gf_lvah

pandas学习整理(一)

十分钟搞定pandas

习惯上导入包的方式:

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

一、创建对象

import pandas as pd


# 通过传递一个list对象来创建一个Series,pandas会默认创建整形索引;
s = pd.Series([1, 3, 5, np.nan, 6, 8])
s


    0    1.0
    1    3.0
    2    5.0
    3    NaN
    4    6.0
    5    8.0
    dtype: float64

import pandas as pd


# 通过传递一个numpy array，时间索引以及列标签来创建一个DataFrame;
dates = pd.date_range('20170101', periods=6)
df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))
df

	A	B	C	D
2017-01-01	-0.338806	-1.343308	1.196353	1.414468
2017-01-02	-0.506825	1.152511	0.972928	-0.154819
2017-01-03	1.446093	0.083599	0.068672	-0.217771
2017-01-04	-0.312771	-0.635625	-2.005167	0.233515
2017-01-05	0.955924	-0.131035	0.473385	-0.827717
2017-01-06	0.455371	-0.079677	1.030877	-0.276262

import pandas as pd

# 通过传递一个能够被转换成类似序列结构的字典对象来创建一个DataFrame;
# mydic = {
#     'A' : 1.,
#     'B' : 2.
# }

df2 = pd.DataFrame({
    'A' : 1.,
    'B' : pd.Timestamp('20130102'), 
    'C' : pd.Series(1, index=range(4), dtype='float32'),
    'D' : np.array([3]*4, dtype='int32'),
    'E' : pd.Categorical(['test1', 'test2', 'test3', 'test4']),
    'F' : 'foo'
})

df2

	A	B	C	D	E	F
0	1.0	2013-01-02	1.0	3	test1	foo
1	1.0	2013-01-02	1.0	3	test2	foo
2	1.0	2013-01-02	1.0	3	test3	foo
3	1.0	2013-01-02	1.0	3	test4	foo

# 查看不同列的数据类型
df2.dtypes



    A           float64
    B    datetime64[ns]
    C           float32
    D             int32
    E          category
    F            object
    dtype: object

二、查看数据

查看DataFrame头部和尾部的行

# 不添加参数默认显示前5行；
df.head(1)

	A	B	C	D
2017-01-01	-0.338806	-1.343308	1.196353	1.414468

#  不添加参数默认显示后5行；
df.tail(3)

	A	B	C	D
2017-01-04	-0.312771	-0.635625	-2.005167	0.233515
2017-01-05	0.955924	-0.131035	0.473385	-0.827717
2017-01-06	0.455371	-0.079677	1.030877	-0.276262

显示索引、列和底层的numpy数据

print "显示索引:"
print df.index

print "\n显示列:"
print df.columns

print "\n显示底层numpy数据:"
print df.values

运行结果如下：

    显示索引:
    DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03', '2017-01-04',
                   '2017-01-05', '2017-01-06'],
                  dtype='datetime64[ns]', freq='D')

    显示列:
    Index([u'A', u'B', u'C', u'D'], dtype='object')

    显示底层numpy数据:
    [[-0.33880624 -1.34330788  1.19635337  1.41446846]
     [-0.50682548  1.15251089  0.97292792 -0.15481877]
     [ 1.4460934   0.08359888  0.06867169 -0.21777067]
     [-0.3127707  -0.63562542 -2.00516672  0.23351479]
     [ 0.95592407 -0.13103515  0.47338504 -0.82771723]
     [ 0.45537138 -0.07967712  1.03087708 -0.27626179]]

数据的快速统计汇总describe函数

df.describe()

	A	B	C	D
count	6.000000	6.000000	6.000000	6.000000
mean	0.283164	-0.158923	0.289508	0.028569
std	0.800092	0.826528	1.198930	0.759366
min	-0.506825	-1.343308	-2.005167	-0.827717
25%	-0.332297	-0.509478	0.169850	-0.261639
50%	0.071300	-0.105356	0.723156	-0.186295
75%	0.830786	0.042780	1.016390	0.136431
max	1.446093	1.152511	1.196353	1.414468

数据的转置

df.T

	2017-01-01 00:00:00	2017-01-02 00:00:00	2017-01-03 00:00:00	2017-01-04 00:00:00	2017-01-05 00:00:00	2017-01-06 00:00:00
A	-0.338806	-0.506825	1.446093	-0.312771	0.955924	0.455371
B	-1.343308	1.152511	0.083599	-0.635625	-0.131035	-0.079677
C	1.196353	0.972928	0.068672	-2.005167	0.473385	1.030877
D	1.414468	-0.154819	-0.217771	0.233515	-0.827717	-0.276262

按轴进行排序

df.sort_index(axis=1, ascending=False)

	D	C	B	A
2017-01-01	1.414468	1.196353	-1.343308	-0.338806
2017-01-02	-0.154819	0.972928	1.152511	-0.506825
2017-01-03	-0.217771	0.068672	0.083599	1.446093
2017-01-04	0.233515	-2.005167	-0.635625	-0.312771
2017-01-05	-0.827717	0.473385	-0.131035	0.955924
2017-01-06	-0.276262	1.030877	-0.079677	0.455371

按值进行排序

df.sort_values(by='A')

	A	B	C	D
2017-01-02	-0.506825	1.152511	0.972928	-0.154819
2017-01-01	-0.338806	-1.343308	1.196353	1.414468
2017-01-04	-0.312771	-0.635625	-2.005167	0.233515
2017-01-06	0.455371	-0.079677	1.030877	-0.276262
2017-01-05	0.955924	-0.131035	0.473385	-0.827717
2017-01-03	1.446093	0.083599	0.068672	-0.217771

三、选择

标准的python/numpy的选择和设置表达式都能够直接派上用场，但是作为工程中使用的代码，
推荐使用经过优化的pandas数据访问方式：.at, .iat, .loc, .iloc和.ix。

获取

# 1. 选择一个单独的列，将返回一个Series，等同于df.A
df['A']

# 2. 通过切片操作进行选择
df[0:3]
df['20170101':'20170104']

	A	B	C	D
2017-01-01	-0.338806	-1.343308	1.196353	1.414468
2017-01-02	-0.506825	1.152511	0.972928	-0.154819
2017-01-03	1.446093	0.083599	0.068672	-0.217771
2017-01-04	-0.312771	-0.635625	-2.005167	0.233515

通过标签选择

# 1. 使用标签获取一个交叉的区域
df.loc[dates[0]]


# 2. 
df.loc[:, ['A', 'B']]

# 3. 
df.loc['20170102':'20170104',['A','B']]


# 4. 
df.loc['20170102', ['A', 'B']]

# 5. 
df.loc[dates[0], 'A']

# 6. 
df.at[dates[0], 'A']

-0.338806236660884

通过位置进行选择

# 1. 
df.iloc[3]

A -0.312771 B -0.635625 C -2.005167 D 0.233515 Name: 2017-01-04 00:00:00, dtype: float64

