伍岳凌

Datawhale Task02 pandas基础打卡

小白表示收获很大。一次性摄入过多，练习题我缓缓再写。ps资料的编写者真的好厉害，膜拜。

import numpy as np
import pandas as pd 
pd.__version__

'1.1.5'

2.1 文件的读取和写入

2.1.1 文件读取

df_csv = pd.read_csv(r'D:\Ajupyter\iris.csv'
                     ,usecols = ['Sepal_Length','Sepal_Width']
                     ,index_col = ['Sepal_Length']
                    )
df_csv

	Sepal_Width
Sepal_Length
5.1	3.5
4.9	3.0
4.7	3.2
4.6	3.1
5.0	3.6
...	...
6.7	3.0
6.3	2.5
6.5	3.0
6.2	3.4
5.9	3.0

150 rows × 1 columns

df_txt = pd.read_csv(r'C:\Users\86198\Desktop\数据\平台查询的企业.txt')
df_txt

	企业名
0	北京爱钱帮财富科技有限公司
1	烟台艾利互金网络信息服务有限公司
2	成都伟品信息技术服务有限公司
3	北京朴素磐石投资管理有限公司
4	宝蓝财富科技有限公司
...	...
126	北京中金丰联信息技术股份有限公司
127	广州中青金服互联网金融信息服务有限公司
128	上海顽色投资管理有限公司
129	杭州上陈金融服务外包有限公司
130	杭州飞牛科技有限公司

131 rows × 1 columns

df_excel = pd.read_excel(r'C:\Users\86198\Desktop\数据\批量查询_859.xls',parse_dates = ['成立日期'],nrows = 3)
df_excel

	企业名称	登记状态	法定代表人	注册资本	成立日期	核准日期	所属省份	所属城市	所属区县	电话	...	注册号	组织机构代码	参保人数	企业类型	所属行业	曾用名	网址	企业地址	最新年报地址	经营范围
0	宝蓝财富（天津）科技有限公司	存续	胡德荣	5500万元人民币	2014-04-04	2018-04-04	天津市	天津市	滨海新区	022-23757986	...	120193000087395	09366780-7	43	有限责任公司	科技推广和应用服务业	-	http://www.batiaoyu.com	天津滨海高新区华苑产业区(环外)海泰创新六路2号3-2-601	天津市河西区解放南路与浯水道交口喜年广场5-201	软件技术开发、咨询、服务、转让；商务信息咨询；计算机系统集成；财务咨询；企业管理咨询；批发和...
1	深圳市兴荣欣科技有限责任公司	存续	汪超	50万元人民币	2014-09-01	2020-08-04	广东省	深圳市	龙岗区	13802572770	...	440306111217767	31197532-3	-	有限责任公司	批发业	-	-	深圳市龙岗区南湾街道南岭村社区南园路4号文峰华庭1栋B座210	深圳市光明新区公明街道长圳村长圳路西八巷10号	一般经营项目是：LED灯饰的销售；国内贸易；货物及技术进出口；软件的开发与销售；游戏软件的开...
2	北京顺信益信息技术有限公司	存续	王维虎	10000万元人民币	2015-07-13	2018-06-01	北京市	北京市	海淀区	010-56855134	...	110108019480505	34438049-X	12	有限责任公司(自然人投资或控股)	软件和信息技术服务业	-	-	北京市海淀区万寿路甲12号北京万寿宾馆B座北侧三层1325	北京市海淀区马甸东路19号15层1815	技术开发、技术服务、技术咨询、技术推广；销售机械设备、电子产品、工艺品；经济贸易咨询；企业策...

3 rows × 25 columns

总结：header = None 表示第一行不作为列名；usecols 表示读取哪几列，默认是全部列；nrow表示读取的数据行数；index_col表示把某一列或者某几列作为索引；parse_date把这一列的数据转化为表示时间的列。

pd.read_table(r'C:\Users\86198\Desktop\joyful-pandas-master\data\my_table_special_sep.txt')

	col1 \|\|\|\| col2
0	TS \|\|\|\| This is an apple.
1	GQ \|\|\|\| My name is Bob.
2	WT \|\|\|\| Well done!
3	PT \|\|\|\| May I help you?

pd.read_table(r'C:\Users\86198\Desktop\joyful-pandas-master\data\my_table_special_sep.txt'
             ,sep = '\|\|\|\|',engine = 'python') #sep中使用的是正则表达式

	col1	col2
0	TS	This is an apple.
1	GQ	My name is Bob.
2	WT	Well done!
3	PT	May I help you?

