳥 apachehivehadoop
    在大数据处理与分析中，ApacheHive是一个至关重要的数据仓库工具。其丰富的函数库为数据处理提供了诸多便利，排序函数便是其中一类非常实用的工具。通过排序函数，我们能够在查询结果集中为每一行数据分配一个排名值，这对于数据分析、报表生成等工作具有重要意义。本文将深入探讨ApacheHive中的排序函数，通过具体的HQL代码和数据实例进行说明，并阐述它们之间的区别。0.排序函数：ORDER、SORT
  • 第八讲 SCQL使用 huang8666 数据库mysql
    第八讲SCQL使用部署系统项目设置联合分析scql概念：project：多个参与方在协商一致后加入到同一个项目中进行安全数据分析参与方身份认证数据表管理：管理参与分析的数据表的schema信息权限信息管理：表字段的权限信息，特别是CCL信息SCDB包含的内容：database,user,table,privilege创建用户通过root账户，语法时间戳，签名公钥地址：防止伪造身份攻击创建项目创建表
  • 数据入湖的前提条件：数据标准 之 数据质量评估 goTsHgo 开发技巧大数据大数据
    数据质量评估是数据入湖前必须满足的核心标准之一，其目的是确保数据的准确性、完整性、一致性和可靠性。通过系统化评估，能够最大限度地提升数据的价值，降低数据问题对业务决策的负面影响。下面从底层原理、详细步骤及背后原因进行全面解析。1.为什么需要数据质量评估？1.1确保数据可靠性含义：数据质量直接影响分析结果和业务决策，低质量数据会导致错误的模型输出或策略失败。原因：如果入湖数据质量不佳，后续数据分析、
  • 基于python的时空地理加权回归（GTWR）模型 有梦想的Frank博士 数据处理数据分析回归空间分析时空异质性
    一、时空地理加权回归（GTWR）模型时空地理加权回归（GTWR）模型是由美国科罗拉多州立大学的AndyLiaw、StanleyA.Fiel和MichaelE.Bock于2008年提出的一种高级空间统计分析方法。它是在传统地理加权回归（GWR）模型的基础上发展起来的，通过结合时间和空间两个维度，提供了一种更为灵活和精确的时空数据分析手段。背景和发展传统的地理加权回归（GWR）模型主要关注地理空间上的
  • 工业互联网架构 st20195114 架构
    工业互联网架构详解引言工业互联网（IndustrialInternet）是工业领域与互联网技术深度融合的产物，它推动了智能制造和数字化转型的进程。工业互联网架构的设计不仅需要满足数据处理和通信的要求，还需考虑设备互联、数据分析和安全等多方面的因素。本文将对工业互联网架构进行详细阐述，帮助理解其关键组成部分及其功能。工业互联网架构概述工业互联网架构通常包括设备层、网络层、数据层和应用层四个主要部分。
  • 北大数学校友胡懿娟归国任教！重回母校，专注于统计学、微生物学和遗传学的交叉领域 量子位
    关注前沿科技量子位又一科学家从美归国——北大数学系校友胡懿娟。援引人民日报消息，在北京大学北京国际数学研究中心发布的2024年工作回顾中显示，她于去年7月入职北大。回来之后，她将继续专注于统计学、微生物学和遗传学的交叉领域，致力于解决实际的生物医学数据分析问题。△北大官网截图网友纷纷为她点赞：能力与颜值并存！同时也感叹，越来越多的科学家选择回到祖国，为科学技术发展和人才培养添砖加瓦。北大数学校友胡
  • Python字典详解 2401_89224765 python开发语言
    print(dict4)需要注意的是：fromkeys方法只用来创建新字典，不负责保存。当通过一个字典来调用fromkeys方法时，如果需要后续使用一定记得给他复制给其他的变量。②访问字典：第一阶段：基操勿6！如果要想获取字典中某个键的值，可以通过访问键的方式来显示对应的值。上代码：dict={‘线代’:“99”,“数据分析”:“99”,“概率论”:“98”}#创建字典print(‘小红同学的线代
  • 使用Python爬虫将抓取的数据保存到Excel文件 Python爬虫项目 2025年爬虫实战项目python爬虫excel测试工具开发语言信息可视化
    在进行Python爬虫开发时，数据的存储是非常重要的一环。随着数据分析需求的不断增长，保存和管理大量的数据变得尤为重要。CSV（Comma-SeparatedValues）格式一直是一个常见的存储格式，但在许多应用场景下，Excel文件作为一种更直观、结构化的方式，具有更多的优势，尤其在数据分析与可视化方面。Excel文件不仅能够承载数据，还能进行复杂的数据操作、图表展示等，使其在数据科学、商业分
  • Python的Matplotlib库详解 pumpkin84514 python相关pythonmatplotlib开发语言
    Python的Matplotlib库详解Matplotlib是Python中功能强大的数据可视化库，广泛应用于科研、数据分析、报告生成等领域。它能创建各种类型的图表，帮助用户直观地展示数据。一、使用场景1.数据探索和分析：在数据科学领域，Matplotlib经常被用来绘制各种图表，如折线图、散点图、直方图等，以帮助分析和理解数据。2.报告生成：科研人员和数据分析师常用Matplotlib生成图表，
  • Python 爬虫入门教程：从零构建你的第一个网络爬虫 m0_66323401 python爬虫开发语言