# 2. 
df.iloc[3:5, 0:2]

	A	B
2017-01-04	-0.312771	-0.635625
2017-01-05	0.955924	-0.131035

# 3. 
df.iloc[[1,2,4], [0,2]]

	A	C
2017-01-02	-0.506825	0.972928
2017-01-03	1.446093	0.068672
2017-01-05	0.955924	0.473385

# 4. 
df.iloc[1:3, :]

	A	B	C	D
2017-01-02	-0.506825	1.152511	0.972928	-0.154819
2017-01-03	1.446093	0.083599	0.068672	-0.217771

# 5. 
df.iloc[:, 1:3]

	B	C
2017-01-01	-1.343308	1.196353
2017-01-02	1.152511	0.972928
2017-01-03	0.083599	0.068672
2017-01-04	-0.635625	-2.005167
2017-01-05	-0.131035	0.473385
2017-01-06	-0.079677	1.030877

# 6. 获取特定的值
df.iloc[1,1]

1.1525108922362974

# 等价6的操作，快速访问特定的值
df.iat[1,1]

1.1525108922362974

布尔索引

# 1. 
df[df.A > 0]

	A	B	C	D
2017-01-03	1.446093	0.083599	0.068672	-0.217771
2017-01-05	0.955924	-0.131035	0.473385	-0.827717
2017-01-06	0.455371	-0.079677	1.030877	-0.276262

# 2. 使用where操作来选择数据
df[df > 0]

	A	B	C	D
2017-01-01	NaN	NaN	1.196353	1.414468
2017-01-02	NaN	1.152511	0.972928	NaN
2017-01-03	1.446093	0.083599	0.068672	NaN
2017-01-04	NaN	NaN	NaN	0.233515
2017-01-05	0.955924	NaN	0.473385	NaN
2017-01-06	0.455371	NaN	1.030877	NaN

# 3. isin方法过滤

df2 = df.copy()
df2['E'] = ['one', 'one', 'two', 'three', 'four', 'three']
df2[df2['E'].isin(['two', 'four'])]

	A	B	C	D	E
2017-01-03	1.446093	0.083599	0.068672	-0.217771	two
2017-01-05	0.955924	-0.131035	0.473385	-0.827717	four

设置

# 1. 
s1 = pd.Series([1,2,3,4,5,6], index=pd.date_range('20170102', periods=6))
df['F']=s1
df

	A	B	C	D	F
2017-01-01	-0.338806	-1.343308	1.196353	1.414468	NaN
2017-01-02	-0.506825	1.152511	0.972928	-0.154819	1.0
2017-01-03	1.446093	0.083599	0.068672	-0.217771	2.0
2017-01-04	-0.312771	-0.635625	-2.005167	0.233515	3.0
2017-01-05	0.955924	-0.131035	0.473385	-0.827717	4.0
2017-01-06	0.455371	-0.079677	1.030877	-0.276262	5.0

# 2. 通过标签设置新的值

df.at[dates[0], 'A'] = 0
df

	A	B	C	D	F
2017-01-01	0.000000	-1.343308	1.196353	1.414468	NaN
2017-01-02	-0.506825	1.152511	0.972928	-0.154819	1.0
2017-01-03	1.446093	0.083599	0.068672	-0.217771	2.0
2017-01-04	-0.312771	-0.635625	-2.005167	0.233515	3.0
2017-01-05	0.955924	-0.131035	0.473385	-0.827717	4.0
2017-01-06	0.455371	-0.079677	1.030877	-0.276262	5.0

# 3. 通过位置设置新的值
df.iat[0,1] = 0
df

	A	B	C	D	F
2017-01-01	0.000000	0.000000	1.196353	1.414468	NaN
2017-01-02	-0.506825	1.152511	0.972928	-0.154819	1.0
2017-01-03	1.446093	0.083599	0.068672	-0.217771	2.0
2017-01-04	-0.312771	-0.635625	-2.005167	0.233515	3.0
2017-01-05	0.955924	-0.131035	0.473385	-0.827717	4.0
2017-01-06	0.455371	-0.079677	1.030877	-0.276262	5.0

# 4. 通过numpy数组设置一组新值
df.loc[:, 'D'] = np.array([5] * len(df))
df

	A	B	C	D	F
2017-01-01	0.000000	0.000000	1.196353	5	NaN
2017-01-02	-0.506825	1.152511	0.972928	5	1.0
2017-01-03	1.446093	0.083599	0.068672	5	2.0
2017-01-04	-0.312771	-0.635625	-2.005167	5	3.0
2017-01-05	0.955924	-0.131035	0.473385	5	4.0
2017-01-06	0.455371	-0.079677	1.030877	5	5.0

# 5. 通过where操作来设置新的值
df2 = df.copy()

df2[df2<0]  = -df2
df2

	A	B	C	D	F
2017-01-01	0.000000	0.000000	1.196353	5	NaN
2017-01-02	0.506825	1.152511	0.972928	5	1.0
2017-01-03	1.446093	0.083599	0.068672	5	2.0
2017-01-04	0.312771	0.635625	2.005167	5	3.0
2017-01-05	0.955924	0.131035	0.473385	5	4.0
2017-01-06	0.455371	0.079677	1.030877	5	5.0

四、缺失值处理

在pandas中，使用np.nan来代替缺失值，这些值默认不会包含在计算中。

# 1. reindex()可以对指定轴上的索引进行改变，增加，删除操作，这将返回原始数据的一个拷贝；

df1 = df.reindex(index=dates[0:4], columns=list(df.columns)+['E'])
df1.loc[dates[0]:dates[1], 'E'] = 1
df1

	A	B	C	D	F	E
2017-01-01	0.000000	0.000000	1.196353	5	NaN	1.0
2017-01-02	-0.506825	1.152511	0.972928	5	1.0	1.0
2017-01-03	1.446093	0.083599	0.068672	5	2.0	NaN
2017-01-04	-0.312771	-0.635625	-2.005167	5	3.0	NaN

# 2. 去掉包含缺失值的行
df1.dropna(how='any')

	A	B	C	D	F	E
2017-01-02	-0.506825	1.152511	0.972928	5	1.0	1.0

# 3. 对缺失值进行填充
df1.fillna(value=3)

	A	B	C	D	F	E
2017-01-01	0.000000	0.000000	1.196353	5	3.0	1.0
2017-01-02	-0.506825	1.152511	0.972928	5	1.0	1.0
2017-01-03	1.446093	0.083599	0.068672	5	2.0	3.0
2017-01-04	-0.312771	-0.635625	-2.005167	5	3.0	3.0

# 4. 对数据进行布尔填充
pd.isnull(df1)

	A	B	C	D	F	E
2017-01-01	False	False	False	False	True	False
2017-01-02	False	False	False	False	False	False
2017-01-03	False	False	False	False	False	True
2017-01-04	False	False	False	False	False	True