2.1.2 数据写入

df_csv.to_csv(r'C:\Users\86198\Desktop\joyful-pandas-master\data\my_csv_saved.csv',index = None)  #更改的是我自己的文件

df_excel.to_excel(r'C:\Users\86198\Desktop\joyful-pandas-master\data\my_excel_saved.xlsx',index = None)

df_txt.to_csv(r'C:\Users\86198\Desktop\joyful-pandas-master\data\my_txt_saved.txt',index = None)

2.2基本数据结构

2.2.1 Series

s = pd.Series(data = [100,'a',{
     '阿信':'最帅'}]   #my_index相当于是列名，name是Series的名字
              ,index = pd.Index(['id1',20,'third'],name = 'my_index')
              ,dtype = 'object'
              ,name = 'my_name'
              
)
s

my_index
id1               100
20                  a
third    {'阿信': '最帅'}
Name: my_name, dtype: object

s.values

array([100, 'a', {'阿信': '最帅'}], dtype=object)

s.dtype

dtype('O')

s.index

Index(['id1', 20, 'third'], dtype='object', name='my_index')

s.name

'my_name'

s.shape

(3,)

2.2.2 数据框

data = [[1,'a',1.2],[2,'b',2.2],[3,'c',3.2]]
df = pd.DataFrame(data = data
                 ,index = ['row_%d'%i for i in range(3)]  #由行索引来构造数据
                 ,columns=['col_0','col_1','col_2'])
df

	col_0	col_1	col_2
row_0	1	a	1.2
row_1	2	b	2.2
row_2	3	c	3.2

df = pd.DataFrame(data = {
     'col_0':[1,2,3],'col_1':list('abc'),'col_2':[1.2,2.2,3.2]}
                 ,index = ['row_%d'%i for i in range(3)])
df

	col_0	col_1	col_2
row_0	1	a	1.2
row_1	2	b	2.2
row_2	3	c	3.2

df['col_0']

row_0    1
row_1    2
row_2    3
Name: col_0, dtype: int64

df[['col_0','col_1']]df.

	col_0	col_1
row_0	1	a
row_1	2	b
row_2	3	c

df.values

array([[1, 'a', 1.2],
       [2, 'b', 2.2],
       [3, 'c', 3.2]], dtype=object)

df.index

Index(['row_0', 'row_1', 'row_2'], dtype='object')

df.columns

Index(['col_0', 'col_1', 'col_2'], dtype='object')

df.dtypes

col_0      int64
col_1     object
col_2    float64
dtype: object

df.shape

(3, 3)

df.T

	row_0	row_1	row_2
col_0	1	2	3
col_1	a	b	c
col_2	1.2	2.2	3.2

2.3 常用基本函数

import pandas as pd
df = pd.read_csv('joyful-pandas-master\data\learn_pandas.csv')
df

	School	Grade	Name	Gender	Height	Weight	Transfer	Test_Number	Test_Date	Time_Record
0	Shanghai Jiao Tong University	Freshman	Gaopeng Yang	Female	158.9	46.0	N	1	2019/10/5	0:04:34
1	Peking University	Freshman	Changqiang You	Male	166.5	70.0	N	1	2019/9/4	0:04:20
2	Shanghai Jiao Tong University	Senior	Mei Sun	Male	188.9	89.0	N	2	2019/9/12	0:05:22
3	Fudan University	Sophomore	Xiaojuan Sun	Female	NaN	41.0	N	2	2020/1/3	0:04:08
4	Fudan University	Sophomore	Gaojuan You	Male	174.0	74.0	N	2	2019/11/6	0:05:22
...	...	...	...	...	...	...	...	...	...	...
195	Fudan University	Junior	Xiaojuan Sun	Female	153.9	46.0	N	2	2019/10/17	0:04:31
196	Tsinghua University	Senior	Li Zhao	Female	160.9	50.0	N	3	2019/9/22	0:04:03
197	Shanghai Jiao Tong University	Senior	Chengqiang Chu	Female	153.9	45.0	N	1	2020/1/5	0:04:48
198	Shanghai Jiao Tong University	Senior	Chengmei Shen	Male	175.3	71.0	N	2	2020/1/7	0:04:58
199	Tsinghua University	Sophomore	Chunpeng Lv	Male	155.7	51.0	N	1	2019/11/6	0:05:05