    网络爬虫是一种自动化程序，用于从网站抓取数据。Python凭借其丰富的库和简单的语法，是构建网络爬虫的理想语言。本文将带你从零开始学习Python爬虫的基本知识，并实现一个简单的爬虫项目。1.什么是网络爬虫？网络爬虫（WebCrawler）是一种通过网络协议（如HTTP/HTTPS）获取网页内容，并提取其中有用信息的程序。常见的爬虫用途包括：收集商品价格和评价。抓取新闻或博客内容。统计数据分析。爬
  • Python数据分析高频面试题及答案 闲人编程 程序员面试python数据分析面试题核心
    目录1.基础知识2.数据处理3.数据可视化4.机器学习模型5.进阶问题6.数据清洗与预处理7.数据转换与操作8.时间序列分析9.高级数据分析技术10.数据降维与特征选择11.模型评估与优化12.数据操作与转换13.数据筛选与分析14.数据可视化与报告15.数据统计与分析16.高级数据处理以下是一些Python数据分析的高频核心面试题及其答案，涵盖了基础知识、数据1.基础知识问1：Python中列表
  • java封装继承多态等 麦田的设计者 javaeclipsejvmcencapsulatopn
           最近一段时间看了很多的视频却忘记总结了，现在只能想到什么写什么了，希望能起到一个回忆巩固的作用。     1、final关键字       译为：最终的        &
  • F5与集群的区别 bijian1013 weblogic集群F5
            http请求配置不是通过集群，而是F5；集群是weblogic容器的，如果是ejb接口是通过集群。         F5同集群的差别，主要还是会话复制的问题，F5一把是分发http请求用的，因为http都是无状态的服务，无需关注会话问题，类似
  • LeetCode[Math] - #7 Reverse Integer Cwind java题解MathLeetCodeAlgorithm
    原题链接：#7 Reverse Integer   要求： 按位反转输入的数字 例1： 输入 x = 123, 返回 321 例2： 输入 x = -123, 返回 -321   难度：简单   分析： 对于一般情况，首先保存输入数字的符号，然后每次取输入的末位（x%10）作为输出的高位（result = result*10 + x%10）即可。但
  • BufferedOutputStream 周凡杨
         首先说一下这个大批量，是指有上千万的数据量。      例子：      有一张短信历史表，其数据有上千万条数据，要进行数据备份到文本文件，就是执行如下SQL然后将结果集写入到文件中！      select t.msisd
  • linux下模拟按键输入和鼠标 被触发 linux
    查看/dev/input/eventX是什么类型的事件， cat /proc/bus/input/devices 设备有着自己特殊的按键键码，我需要将一些标准的按键，比如0－9，X－Z等模拟成标准按键，比如KEY_0,KEY-Z等，所以需要用到按键 模拟，具体方法就是操作/dev/input/event1文件，向它写入个input_event结构体就可以模拟按键的输入了。 linux/in
  • ContentProvider初体验 肆无忌惮_ ContentProvider
    ContentProvider在安卓开发中非常重要。与Activity，Service，BroadcastReceiver并称安卓组件四大天王。 在android中的作用是用来对外共享数据。因为安卓程序的数据库文件存放在data/data/packagename里面，这里面的文件默认都是私有的，别的程序无法访问。 如果QQ游戏想访问手机QQ的帐号信息一键登录，那么就需要使用内容提供者COnte
  • 关于Spring MVC项目（maven）中通过fileupload上传文件 843977358 mybatisspring mvc修改头像上传文件upload
    Spring MVC 中通过fileupload上传文件，其中项目使用maven管理。   1.上传文件首先需要的是导入相关支持jar包：commons-fileupload.jar,commons-io.jar 因为我是用的maven管理项目，所以要在pom文件中配置（每个人的jar包位置根据实际情况定） <!-- 文件上传 start by zhangyd-c --&g
  • 使用svnkit api，纯java操作svn，实现svn提交，更新等操作 aigo svnkit
     原文：http://blog.csdn.net/hardwin/article/details/7963318   import java.io.File; import org.apache.log4j.Logger; import org.tmatesoft.svn.core.SVNCommitInfo; import org.tmateso
  • 对比浏览器，casperjs，httpclient的Header信息 alleni123 爬虫crawlerheader
    @Override protected void doGet(HttpServletRequest req, HttpServletResponse res) throws ServletException, IOException { String type=req.getParameter("type"); Enumeration es=re