五、相关操作

统计

# 1. 执行描述性统计
df.mean()

运行结果如下：


    A    0.339632
    B    0.064962
    C    0.289508
    D    5.000000
    F    3.000000
    dtype: float64

# 2. 在其他轴上进行相同的操作;
df.mean(1)

运行结果如下：

    2017-01-01    1.549088
    2017-01-02    1.523723
    2017-01-03    1.719673
    2017-01-04    1.009287
    2017-01-05    2.059655
    2017-01-06    2.281314
    Freq: D, dtype: float64

# 3. 对于拥有不同维度，需要对齐的对象进行操作，pandas会自动沿着指定的维度进行广播;
s = pd.Series([1, 3, 5, np.nan, 6, 8], index=dates).shift(2)
print s

df.sub(s, axis='index')

运行结果如下：

    2017-01-01    NaN
    2017-01-02    NaN
    2017-01-03    1.0
    2017-01-04    3.0
    2017-01-05    5.0
    2017-01-06    NaN
    Freq: D, dtype: float64

	A	B	C	D	F
2017-01-01	NaN	NaN	NaN	NaN	NaN
2017-01-02	NaN	NaN	NaN	NaN	NaN
2017-01-03	0.446093	-0.916401	-0.931328	4.0	1.0
2017-01-04	-3.312771	-3.635625	-5.005167	2.0	0.0
2017-01-05	-4.044076	-5.131035	-4.526615	0.0	-1.0
2017-01-06	NaN	NaN	NaN	NaN	NaN

应用Apply

# 1. 对数据应用函数


df.apply(np.cumsum)
df.apply(lambda x: x.max()-x.min())

A 1.952919 B 1.788136 C 3.201520 D 0.000000 F 4.000000 dtype: float64 ### 直方图

s = pd.Series(np.random.randint(0,7, size=10))
# 对s中的值统计出现次数
s.value_counts()

运行结果如下：

    5    3
    4    3
    1    3
    2    1
    dtype: int64

字符串方法

# Series对象在其str属性中配备了一组字符串处理方法，可以很容易的应用到数组中的每个元素;

s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca', np.nan, 
               'CABA', 'dog', 'cat'])
s.str.lower()

运行结果如下：


    0       a
    1       b
    2       c
    3    aaba
    4    baca
    5     NaN
    6    caba
    7     dog
    8     cat
    dtype: object

六、合并

pandas提供了大量方法对Series， DataFrame和Panel对象进行各种逻辑关系的合并操作;

6-1、 Concat方法


# np.random.randn(10,4)获取10行4列的数据;
df = pd.DataFrame(np.random.randn(10,4))

pieces = [df[:3], df[3:7], df[7:]]
pd.concat(pieces)

	0	1	2	3
0	-0.361157	-0.331600	0.426531	-1.063448
1	0.082863	1.293261	0.729009	1.119674
2	-0.077758	0.024595	2.142237	-0.857855
3	2.477844	0.118069	1.390542	-0.645197
4	-1.295224	-0.410728	1.256108	-1.402479
5	1.135568	1.054733	-1.793129	-0.620808
6	-1.036741	1.461721	0.167975	-0.645020
7	-0.709849	-0.527562	1.129764	-0.610033
8	0.443899	1.176945	-0.558200	-0.122540
9	0.244292	1.108330	0.417284	-0.455202

2、 join方法


# 类似与sql类型的合并


left = pd.DataFrame({
    'key': ['foo', 'foo'],
    'lval': [1,2],    
    })

right = pd.DataFrame({
    'key' : ['foo', 'foo'], 
    'rval' : [4, 5],
    })

pd.merge(left, right, on='key')

	key	lval	rval
0	foo	1	4
1	foo	1	5
2	foo	2	4
3	foo	2	5

6-3、 append方法

# 3. append方法
# 将一行连接到一个DataFrame上；

df = pd.DataFrame(np.random.randn(8,4), columns=['A', 'B', 'C', 'D'])

s = df.iloc[3]

df.append(s, ignore_index=True)
df.T

	0	1	2	3	4	5	6	7
A	-0.152964	1.239888	-0.803823	-0.604354	0.343325	-3.325538	0.997950	1.694225
B	-0.709887	0.319957	0.307502	0.583405	0.170432	0.157247	0.087903	3.263398
C	-2.390029	1.291862	0.472967	-0.945514	-1.349493	0.145808	0.407573	0.458573
D	-0.117396	2.008384	-1.184914	0.012678	1.286618	0.399334	1.305697	0.027644

七、分组

group by操作：

splitting：按照规则将数据分为不同的组;
Applying: 对于每组数据分别执行一个函数;
Combining: 将结果组合到一个数据结构中;

df = pd.DataFrame({
    'A':['foo', 'bar', 'foo', 'bar',
      'foo', 'bar', 'foo', 'bar'], 
    'B':['one','one', 'two', 'three',
         'two','two', 'one', 'three'],
    'C': np.random.randn(8), 
    'D':np.random.randn(8)
    })

df

	A	B	C	D
0	foo	one	0.602525	-0.729163
1	bar	one	-0.651076	0.104687
2	foo	two	2.289475	0.279368
3	bar	three	0.348643	0.647659
4	foo	two	-0.806890	0.035457
5	bar	two	0.452640	1.805835
6	foo	one	-1.363260	-0.247901
7	bar	three	-0.680933	0.367421

# 1. 分组对每个分组执行sum函数：
df.groupby('A').sum()

	C	D
A
bar	-0.530726	2.925602
foo	0.721851	-0.662239

# 2. 通过多个列进行分组形成一个层次索引，然后执行函数;
df.groupby(['A', 'B']).sum()

		C	D
A	B
bar	one	-0.651076	0.104687
	three	-0.332290	1.015080
	two	0.452640	1.805835
foo	one	-0.760735	-0.977064
foo	two	1.482585	0.314825

八、改变形状

Stack

myt = [
    ['bar', 'bar', 'baz', 'baz', 'foo', 'foo', 'qux', 'qux'],
    ['one', 'two', 'one', 'two', 'one', 'two', 'one', 'two']
    ]
tuples = list(zip(*myt))

index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])

df = pd.DataFrame(np.random.randn(8,2), index=index, columns=['A', 'B'])

df2 = df[:4]


stacked = df2.stack()
stacked

运行结果如下：


    first  second   
    bar    one     A    0.031757
                   B    0.426813
           two     A    0.276267
                   B    0.560446
    baz    one     A    0.552757
                   B    1.805644
           two     A   -1.092327
                   B   -0.539023
    dtype: float64

stacked.unstack()

		A	B
first	second
bar	one	0.031757	0.426813
bar	two	0.276267	0.560446
baz	one	0.552757	1.805644
baz	two	-1.092327	-0.539023

stacked.unstack(1)

	second	one	two
first
bar	A	0.031757	0.276267
bar	B	0.426813	0.560446
baz	A	0.552757	-1.092327
baz	B	1.805644	-0.539023

stacked.unstack(0)

	first	bar	baz
second
one	A	0.031757	0.552757
one	B	0.426813	1.805644
two	A	0.276267	-1.092327
two	B	0.560446	-0.539023