200 rows × 10 columns

df.columns

Index(['School', 'Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer',
       'Test_Number', 'Test_Date', 'Time_Record'],
      dtype='object')

#df = df[df.columns[:7]]
df.columns[:7]  #取出前7列的列名

Index(['School', 'Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer'], dtype='object')

df[df.columns[:7]] #t通过这个列名，取出前7列对应的值，然后赋值给df

	School	Grade	Name	Gender	Height	Weight	Transfer
0	Shanghai Jiao Tong University	Freshman	Gaopeng Yang	Female	158.9	46.0	N
1	Peking University	Freshman	Changqiang You	Male	166.5	70.0	N
2	Shanghai Jiao Tong University	Senior	Mei Sun	Male	188.9	89.0	N
3	Fudan University	Sophomore	Xiaojuan Sun	Female	NaN	41.0	N
4	Fudan University	Sophomore	Gaojuan You	Male	174.0	74.0	N
...	...	...	...	...	...	...	...
195	Fudan University	Junior	Xiaojuan Sun	Female	153.9	46.0	N
196	Tsinghua University	Senior	Li Zhao	Female	160.9	50.0	N
197	Shanghai Jiao Tong University	Senior	Chengqiang Chu	Female	153.9	45.0	N
198	Shanghai Jiao Tong University	Senior	Chengmei Shen	Male	175.3	71.0	N
199	Tsinghua University	Sophomore	Chunpeng Lv	Male	155.7	51.0	N

200 rows × 7 columns

2.3.1 汇总函数

df.head(2)

	School	Grade	Name	Gender	Height	Weight	Transfer
0	Shanghai Jiao Tong University	Freshman	Gaopeng Yang	Female	158.9	46.0	N
1	Peking University	Freshman	Changqiang You	Male	166.5	70.0	N

df.tail(3)

	School	Grade	Name	Gender	Height	Weight	Transfer
197	Shanghai Jiao Tong University	Senior	Chengqiang Chu	Female	153.9	45.0	N
198	Shanghai Jiao Tong University	Senior	Chengmei Shen	Male	175.3	71.0	N
199	Tsinghua University	Sophomore	Chunpeng Lv	Male	155.7	51.0	N

df.head()

	School	Grade	Name	Gender	Height	Weight	Transfer
0	Shanghai Jiao Tong University	Freshman	Gaopeng Yang	Female	158.9	46.0	N
1	Peking University	Freshman	Changqiang You	Male	166.5	70.0	N
2	Shanghai Jiao Tong University	Senior	Mei Sun	Male	188.9	89.0	N
3	Fudan University	Sophomore	Xiaojuan Sun	Female	NaN	41.0	N
4	Fudan University	Sophomore	Gaojuan You	Male	174.0	74.0	N

df.tail()

	School	Grade	Name	Gender	Height	Weight	Transfer
195	Fudan University	Junior	Xiaojuan Sun	Female	153.9	46.0	N
196	Tsinghua University	Senior	Li Zhao	Female	160.9	50.0	N
197	Shanghai Jiao Tong University	Senior	Chengqiang Chu	Female	153.9	45.0	N
198	Shanghai Jiao Tong University	Senior	Chengmei Shen	Male	175.3	71.0	N
199	Tsinghua University	Sophomore	Chunpeng Lv	Male	155.7	51.0	N

总结：head tail 分别返回数据的前多少行，和后多少行，括号里不指定的话，默认返回前5或者后5

df.info()