  • java.io操作 DataInputStream和DataOutputStream基本数据流 百合不是茶 java流
    1，java中如果不保存整个对象，只保存类中的属性，那么我们可以使用本篇文章中的方法，如果要保存整个对象  先将类实例化  后面的文章将详细写到     2，DataInputStream 是java.io包中一个数据输入流允许应用程序以与机器无关方式从底层输入流中读取基本 Java 数据类型。应用程序可以使用数据输出流写入稍后由数据输入流读取的数据。
  • 车辆保险理赔案例 bijian1013 车险
    理赔案例： 一货运车，运输公司为车辆购买了机动车商业险和交强险，也买了安全生产责任险，运输一车烟花爆竹，在行驶途中发生爆炸，出现车毁、货损、司机亡、炸死一路人、炸毁一间民宅等惨剧，针对这几种情况，该如何赔付。 赔付建议和方案： 客户所买交强险在这里不起作用，因为交强险的赔付前提是：“机动车发生道路交通意外事故”； 如果是交通意外事故引发的爆炸，则优先适用交强险条款进行赔付，不足的部分由商业
  • 学习Spring必学的Java基础知识(5)—注解 bijian1013 javaspring
            文章来源：http://www.iteye.com/topic/1123823，整理在我的博客有两个目的：一个是原文确实很不错，通俗易懂，督促自已将博主的这一系列关于Spring文章都学完；另一个原因是为免原文被博主删除，在此记录，方便以后查找阅读。           有必要对
  • 【Struts2一】Struts2 Hello World bit1129 Hello world
    Struts2 Hello World应用的基本步骤 创建Struts2的Hello World应用，包括如下几步： 1.配置web.xml 2.创建Action 3.创建struts.xml，配置Action 4.启动web server，通过浏览器访问   配置web.xml <?xml version="1.0" encoding="
  • 【Avro二】Avro RPC框架 bit1129 rpc
    1. Avro RPC简介 1.1. RPC RPC逻辑上分为二层，一是传输层，负责网络通信；二是协议层，将数据按照一定协议格式打包和解包 从序列化方式来看，Apache Thrift 和Google的Protocol Buffers和Avro应该是属于同一个级别的框架，都能跨语言，性能优秀，数据精简，但是Avro的动态模式（不用生成代码，而且性能很好）这个特点让人非常喜欢，比较适合R
  • lua　set get cookie ronin47 lua cookie
    lua: local access_token = ngx.var.cookie_SGAccessToken if access_token then ngx.header["Set-Cookie"] = "SGAccessToken="..access_token.."; path=/;Max-Age=3000" end
  • java-打印不大于N的质数 bylijinnan java
    public class PrimeNumber { /** * 寻找不大于N的质数 */ public static void main(String[] args) { int n=100; PrimeNumber pn=new PrimeNumber(); pn.printPrimeNumber(n); System.out.print
  • Spring源码学习-PropertyPlaceholderHelper bylijinnan javaspring
    今天在看Spring 3.0.0.RELEASE的源码，发现PropertyPlaceholderHelper的一个bug 当时觉得奇怪，上网一搜，果然是个bug，不过早就有人发现了，且已经修复： 详见： http://forum.spring.io/forum/spring-projects/container/88107-propertyplaceholderhelper-bug
  • [逻辑与拓扑]布尔逻辑与拓扑结构的结合会产生什么? comsci 拓扑
       如果我们已经在一个工作流的节点中嵌入了可以进行逻辑推理的代码,那么成百上千个这样的节点如果组成一个拓扑网络,而这个网络是可以自动遍历的,非线性的拓扑计算模型和节点内部的布尔逻辑处理的结合,会产生什么样的结果呢?    是否可以形成一种新的模糊语言识别和处理模型呢?  大家有兴趣可以试试,用软件搞这些有个好处,就是花钱比较少,就算不成
  • ITEYE 都换百度推广了 cuisuqiang GoogleAdSense百度推广广告外快
    以前ITEYE的广告都是谷歌的Google AdSense，现在都换成百度推广了。   为什么个人博客设置里面还是Google AdSense呢？   都知道Google AdSense不好申请，这在ITEYE上也不是讨论了一两天了，强烈建议ITEYE换掉Google AdSense。至少，用一个好申请的吧。   什么时候能从ITEYE上来点外快，哪怕少点
  • 新浪微博技术架构分析 dalan_123 新浪微博架构
    新浪微博在短短一年时间内从零发展到五千万用户，我们的基层架构也发展了几个版本。第一版就是是非常快的，我们可以非常快的实现我们的模块。我们看一下技术特点，微博这个产品从架构上来分析，它需要解决的是发表和订阅的问题。我们第一版采用的是推的消息模式，假如说我们一个明星用户他有10万个粉丝，那就是说用户发表一条微博的时候，我们把这个微博消息攒成10万份，这样就是很简单了，第一版的架构实际上就是这两行字。第