数据透视表

df = pd.DataFrame({
    'A' : ['one', 'one', 'two', 'three']*3, 
    'B' : ['A', 'B', 'C']*4,
    'C' : ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2,
    'D' : np.random.randn(12), 
    'E' : np.random.randn(12)
})


print df
# 根据上面数据生成透视表
pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C'])

运行结果如下：

            A  B    C         D         E
    0     one  A  foo -0.382358  0.975949
    1     one  B  foo -1.588232  1.168863
    2     two  C  foo  1.286834  0.836279
    3   three  A  bar  1.375826 -1.049638
    4     one  B  bar  0.179641  0.714552
    5     one  C  bar -0.912443  0.474539
    6     two  A  foo -0.010076 -0.750666
    7   three  B  foo -0.766371  0.048745
    8     one  C  foo -1.100770  0.879633
    9     one  A  bar  2.462341  1.761222
    10    two  B  bar  1.239756  0.514073
    11  three  C  bar -0.480783 -0.268171

	C	bar	foo
A	B
one	A	2.462341	-0.382358
	B	0.179641	-1.588232
	C	-0.912443	-1.100770
three	A	1.375826	NaN
	B	NaN	-0.766371
	C	-0.480783	NaN
two	A	NaN	-0.010076
	B	1.239756	NaN
	C	NaN	1.286834

九、时间序列

pandas在对频率转换进行重新采样时拥有简单，强大且高效的功能（如将按秒采样的数据转换为按5分钟为单位进行采样的数据）,这种操作在金融领域非常常见.

rng = pd.date_range('1/1/2017', periods=100, freq='S')
ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)  
ts.resample('5Min').sum()

运行结果如下：

    2017-01-01    24929
    Freq: 5T, dtype: int64

9-1、时区表示

rng = pd.date_range('3/6/2017 00:00', periods=5, freq='D')
ts = pd.Series(np.random.randn(len(rng)), rng)

ts_utc = ts.tz_localize('UTC')
ts_utc

运行结果如下：


    2017-03-06 00:00:00+00:00   -0.406935
    2017-03-07 00:00:00+00:00   -2.059444
    2017-03-08 00:00:00+00:00    0.375662
    2017-03-09 00:00:00+00:00    1.167948
    2017-03-10 00:00:00+00:00    0.927164
    Freq: D, dtype: float64

9-2、时区转换

ts_utc.tz_convert('Asia/Shanghai')

运行结果如下：

    2017-03-06 08:00:00+08:00   -0.406935
    2017-03-07 08:00:00+08:00   -2.059444
    2017-03-08 08:00:00+08:00    0.375662
    2017-03-09 08:00:00+08:00    1.167948
    2017-03-10 08:00:00+08:00    0.927164
    Freq: D, dtype: float64

9-3、时间跨度转换

rng = pd.date_range('1/1/2012', periods=5, freq='M')
ts = pd.Series(np.random.randn(len(rng)), index=rng)

ps = ts.to_period()
ps.to_timestamp()

运行结果如下：

    2012-01-01   -0.213930
    2012-02-01    0.974707
    2012-03-01   -1.206153
    2012-04-01   -0.935241
    2012-05-01    0.669691
    Freq: MS, dtype: float64

9-4、时间和时间戳的转换

prng = pd.period_range('1990Q1', '2000Q4', freq='Q-NOV')
ts = pd.Series(np.random.randn(len(prng)), prng)

ts.index = (prng.asfreq('M', 'e') + 1).asfreq('H', 'S') + 9

# 列出前5行数据
ts.head()

运行结果如下：

    1990-03-01 09:00    0.388727
    1990-06-01 09:00    0.389497
    1990-09-01 09:00    0.563586
    1990-12-01 09:00    1.044088
    1991-03-01 09:00   -1.392586
    Freq: H, dtype: float64

十、 Categorical

pandas可以在DataFrame中支持Categorical类型的数据。

df = pd.DataFrame({
    "id" : range(1,7), 
    "raw_grade" : ['a', 'b', 'b', 'a', 'a', 'e']    
})

10-1、转换数据类型

# 将原始的grade转换为Categorical数据类型

df["grade"] = df["raw_grade"].astype('category')
df['grade']

运行结果如下：

    0    a
    1    b
    2    b
    3    a
    4    a
    5    e
    Name: grade, dtype: category
    Categories (3, object): [a, b, e]

10-2、对Categroical类型数据重命名

df["grade"].cat.categories = ['very good', 'good', 'very bad']
df

	id	raw_grade	grade
0	1	a	very good
1	2	b	good
2	3	b	good
3	4	a	very good
4	5	a	very good
5	6	e	very bad

10-3、对类别排序

df["grde"] = df['grade'].cat.set_categories(['very bad', 'bad', 'medium', 'good', 'very good'])
df['grade']

运行结果如下：

    0    very good
    1         good
    2         good
    3    very good
    4    very good
    5     very bad
    Name: grade, dtype: category
    Categories (3, object): [very good, good, very bad]

10-4、按照Categorical的顺序排序

df.sort_values(by='grade')

	id	raw_grade	grade	grde
0	1	a	very good	very good
3	4	a	very good	very good
4	5	a	very good	very good
1	2	b	good	good
2	3	b	good	good
5	6	e	very bad	very bad

10-5、对Categorical列进行统计排序

df.groupby('grade').size()

运行结果如下：

    grade
    very good    3
    good         2
    very bad     1
    dtype: int64

十一、画图

ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))
ts.cumsum()
ts.plot()

# 对于DataFrame来说，plot是一种将所有列及其标签进行绘制的简便方法;

df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=['A', 'B', 'C', 'D'])
df = df.cumsum()
plt.figure()
df.plot()
plt.legend(loc='best')

十二、导入和保存数据

12-1、 CSV数据

# 1. 写入csv文件
df.to_csv('foo.csv')

# 2. 从csv文件中读取数据
pd.read_csv('foo.csv')

12-2、 HDF5存储

# 1. 写入HDF5存储;
df.to_hdf('foo.h5', 'df')


# 2. 从HDF5存储中读取；
pd.read_hdf('foo.h5', 'df')

12-3、 Excel存储

# 1. 写入excel文件
df.to_excel('foo.xlsx', sheet_name='foo1')

# 2. 从excel中读取
pd.read_excel('foo.xlsx', 'foo1', index_col=None, na_values=['NA'])

你可能感兴趣的:(python基础系列,python进阶知识)