RangeIndex: 200 entries, 0 to 199
Data columns (total 7 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   School    200 non-null    object 
 1   Grade     200 non-null    object 
 2   Name      200 non-null    object 
 3   Gender    200 non-null    object 
 4   Height    183 non-null    float64
 5   Weight    189 non-null    float64
 6   Transfer  188 non-null    object 
dtypes: float64(2), object(5)
memory usage: 11.1+ KB

df.describe()

	Height	Weight
count	183.000000	189.000000
mean	163.218033	55.015873
std	8.608879	12.824294
min	145.400000	34.000000
25%	157.150000	46.000000
50%	161.900000	51.000000
75%	167.500000	65.000000
max	193.900000	89.000000

总结：info和describe分别返回表的基本信息和数据的主要统计量

2.3.2 特征统计函数

df_demo = df[['Height','Weight']]

df_demo.mean() #平均数

Height    163.218033
Weight     55.015873
dtype: float64

df_demo.max() #最大值

Height    193.9
Weight     89.0
dtype: float64

df_demo.quantile() #分位数 默认是中位数

Height    161.9
Weight     51.0
Name: 0.5, dtype: float64

df_demo.quantile(0.75) #上四分位数

Height    167.5
Weight     65.0
Name: 0.75, dtype: float64

df_demo.count() #非缺失值的数量

Height    183
Weight    189
dtype: int64

df_demo.idxmax()  #最大值对应的索引

Height    193
Weight      2
dtype: int64

#聚合函数 axis = 0默认为0 表示列聚合 axis=1表示行聚合
df_demo.mean(axis = 1).head()  #求的是某个学生的身高和体重的平均数，没有意义

0    102.45
1    118.25
2    138.95
3     41.00
4    124.00
dtype: float64

2.3.3 唯一值函数

df['School'].unique()

array(['Shanghai Jiao Tong University', 'Peking University',
       'Fudan University', 'Tsinghua University'], dtype=object)

df['School'].nunique()

总结：unique可以得到某一列中的唯一值（出现的哪几类的数据），nunique得到种类的数量

df['School'].value_counts()  #value_counts返回唯一值和其对应的频数

Tsinghua University              69
Shanghai Jiao Tong University    57
Fudan University                 40
Peking University                34
Name: School, dtype: int64

df_demo = df[['Gender','Transfer','Name']]

df_demo.drop_duplicates(['Gender','Transfer'],keep = 'last')  #去重函数 多个列唯一值的组合，以Gender和Transfer为关键字，在df_demo 中执行，所以会有name

	Gender	Transfer	Name
147	Male	NaN	Juan You
150	Male	Y	Chengpeng You
169	Female	Y	Chengquan Qin
194	Female	NaN	Yanmei Qian
197	Female	N	Chengqiang Chu
199	Male	N	Chunpeng Lv

df_demo.drop_duplicates(['Name','Gender'],keep = False).head(100)  #其余重复项都删除

	Gender	Transfer	Name
0	Female	N	Gaopeng Yang
1	Male	N	Changqiang You
2	Male	N	Mei Sun
4	Male	N	Gaojuan You
5	Female	N	Xiaoli Qian
...	...	...	...
115	Female	N	Gaofeng Sun
116	Male	N	Feng Zhao
117	Male	N	Chunli Zhao
119	Female	N	Peng Zhang
120	Female	NaN	Peng Han

100 rows × 3 columns

df['School'].drop_duplicates() #Series中也可以使用

0    Shanghai Jiao Tong University
1                Peking University
3                 Fudan University
5              Tsinghua University
Name: School, dtype: object

df_demo.duplicated(['Gender','Transfer']).head(100) #重复为True 不重复为False drop_duplicates 是把重复的行以对应的指令删除，并把剩余的显示出来

0     False
1     False
2      True
3      True
4      True
      ...  
95     True
96     True
97     True
98     True
99     True
Length: 100, dtype: bool

df['School'].duplicated().head(100)  #Seried中也可以使用

0     False
1     False
2      True
3     False
4      True
      ...  
95     True
96     True
97     True
98     True
99     True
Name: School, Length: 100, dtype: bool

2.3.4 替换函数

总结：映射替换（replace），逻辑替换（where,mask）,数值替换（abs,clip,round）

df['Gender'].replace({
     'Female':0,'Male':1}).head(100)