  • 玩转ARP攻击 dcj3sjt126com r
    我写这片文章只是想让你明白深刻理解某一协议的好处。高手免看。如果有人利用这片文章所做的一切事情，盖不负责。 网上关于ARP的资料已经很多了，就不用我都说了。 用某一位高手的话来说，“我们能做的事情很多，唯一受限制的是我们的创造力和想象力”。 ARP也是如此。 以下讨论的机子有 一个要攻击的机子：10.5.4.178 硬件地址：52:54:4C:98
  • PHP编码规范 dcj3sjt126com 编码规范
    一、文件格式 1. 对于只含有 php 代码的文件，我们将在文件结尾处忽略掉 "?>" 。这是为了防止多余的空格或者其它字符影响到代码。例如：<?php$foo = 'foo';2. 缩进应该能够反映出代码的逻辑结果，尽量使用四个空格，禁止使用制表符TAB，因为这样能够保证有跨客户端编程器软件的灵活性。例
  • linux 脱机管理（nohup） eksliang linux nohupnohup
    脱机管理 nohup 转载请出自出处：http://eksliang.iteye.com/blog/2166699 nohup可以让你在脱机或者注销系统后，还能够让工作继续进行。他的语法如下 nohup [命令与参数] --在终端机前台工作 nohup [命令与参数] & --在终端机后台工作   但是这个命令需要注意的是，nohup并不支持bash的内置命令，所
  • BusinessObjects Enterprise Java SDK greemranqq javaBOSAPCrystal Reports
    最近项目用到oracle_ADF  从SAP/BO 上调用 水晶报表，资料比较少，我做一个简单的分享，给和我一样的新手 提供更多的便利。   首先，我是尝试用JAVA JSP 去访问的。   官方API：http://devlibrary.businessobjects.com/BusinessObjectsxi/en/en/BOE_SDK/boesdk_ja
  • 系统负载剧变下的管控策略 iamzhongyong 高并发
    假如目前的系统有100台机器，能够支撑每天1亿的点击量（这个就简单比喻一下），然后系统流量剧变了要，我如何应对，系统有那些策略可以处理，这里总结了一下之前的一些做法。 1、水平扩展 这个最容易理解，加机器，这样的话对于系统刚刚开始的伸缩性设计要求比较高，能够非常灵活的添加机器，来应对流量的变化。 2、系统分组 假如系统服务的业务不同，有优先级高的，有优先级低的，那就让不同的业务调用提前分组
  • BitTorrent DHT 协议中文翻译 justjavac bit
    前言 做了一个磁力链接和BT种子的搜索引擎 {Magnet & Torrent}，因此把 DHT 协议重新看了一遍。 BEP: 5Title: DHT ProtocolVersion: 3dec52cb3ae103ce22358e3894b31cad47a6f22bLast-Modified: Tue Apr 2 16:51:45 2013 -070
  • Ubuntu下Java环境的搭建 macroli java工作ubuntu
    配置命令： 　　$sudo apt-get install ubuntu-restricted-extras 　　再运行如下命令： 　　$sudo apt-get install sun-java6-jdk 　　待安装完毕后选择默认Java. 　　$sudo update- alternatives --config java 　　安装过程提示选择，输入“2”即可，然后按回车键确定。
  • js字符串转日期（兼容IE所有版本） qiaolevip TODateStringIE
    /** * 字符串转时间（yyyy-MM-dd HH:mm:ss） * result （分钟） */ stringToDate : function(fDate){ var fullDate = fDate.split(" ")[0].split("-"); var fullTime = fDate.split("
  • 【数据挖掘学习】关联规则算法Apriori的学习与SQL简单实现购物篮分析 superlxw1234 sql数据挖掘关联规则
    关联规则挖掘用于寻找给定数据集中项之间的有趣的关联或相关关系。 关联规则揭示了数据项间的未知的依赖关系，根据所挖掘的关联关系，可以从一个数据对象的信息来推断另一个数据对象的信息。 例如购物篮分析。牛奶 ⇒ 面包 [支持度：3%，置信度：40%] 支持度3%：意味3%顾客同时购买牛奶和面包。 置信度40%：意味购买牛奶的顾客40%也购买面包。 规则的支持度和置信度是两个规则兴
  • Spring 5.0 的系统需求，期待你的反馈 wiselyman spring
                   Spring 5.0将在2016年发布。Spring5.0将支持JDK 9。          Spring 5.0的特性计划还在工作中，请保持关注，所以作者希望从使用者得到关于Spring 5.0系统需求方面的反馈。  
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他