学点心理知识，呵护孩子健康静候花开_7090
昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
2021年12月19日，春蕾教育集团团建活动感受——黄晓丹黄错错加油
感受:1.从陌生到熟悉的过程。游戏环节让我们在轻松的氛围中得到了锻炼，也增长了不少知识。2.游戏过程中，我们贡献的是个人力量，展现的是团队的力量。它磨合的往往不止是工作的熟悉，更是观念上契合度的贴近。3.这和工作是一样的道理。在各自的岗位上，每个人摆正自己的位置、各司其职充分发挥才能，并团结一致劲往一处使，才能实现最大的成功。新知:1.团队精神需要不断地创新。过去，人们把创新看作是冒风险，现在人们
【一起学Rust | 设计模式】习惯语法——使用借用类型作为参数、格式化拼接字符串、构造函数广龙宇一起学Rust #Rust设计模式 rust 设计模式开发语言
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、使用借用类型作为参数二、格式化拼接字符串三、使用构造函数总结前言Rust不是传统的面向对象编程语言，它的所有特性，使其独一无二。因此，学习特定于Rust的设计模式是必要的。本系列文章为作者学习《Rust设计模式》的学习笔记以及自己的见解。因此，本系列文章的结构也与此书的结构相同（后续可能会调成结构），基本上分为三个部分
高端密码学院笔记285 柚子_b4b4
高端幸福密码学院（高级班）幸福使者：李华第（598）期《幸福》之回归内在深层生命原动力基础篇——揭秘“激励”成长的喜悦心理案例分析主讲：刘莉一，知识扩充:成功=艰苦劳动+正确方法+少说空话。贪图省力的船夫，目标永远下游。智者的梦再美，也不如愚人实干的脚印。幸福早课堂2020.10.16星期五一笔记:1，重视和珍惜的前提是知道它的价值非常重要，当你珍惜了，你就真正定下来，真正的学到身上。2，大家需要
从0到500+，我是如何利用自媒体赚钱？一列脚印
运营公众号半个多月，从零基础的小白到现在慢慢懂了一些运营的知识。做好公众号是很不容易的，要做很多事情；排版、码字、引流…通通需要自己解决，业余时间全都花费在这上面涨这么多粉丝是真的不容易，对比知乎大佬来说，我们这种没资源，没人脉，还没钱的小透明来说，想要一个月涨粉上万，怕是今天没睡醒（不过你有的方法，算我piapia打脸）至少我是清醒的，自己慢慢努力，实现我的万粉目标！大家快来围观、支持我吧！孩子
利用LangChain的StackExchange组件实现智能问答系统 nseejrukjhad langchain microsoft 数据库 python
利用LangChain的StackExchange组件实现智能问答系统引言在当今的软件开发世界中，StackOverflow已经成为程序员解决问题的首选平台之一。而LangChain作为一个强大的AI应用开发框架，提供了StackExchange组件，使我们能够轻松地将StackOverflow的海量知识库集成到我们的应用中。本文将详细介绍如何使用LangChain的StackExchange组件
2019-08-08 65454
东莞家庭聚会出行旅游去哪里玩住？想起来有很久没有和家里人聚会啦，这次组织家人来到威廉古堡别墅轰趴，一大家子27个人，在别墅订了一天办，玩的非常的开心，小孩子玩游戏机，也很放心不会丢，我们就在唱歌、打麻将、打桌球一系列的活动，还准备小次等小孩生日在别墅举办，还可以给孩子做一个生日的策划
关于城市旅游的HTML网页设计——(旅游风景云南 5页)HTML+CSS+JavaScript 二挡起步 web前端期末大作业 javascript html css 旅游风景
⛵源码获取文末联系✈Web前端开发技术描述网页设计题材，DIV+CSS布局制作,HTML+CSS网页设计期末课程大作业|游景点介绍|旅游风景区|家乡介绍|等网站的设计与制作|HTML期末大学生网页设计作业，Web大学生网页HTML：结构CSS：样式在操作方面上运用了html5和css3，采用了div+css结构、表单、超链接、浮动、绝对定位、相对定位、字体样式、引用视频等基础知识JavaScrip
HTML网页设计制作大作业（div+css）云南我的家乡旅游景点带文字滚动二挡起步 web前端期末大作业 web设计网页规划与设计 html css javascript dreamweaver 前端
Web前端开发技术描述网页设计题材，DIV+CSS布局制作,HTML+CSS网页设计期末课程大作业游景点介绍|旅游风景区|家乡介绍|等网站的设计与制作HTML期末大学生网页设计作业HTML：结构CSS：样式在操作方面上运用了html5和css3，采用了div+css结构、表单、超链接、浮动、绝对定位、相对定位、字体样式、引用视频等基础知识JavaScript：做与用户的交互行为文章目录前端学习路线
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
MYSQL面试系列-04 king01299 面试 mysql 面试
MYSQL面试系列-0417.关于redolog和binlog的刷盘机制、redolog、undolog作用、GTID是做什么的？innodb_flush_log_at_trx_commit及sync_binlog参数意义双117.1innodb_flush_log_at_trx_commit该变量定义了InnoDB在每次事务提交时，如何处理未刷入（flush）的重做日志信息（redolog）。它
走向以教育叙事为载体的教育叙事研究 666小飞鱼
今天我读了吴松超老师的《给教师的68条建写作建议》中的第23条《如何通过教育叙事走向研究》，吴老师在文中与我们分享了一个德育案例，这是一个反面的案例，意在告知我们在处理问题时，不能就考虑的点太窄，思考要全面。走向教育叙事研究，教师要有敏锐的“感知力”，这个感知力来自于背后专业知识的支撑，思维能力以及广阔的视野和见识等。所以对于同一件事处理方法不同，这个就是教师背后“敏锐力”的不同造成的，也就是说是
数据仓库——维度表一致性墨染丶eye 背诵数据仓库
数据仓库基础笔记思维导图已经整理完毕，完整连接为：数据仓库基础知识笔记思维导图维度一致性问题从逻辑层面来看，当一系列星型模型共享一组公共维度时，所涉及的维度称为一致性维度。当维度表存在不一致时，短期的成功难以弥补长期的错误。维度时确保不同过程中信息集成起来实现横向钻取货活动的关键。造成横向钻取失败的原因维度结构的差别，因为维度的差别，分析工作涉及的领域从简单到复杂，但是都是通过复杂的报表来弥补设计
自我意识徐立华
----读帕克.帕尔默《教学勇气》（P18----19）5.铸造我们的学科帕克.帕尔默说学科知识对我们的自身认同和外部世界有启发意义。学科会铸造我们。“在我们与学科的命题概念和学科的生活框架相遇之前，自我意识知识处于潜伏状态，通过回想学科是怎样唤醒自我意识，我们就可以找回教学心灵。”《教学勇气》（P18）我们的自我意识像冰山表面下无限延伸的冰层，常常处于潜伏状态。但是在我们对所教授的学科进行深入思
Redis系列：Geo 类型赋能亿级地图位置计算 Ly768768 redis bootstrap 数据库
1前言我们在篇深刻理解高性能Redis的本质的时候就介绍过Redis的几种基本数据结构，它是基于不同业务场景而设计的：动态字符串(REDIS_STRING)：整数(REDIS_ENCODING_INT)、字符串(REDIS_ENCODING_RAW)双端列表(REDIS_ENCODING_LINKEDLIST)压缩列表(REDIS_ENCODING_ZIPLIST)跳跃表(REDIS_ENCODI
ARM驱动学习之基础小知识 JT灬新一 ARM 嵌入式 arm开发学习
ARM驱动学习之基础小知识•sch原理图工程师工作内容–方案–元器件选型–采购（能不能买到，价格）–原理图（涉及到稳定性）•layout画板工程师–layout（封装、布局，布线，log）（涉及到稳定性）–焊接的一部分工作（调试阶段板子的焊接）•驱动工程师–驱动，原理图，layout三部分的交集容易发生矛盾•PCB研发流程介绍–方案，原理图(网表)–layout工程师（gerber文件）–PCB板
ARM驱动学习之5 LEDS驱动 JT灬新一嵌入式 C 底层 arm开发学习单片机
ARM驱动学习之5LEDS驱动知识点：•linuxGPIO申请函数和赋值函数–gpio_request–gpio_set_value•三星平台配置GPIO函数–s3c_gpio_cfgpin•GPIO配置输出模式的宏变量–S3C_GPIO_OUTPUT注意点：DRIVER_NAME和DEVICE_NAME匹配。实现步骤：1.加入需要的头文件：//Linux平台的gpio头文件#include//三
Rust基础知识 GRKF15 rust 开发语言后端
1.Rust语言简介1.1基础语法变量声明：let关键字用于声明变量，可以指定或不指定类型，如leta=10;和letmutc=30i32;。函数定义：使用fn关键字定义函数，并指定参数类型及返回类型，如fnadd(i:i32,j:i32)->i32{i+j}。控制流：包括if、else等，控制语句后需要使用;来结束语句。1.2数据类型整数类型：i8、i16、i32、i64、i128，以及无符号的
C++菜鸟教程 - 从入门到精通第二节 DreamByte c++
一.上节课的补充(数据类型)1.前言继上节课,我们主要讲解了输入,输出和运算符,我们现在来补充一下数据类型的知识上节课遗漏了这个知识点,非常的抱歉顺便说一下,博主要上高中了,更新会慢,2-4周更新一次对了,正好赶上中秋节,小编跟大家说一句:中秋节快乐!2.int类型上节课,我们其实只用了int类型int类型,是整数类型,它们存贮的是整数,不能存小数(浮点数)定义变量的方式很简单inta;//定义一