0     0
1     1
2     1
3     0
4     1
     ..
95    1
96    0
97    0
98    1
99    1
Name: Gender, Length: 100, dtype: int64

df['Gender'].replace(['Female','Male'],[0,1]).head(100)

0     0
1     1
2     1
3     0
4     1
     ..
95    1
96    0
97    0
98    1
99    1
Name: Gender, Length: 100, dtype: int64

s = pd.Series(['a',1,'b',2,1,1,'a'])

0    a
1    1
2    b
3    2
4    1
5    1
6    a
dtype: object

s.replace([1,2],method='ffill') #替换1和2，用前面一个最近的未被替换的值替换1和2，一个是a一个是b

0    a
1    a
2    b
3    b
4    b
5    b
6    a
dtype: object

s.replace([1,2],method='bfill') #1-b 2-a

0    a
1    b
2    b
3    a
4    a
5    a
6    a
dtype: object

#逻辑替换
s = pd.Series([-1,2,100,-50])
s.where(s<0) #False时进行替换

0    -1.0
1     NaN
2     NaN
3   -50.0
dtype: float64

s.where(s<0,100)

0     -1
1    100
2    100
3    -50
dtype: int64

s.mask(s<0) #True时进行替换

0      NaN
1      2.0
2    100.0
3      NaN
dtype: float64

s.mask(s<0,10)

0     10
1      2
2    100
3     10
dtype: int64

s_condition = pd.Series([True,False,False,True],index = s.index)

s.mask(s_condition,-50)  #True时替换为-50，False时不变，保留原来的数值

0    -50
1      2
2    100
3    -50
dtype: int64

#数值替换
s = pd.Series([-1,3.5515,100,-50])
s.round() #括号里是小数位数，默认是取整，四舍五入

0     -1.0
1      4.0
2    100.0
3    -50.0
dtype: float64

s.abs()

0      1.0000
1      3.5515
2    100.0000
3     50.0000
dtype: float64

0     -1.0000
1      3.5515
2    100.0000
3    -50.0000
dtype: float64

s.clip(0,5) #小于0的用0代替，大于5的用5代替

0    0.0000
1    3.5515
2    5.0000
3    0.0000
dtype: float64

参数：lower ： float或array_like，默认为None

最小阈值。低于此阈值的所有值都将设置为它。

upper ： float或array_like，默认为None

最大阈值。高于此阈值的所有值都将设置为它。

axis ： int或string轴名称，可选

沿给定轴将对象与下部和上部对齐。

inplace ：布尔值，默认为False

是否对数据执行操作。

Series或DataFrame

与调用对象相同的类型，替换了剪辑边界之外的值

参考：https://www.cjavapy.com/article/330/

import pandas as pd
data = {
     'col_0': [9, -3, 0, -1, 5], 'col_1': [-2, -7, 6, 8, -5]}  
df = pd.DataFrame(data)
df

	col_0	col_1
0	9	-2
1	-3	-7
2	0	6
3	-1	8
4	5	-5

t = pd.Series([2, -4, -1, 6, 3])
t

0    2
1   -4
2   -1
3    6
4    3
dtype: int64

df

	col_0	col_1
0	9	-2
1	-3	-7
2	0	6
3	-1	8
4	5	-5

 df.clip(t, t + 4, axis=0)  #从网上找的这个例子不明白啊

	col_0	col_1
0	6	2
1	-3	-4
2	0	3
3	6	8
4	5	3

2.3.5 排序函数

df = pd.read_csv('joyful-pandas-master/data/learn_pandas.csv')
df_demo = df[['Grade','Name','Height','Weight']].set_index(['Grade','Name'])

df_demo.sort_values('Height').head()

		Height	Weight
Grade	Name
Junior	Xiaoli Chu	145.4	34.0
Senior	Gaomei Lv	147.3	34.0
Sophomore	Peng Han	147.8	34.0
Senior	Changli Lv	148.7	41.0
Sophomore	Changjuan You	150.5	40.0

df_demo.sort_values('Height',ascending = False).head()