Faiss：高效相似性搜索与聚类的利器网络·魚大数据 faiss
Faiss是一个针对大规模向量集合的相似性搜索库，由FacebookAIResearch开发。它提供了一系列高效的算法和数据结构，用于加速向量之间的相似性搜索，特别是在大规模数据集上。本文将介绍Faiss的原理、核心功能以及如何在实际项目中使用它。Faiss原理：近似最近邻搜索：Faiss的核心功能之一是近似最近邻搜索，它能够高效地在大规模数据集中找到与给定查询向量最相似的向量。这种搜索是近似的，
【华为OD技术面试真题精选 - 非技术题】 -HR面，综合面_华为od hr面一个射手座的程序媛程序员华为od 面试职场和发展
最后的话最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！资料预览给大家整理的视频资料：给大家整理的电子书资料：如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化的资料的朋友，可以点击这里获
果然只有离职的时候，才有人敢说真话！ return2ok
今天公司出了神贴。今天中午吃饭，同事问我看了论坛上的神贴了吗？什么帖子？我问。同事显得很惊讶，你居然没看，现在那个帖子可能会成为年度最佳帖子。这么厉害？我等不及了，饭没吃完就快速的奔向办公室，打开公司论坛，我要一睹这个帖子的神奇。写这帖子的童鞋胆儿真肥。这哪里是一个帖子，这是很多个帖子，组成了一个系列。某人从公司文化、管理、人事、项目管理等多个方面分析了公司的概况，并抨击了公司的各种弊端，并提出了
学习“论语”-第59天春峰轩
12.14子张问政。子曰：“居之无倦，行之以忠。”子张问为政之道。孔子说：“在位尽职不懈怠，执行政令要忠诚。”12.15子曰：“博学于文，约之以礼，亦可以弗畔矣夫！”孔子说：“君子广泛地学习文献，并且用礼节约束自己，也就不会离经叛道了。”12.16子曰：“君子成人之美，不成人之恶。小人反是。”孔子说：“君子成全别人的好事，而不助长别人的坏处。小人则与此相反行事。”知识点:“成人之美，不成人之恶”贯
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)
广州会刊小程序开发公司哪家好｜开发多少钱费用｜专业外包服务红匣子实力推荐
在选择广州会刊小程序开发公司时，有几个关键因素需要考虑。首先，您应该确定自己的需求和目标，以便找到最合适的开发公司。其次，您需要考虑公司的经验和专业知识。最后，您还应该考虑公司的信誉和口碑。开发-联系电话：13642679953（微信同号）首先，您应该明确自己的需求和目标。会刊小程序是一种用于展示会议信息和日程安排的应用程序。在选择开发公司之前，您应该明确自己的需求，包括功能要求、设计风格和用户体
读《人间鲁迅》有感琳语读书
上周读完《闻一多传》后，我对中国近代知识分子产生了兴趣，这周继续读了《人间鲁迅》。厚厚的两本书，记录了一个人的一生，苦痛，彷徨和挣扎，虽然只读了一小部分，却也心潮澎湃。闻一多和鲁迅是完全不同的。鲁迅是沉郁的，现实的，寂寞的，抗争的。除了天生性格的不同外，环境的塑造也是非常之大。鲁迅少年经历了家庭的变故，看尽了人间冷暖，世态炎凉。这种经历促使他很早就观察思考人生，立志用文学来改变中国国民的劣根。闻一
OPENAIGC开发者大赛企业组AI黑马奖 | AIGC数智传媒解决方案 RPA中国人工智能 AIGC 传媒
在第二届拯救者杯OPENAIGC开发者大赛中，涌现出一批技术突出、创意卓越的作品。为了让这些优秀项目被更多人看到，我们特意开设了优秀作品报道专栏，旨在展示其独特之处和开发者的精彩故事。无论您是技术专家还是爱好者，希望能带给您不一样的知识和启发。让我们一起探索AIGC的无限可能，见证科技与创意的完美融合！创未来AI应用赛-企业组AI黑马奖作品名称：AIGC数智传媒解决方案参赛团队：深圳市三象智能技术
2022-08-28 蔚蓝一片晴
初三暑假培训收获点滴从8月25至8月27日三天两晚的培训结束了，回到家中，该静下心来整理一下触动心灵的收获，成为成长的积淀。1.在优秀团队中快速成长与提升，做一名反思成长型教师一名专业型教师的教学指导包括了教学原理知识、案例知识、策略知识。面对教学中的遇到的有趣的情形、问题会去研究其理，寻找更好的教法学法对策。从新手到成熟型教师，再走向专业型教师，需要的是觉醒与反思，多进行案例研究，从案例中观察、
2021-07-31 比峰
七月的最后一天，过了今天，就是八月，心脏在颤抖……昨天两点半才睡，一直在以两倍的语速的听之前的课程，虽然隔得时间不长，但是很多知识点已经忘了差不多了，为了让自己能够掌握的稍微全面一点，还是磨刀不误砍柴工的比较好。正因为晚上睡得晚，今天一上午的状态都不好，也可能因为上午都是待在家里，所以多数时间自己是在补觉。既然太累，那就睡觉吧，总比浪费时间的好。下午到咖啡馆做题，一道差错更正一下子让自己的实力暴露
你可能遗漏的一些C#/.NET/.NET Core知识点追逐时光者 C#.NET DotNetGuide编程指南 c#.net .netcore microsoft
前言在这个快速发展的技术世界中，时常会有一些重要的知识点、信息或细节被忽略或遗漏。《C#/.NET/.NETCore拾遗补漏》专栏我们将探讨一些可能被忽略或遗漏的重要知识点、信息或细节，以帮助大家更全面地了解这些技术栈的特性和发展方向。拾遗补漏GitHub开源地址https://github.com/YSGStudyHards/DotNetGuide/blob/main/docs/DotNet/D
Dom 周华华 JavaScript html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml&q
【Spark九十六】RDD API之combineByKey bit1129 spark
1. combineByKey函数的运行机制 RDD提供了很多针对元素类型为(K,V)的API，这些API封装在PairRDDFunctions类中，通过Scala隐式转换使用。这些API实现上是借助于combineByKey实现的。combineByKey函数本身也是RDD开放给Spark开发人员使用的API之一首先看一下combineByKey的方法说明：
msyql设置密码报错：ERROR 1372 (HY000): 解决方法详解 daizj mysql 设置密码
MySql给用户设置权限同时指定访问密码时，会提示如下错误： ERROR 1372 (HY000): Password hash should be a 41-digit hexadecimal number；问题原因：你输入的密码是明文。不允许这么输入。解决办法：用select password('你想输入的密码');查询出你的密码对应的字符串，然后
路漫漫其修远兮吾将上下而求索周凡杨学习思索
王国维在他的《人间词话》中曾经概括了为学的三种境界古今之成大事业、大学问者，罔不经过三种之境界。“昨夜西风凋碧树。独上高楼，望尽天涯路。”此第一境界也。“衣带渐宽终不悔，为伊消得人憔悴。”此第二境界也。“众里寻他千百度，蓦然回首，那人却在灯火阑珊处。”此第三境界也。学习技术，这也是你必须经历的三种境界。第一层境界是说，学习的路是漫漫的，你必须做好充分的思想准备，如果半途而废还不如不要开始。这里，注
Hadoop(二)对话单的操作朱辉辉33 hadoop
Debug： 1、 A = LOAD '/user/hue/task.txt' USING PigStorage(' ') AS (col1,col2,col3); DUMP A; //输出结果前几行示例： (>ggsnPDPRecord(21),,) (-->recordType(0),,) (-->networkInitiation(1),,)
web报表工具FineReport常用函数的用法总结（日期和时间函数）老A不折腾 finereport 报表工具 web开发
web报表工具FineReport常用函数的用法总结（日期和时间函数）说明：凡函数中以日期作为参数因子的，其中日期的形式都必须是yy/mm/dd。而且必须用英文环境下双引号(" ")引用。 DATE DATE(year,month,day):返回一个表示某一特定日期的系列数。 Year:代表年，可为一到四位数。 Month:代表月份。
c++ 宏定义中的##操作符墙头上一根草 C++
#与##在宏定义中的--宏展开 #include <stdio.h> #define f(a,b) a##b #define g(a) #a #define h(a) g(a) int main() { &nbs
分析Spring源代码之，DI的实现 aijuans spring DI 现源代码
(转) 分析Spring源代码之，DI的实现 2012/1/3 by tony 接着上次的讲，以下这个sample [java] view plain copy print
for循环的进化 alxw4616 JavaScript
// for循环的进化 // 菜鸟 for (var i = 0; i < Things.length ; i++) { // Things[i] } // 老鸟 for (var i = 0, len = Things.length; i < len; i++) { // Things[i] } // 大师 for (var i = Things.le
网络编程Socket和ServerSocket简单的使用百合不是茶网络编程基础 IP地址端口
网络编程;TCP/IP协议网络:实现计算机之间的信息共享,数据资源的交换协议:数据交换需要遵守的一种协议,按照约定的数据格式等写出去端口:用于计算机之间的通信每运行一个程序，系统会分配一个编号给该程序，作为和外界交换数据的唯一标识 0~65535 查看被使用的
JDK1.5 生产消费者 bijian1013 java thread 生产消费者 java多线程
ArrayBlockingQueue：一个由数组支持的有界阻塞队列。此队列按 FIFO（先进先出）原则对元素进行排序。队列的头部是在队列中存在时间最长的元素。队列的尾部是在队列中存在时间最短的元素。新元素插入到队列的尾部，队列检索操作则是从队列头部开始获得元素。 ArrayBlockingQueue的常用方法：
JAVA版身份证获取性别、出生日期及年龄 bijian1013 java 性别出生日期年龄
工作中需要根据身份证获取性别、出生日期及年龄，且要还要支持15位长度的身份证号码，网上搜索了一下，经过测试好像多少存在点问题，干脆自已写一个。 CertificateNo.java package com.bijian.study; import java.util.Calendar; import
【Java范型六】范型与枚举 bit1129 java
首先，枚举类型的定义不能带有类型参数，所以，不能把枚举类型定义为范型枚举类，例如下面的枚举类定义是有编译错的 public enum EnumGenerics<T> { //编译错，提示枚举不能带有范型参数 OK, ERROR; public <T> T get(T type) { return null;
【Nginx五】Nginx常用日志格式含义 bit1129 nginx
1. log_format 1.1 log_format指令用于指定日志的格式，格式： log_format name(格式名称) type(格式样式) 1.2 如下是一个常用的Nginx日志格式： log_format main '[$time_local]|$request_time|$status|$body_bytes
Lua 语言 15 分钟快速入门 ronin47 lua 基础
- - 单行注释 - - [[ [多行注释] - - ]] - - - - - - - - - - - 1. 变量 & 控制流 - - - - - - - - - - num = 23 - - 数字都是双精度 str = 'aspythonstring'
java-35.求一个矩阵中最大的二维矩阵 ( 元素和最大 ) bylijinnan java
the idea is from: http://blog.csdn.net/zhanxinhang/article/details/6731134 public class MaxSubMatrix { /**see http://blog.csdn.net/zhanxinhang/article/details/6731134 * Q35 求一个矩阵中最大的二维
mongoDB文档型数据库特点开窍的石头 mongoDB文档型数据库特点
MongoDD: 文档型数据库存储的是Bson文档-->json的二进制特点：内部是执行引擎是js解释器，把文档转成Bson结构，在查询时转换成js对象。 mongoDB传统型数据库对比传统类型数据库：结构化数据，定好了表结构后每一个内容符合表结构的。也就是说每一行每一列的数据都是一样的文档型数据库：不用定好数据结构，
[毕业季节]欢迎广大毕业生加入JAVA程序员的行列 comsci java
一年一度的毕业季来临了。。。。。。。。正在投简历的学弟学妹们。。。如果觉得学校推荐的单位和公司不适合自己的兴趣和专业，可以考虑来我们软件行业，做一名职业程序员。。。软件行业的开发工具中，对初学者最友好的就是JAVA语言了，网络上不仅仅有大量的
PHP操作Excel – PHPExcel 基本用法详解 cuiyadll PHP Excel
导出excel属性设置//Include classrequire_once('Classes/PHPExcel.php');require_once('Classes/PHPExcel/Writer/Excel2007.php');$objPHPExcel = new PHPExcel();//Set properties 设置文件属性$objPHPExcel->getProperties
IBM Webshpere MQ Client User Issue (MCAUSER) darrenzhu IBM jms user MQ MCAUSER
IBM MQ JMS Client去连接远端MQ Server的时候，需要提供User和Password吗？答案是根据情况而定，取决于所定义的Channel里面的属性Message channel agent user identifier (MCAUSER)的设置。 http://stackoverflow.com/questions/20209429/how-mca-user-i
网线的接法 dcj3sjt126com
一、PC连HUB (直连线)A端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 B端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。二、PC连PC （交叉线）A端：(568A)：白绿，绿，白橙，蓝，白蓝，橙，白棕，棕； B端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。三、HUB连HUB&nb
Vimium插件让键盘党像操作Vim一样操作Chrome dcj3sjt126com chrome vim
什么是键盘党？键盘党是指尽可能将所有电脑操作用键盘来完成，而不去动鼠标的人。鼠标应该说是新手们的最爱，很直观，指哪点哪，很听话！不过常常使用电脑的人，如果一直使用鼠标的话，手会发酸，因为操作鼠标的时候，手臂不是在一个自然的状态，臂肌会处于绷紧状态。而使用键盘则双手是放松状态，只有手指在动。而且尽量少的从鼠标移动到键盘来回操作，也省不少事。在chrome里安装 vimium 插件
MongoDB查询（2）——数组查询[六] eksliang mongodb MongoDB查询数组
MongoDB查询数组转载请出自出处：http://eksliang.iteye.com/blog/2177292 一、概述 MongoDB查询数组与查询标量值是一样的，例如，有一个水果列表，如下所示： > db.food.find() { "_id" : "001", "fruits" : [ "苹
cordova读写文件（1） gundumw100 JavaScript Cordova
使用cordova可以很方便的在手机sdcard中读写文件。首先需要安装cordova插件：file 命令为： cordova plugin add org.apache.cordova.file 然后就可以读写文件了，这里我先是写入一个文件，具体的JS代码为： var datas=null;//datas need write var directory=&
HTML5 FormData 进行文件jquery ajax 上传到又拍云 ileson jquery Ajax html5 FormData
html5 新东西：FormData 可以提交二进制数据。页面test.html <!DOCTYPE> <html> <head> <title> formdata file jquery ajax upload</title> </head> <body> <
swift appearanceWhenContainedIn:(version1.2 xcode6.4) 啸笑天 version
swift1.2中没有oc中对应的方法： + (instancetype)appearanceWhenContainedIn:(Class <UIAppearanceContainer>)ContainerClass, ... NS_REQUIRES_NIL_TERMINATION; 解决方法：在swift项目中新建oc类如下： #import &
java实现SMTP邮件服务器 macroli java 编程
电子邮件传递可以由多种协议来实现。目前，在Internet 网上最流行的三种电子邮件协议是SMTP、POP3 和 IMAP，下面分别简单介绍。　　◆ SMTP 协议　　简单邮件传输协议(Simple Mail Transfer Protocol,SMTP)是一个运行在TCP/IP之上的协议，用它发送和接收电子邮件。SMTP 服务器在默认端口25上监听。SMTP客户使用一组简单的、基于文本的
mongodb group by having where 查询sql qiaolevip 每天进步一点点学习永无止境 mongo 纵观千象
SELECT cust_id, SUM(price) as total FROM orders WHERE status = 'A' GROUP BY cust_id HAVING total > 250 db.orders.aggregate( [ { $match: { status: 'A' } }, { $group: {
Struts2 Pojo（六） Luob. POJO strust2
注意：附件中有完整案例 1.采用POJO对象的方法进行赋值和传值 2.web配置 <?xml version="1.0" encoding="UTF-8"?> <web-app version="2.5" xmlns="http://java.sun.com/xml/ns/javaee&q
struts2步骤 wuai struts
1、添加jar包 2、在web.xml中配置过滤器 <filter> <filter-name>struts2</filter-name> <filter-class>org.apache.st