		Height	Weight
Grade	Name
Senior	Xiaoqiang Qin	193.9	79.0
	Mei Sun	188.9	89.0
	Gaoli Zhao	186.5	83.0
Freshman	Qiang Han	185.3	87.0
Senior	Qiang Zheng	183.9	87.0

df_demo.sort_values(['Weight','Height'],ascending=[True,False]).head(100)  #Weight是升序排列，在相同的weight下，Height再降序排列

		Height	Weight
Grade	Name
Sophomore	Peng Han	147.8	34.0
Senior	Gaomei Lv	147.3	34.0
Junior	Xiaoli Chu	145.4	34.0
Sophomore	Qiang Zhou	150.5	36.0
Freshman	Yanqiang Xu	152.4	38.0
Freshman	Qiang Han	151.8	38.0
Senior	Chengpeng Zheng	151.7	38.0
Sophomore	Mei Xu	154.2	39.0
Freshman	Xiaoquan Sun	154.6	40.0
Sophomore	Qiang Sun	154.3	40.0
Senior	Juan You	154.0	40.0
Sophomore	Changjuan You	150.5	40.0
Senior	Yanli Zhang	154.2	41.0
Senior	Changli Lv	148.7	41.0
Sophomore	Xiaojuan Sun	NaN	41.0
Freshman	Gaojuan Qin	NaN	41.0
Freshman	Gaoquan Sun	156.8	42.0
Senior	Xiaopeng Chu	156.5	42.0
Junior	Qiang Lv	152.1	42.0
Sophomore	Xiaoqiang Feng	157.0	43.0
Junior	Gaoqiang Zhou	156.8	43.0
Freshman	Xiaoli Xu	156.5	43.0
Sophomore	Feng Qian	156.4	43.0
Freshman	Quan Chu	154.7	43.0
Junior	Xiaoquan Lv	153.2	43.0
Freshman	Qiang Zhang	152.7	43.0
Freshman	Gaofeng Zhao	152.2	43.0
Sophomore	Changmei Xu	151.6	43.0
Freshman	Chunmei Wang	151.2	43.0
Freshman	Feng Yang	158.9	44.0
Senior	Quan Xu	157.0	44.0
Junior	Mei Zhang	156.5	44.0
Junior	Chengpeng Zhao	156.0	44.0
Freshman	Li Lv	155.2	44.0
Junior	Gaojuan Qian	154.8	44.0
Junior	Chunmei Han	153.2	44.0
Sophomore	Chunpeng Shi	152.9	44.0
Senior	Gaojuan Zhao	151.5	44.0
Junior	Yanpeng Han	NaN	44.0
Freshman	Changquan Chu	159.6	45.0
Junior	Xiaofeng You	158.5	45.0
Sophomore	Xiaoquan Zhang	158.3	45.0
Senior	Chengqiang Chu	153.9	45.0
Freshman	Xiaoli Lv	152.5	45.0
Junior	Xiaofeng Zhao	159.9	46.0
Freshman	Gaopeng Yang	158.9	46.0
Freshman	Gaoli Feng	157.4	46.0
Senior	Changmei Sun	155.3	46.0
Senior	Xiaopeng Qian	154.3	46.0
Junior	Xiaojuan Sun	153.9	46.0
Junior	Changjuan You	161.4	47.0
Freshman	Chengquan Chu	161.3	47.0
Senior	Juan Zhao	161.2	47.0
Junior	Yanli Zhang	160.6	47.0
Senior	Juan Zhang	159.9	47.0
Senior	Chunjuan Xu	159.8	47.0
Junior	Chunjuan Zhang	158.9	47.0
Senior	Xiaopeng Lv	158.4	47.0
Sophomore	Xiaomei Shi	157.9	47.0
Senior	Juan Qin	156.0	47.0
	Gaoli Wu	155.7	47.0
	Feng Zhou	155.6	47.0
Freshman	Changli Zhang	163.0	48.0
Freshman	Gaopeng Shi	162.9	48.0
Junior	Gaofeng Sun	162.8	48.0
Sophomore	Yanfeng Qian	160.1	48.0
Junior	Qiang Wang	157.5	48.0
Junior	Gaoli Xu	157.3	48.0
Senior	Peng You	NaN	48.0
Junior	Yanli You	NaN	48.0
Freshman	Yanjuan Han	163.7	49.0
Senior	Feng Zheng	162.6	49.0
Junior	Xiaojuan Zhao	160.3	49.0
Senior	Yanmei Qian	160.3	49.0
Junior	Changjuan Xu	159.6	49.0
Junior	Yanjuan Lv	159.3	49.0
Freshman	Xiaomei Yang	159.3	49.0
	Xiaofeng Qian	158.5	49.0
	Changqiang Yang	156.0	49.0
Senior	Qiang Chu	162.4	50.0
Junior	Gaoqiang Qian	161.9	50.0
Senior	Mei Zheng	161.1	50.0
	Li Zhao	160.9	50.0
	Xiaojuan Qian	160.6	50.0
Junior	Mei Sun	159.5	50.0
Senior	Quan Qian	159.0	50.0
Junior	Feng Zheng	165.6	51.0
	Li Chu	165.2	51.0
	Xiaojuan Qian	164.7	51.0
Freshman	Li Wu	164.3	51.0
Freshman	Yanqiang Feng	162.3	51.0
Junior	Chengquan Shi	160.8	51.0
	Xiaopeng Zhou	160.2	51.0
	Feng Zhao	159.0	51.0
Freshman	Xiaoli Qian	158.0	51.0
Junior	Gaoquan Shen	158.0	51.0
Sophomore	Chunpeng Lv	155.7	51.0
Senior	Mei Feng	NaN	51.0
Junior	Gaoquan Chu	NaN	51.0
Senior	Feng Yang	167.0	52.0

df_demo.sort_values(['Height','Weight'],ascending=[True,False]).head(100)  #固定相同身高，体重是降序排列

		Height	Weight
Grade	Name
Junior	Xiaoli Chu	145.4	34.0
Senior	Gaomei Lv	147.3	34.0
Sophomore	Peng Han	147.8	34.0
Senior	Changli Lv	148.7	41.0
Sophomore	Changjuan You	150.5	40.0
Sophomore	Qiang Zhou	150.5	36.0
Freshman	Chunmei Wang	151.2	43.0
Senior	Gaojuan Zhao	151.5	44.0
Sophomore	Changmei Xu	151.6	43.0
Senior	Chengpeng Zheng	151.7	38.0
Freshman	Qiang Han	151.8	38.0
Junior	Qiang Lv	152.1	42.0
Freshman	Gaofeng Zhao	152.2	43.0
	Yanqiang Xu	152.4	38.0
	Xiaoli Lv	152.5	45.0
	Qiang Zhang	152.7	43.0
Sophomore	Chunpeng Shi	152.9	44.0
Junior	Chunmei Han	153.2	44.0
Junior	Xiaoquan Lv	153.2	43.0
Senior	Mei Chen	153.6	NaN
Junior	Xiaojuan Sun	153.9	46.0
Senior	Chengqiang Chu	153.9	45.0
	Juan You	154.0	40.0
	Yanli Zhang	154.2	41.0
Sophomore	Mei Xu	154.2	39.0
Senior	Xiaopeng Qian	154.3	46.0
Sophomore	Qiang Sun	154.3	40.0
Freshman	Xiaoquan Sun	154.6	40.0
Freshman	Quan Chu	154.7	43.0
Junior	Gaojuan Qian	154.8	44.0
Freshman	Li Lv	155.2	44.0
Senior	Changmei Sun	155.3	46.0
Senior	Feng Zhou	155.6	47.0
Sophomore	Chunpeng Lv	155.7	51.0
Senior	Gaoli Wu	155.7	47.0
Freshman	Changqiang Yang	156.0	49.0
Senior	Juan Qin	156.0	47.0
Junior	Chengpeng Zhao	156.0	44.0
Sophomore	Feng Qian	156.4	43.0
Junior	Mei Zhang	156.5	44.0
Freshman	Xiaoli Xu	156.5	43.0
Senior	Xiaopeng Chu	156.5	42.0
Junior	Gaoqiang Zhou	156.8	43.0
Freshman	Gaoquan Sun	156.8	42.0
Senior	Quan Xu	157.0	44.0
Sophomore	Xiaoqiang Feng	157.0	43.0
Junior	Gaoli Xu	157.3	48.0
Freshman	Gaoli Feng	157.4	46.0
Junior	Qiang Wang	157.5	48.0
Senior	Qiang Shi	157.7	NaN
Sophomore	Xiaomei Shi	157.9	47.0
Freshman	Xiaoli Qian	158.0	51.0
Junior	Gaoquan Shen	158.0	51.0
Sophomore	Xiaoquan Zhang	158.3	45.0
Senior	Xiaopeng Lv	158.4	47.0
Freshman	Xiaofeng Qian	158.5	49.0
Junior	Xiaofeng You	158.5	45.0
Junior	Chunjuan Zhang	158.9	47.0
Freshman	Gaopeng Yang	158.9	46.0