pandas学习整理(一)

十分钟搞定pandas

一、 创建对象

二、 查看数据

查看DataFrame头部和尾部的行

显示索引、列和底层的numpy数据

数据的快速统计汇总describe函数

数据的转置

按轴进行排序

按值进行排序

三、 选择

获取

通过标签选择

通过位置进行选择

布尔索引

设置

四、 缺失值处理

五、 相关操作

统计

应用Apply

字符串方法

六、 合并

6-1、 Concat方法

2、 join方法

6-3、 append方法

七、 分组

八、 改变形状

Stack

数据透视表

九、 时间序列

9-1、 时区表示

9-2、 时区转换

9-3、 时间跨度转换

9-4、 时间和时间戳的转换

十、 Categorical

10-1、转换数据类型

10-2、 对Categroical类型数据重命名

10-3、 对类别排序

10-4、 按照Categorical的顺序排序

10-5、 对Categorical列进行统计排序

十一、 画图

十二、 导入和保存数据

12-1、 CSV数据

12-2、 HDF5存储

12-3、 Excel存储

你可能感兴趣的:(python基础系列,python进阶知识)

一、创建对象

二、查看数据

三、选择

四、缺失值处理

五、相关操作

六、合并

七、分组

八、改变形状

九、时间序列

9-1、时区表示

9-2、时区转换

9-3、时间跨度转换

9-4、时间和时间戳的转换

10-2、对Categroical类型数据重命名

10-3、对类别排序

10-4、按照Categorical的顺序排序

10-5、对Categorical列进行统计排序

十一、画图

十二、导入和保存数据