Freshman	Feng Yang	158.9	44.0
Junior	Feng Zhao	159.0	51.0
Senior	Quan Qian	159.0	50.0
Junior	Yanjuan Lv	159.3	49.0
Freshman	Xiaomei Yang	159.3	49.0
Senior	Gaopeng Qin	159.4	52.0
Junior	Mei Sun	159.5	50.0
Junior	Changjuan Xu	159.6	49.0
Freshman	Changquan Chu	159.6	45.0
Senior	Chunjuan Xu	159.8	47.0
Senior	Juan Zhang	159.9	47.0
Junior	Xiaofeng Zhao	159.9	46.0
Junior	Xiaopeng Shen	160.1	53.0
Sophomore	Yanfeng Qian	160.1	48.0
Junior	Xiaopeng Zhou	160.2	51.0
Junior	Xiaojuan Zhao	160.3	49.0
Senior	Yanmei Qian	160.3	49.0
Junior	Quan Zhao	160.6	53.0
Senior	Xiaojuan Qian	160.6	50.0
Junior	Yanli Zhang	160.6	47.0
Junior	Chengquan Qin	160.7	52.0
Sophomore	Xiaoqiang Qin	160.8	54.0
Junior	Chengquan Shi	160.8	51.0
Junior	Qiang Sun	160.8	NaN
Senior	Li Zhao	160.9	50.0
Freshman	Xiaopeng Zhao	161.0	53.0
Senior	Mei Zheng	161.1	50.0
Senior	Juan Zhao	161.2	47.0
Freshman	Chengquan Chu	161.3	47.0
Junior	Changjuan You	161.4	47.0
Senior	Li Xu	161.5	53.0
Senior	Chunpeng Qian	161.6	NaN
Junior	Xiaopeng Sun	161.9	54.0
	Gaoqiang Qian	161.9	50.0
	Chunquan Xu	162.1	54.0
Freshman	Yanqiang Feng	162.3	51.0
Freshman	Xiaojuan Chu	162.4	58.0
Senior	Qiang Chu	162.4	50.0
Freshman	Peng Wu	162.5	53.0
Freshman	Qiang Chu	162.5	52.0
Senior	Feng Zheng	162.6	49.0

df_demo.sort_index(level=['Grade','Name'],ascending=[True,False]).head(100) #按照Grade,Name进行排序

		Height	Weight
Grade	Name
Freshman	Yanquan Wang	163.5	55.0
	Yanqiang Xu	152.4	38.0
	Yanqiang Feng	162.3	51.0
	Yanpeng Lv	NaN	65.0
	Yanli Zhang	165.1	52.0
	Yanjuan Zhao	NaN	53.0
	Yanjuan Han	163.7	49.0
	Xiaoquan Sun	154.6	40.0
	Xiaopeng Zhou	174.1	74.0
	Xiaopeng Zhao	161.0	53.0
	Xiaopeng Han	164.1	53.0
	Xiaomei Yang	159.3	49.0
	Xiaoli Xu	156.5	43.0
	Xiaoli Qian	158.0	51.0
	Xiaoli Lv	152.5	45.0
	Xiaojuan Qin	NaN	79.0
	Xiaojuan Chu	162.4	58.0
	Xiaofeng Qian	158.5	49.0
	Quan Chu	154.7	43.0
	Qiang Zhang	152.7	43.0
	Qiang Shi	164.5	52.0
	Qiang Han	185.3	87.0
	Qiang Han	151.8	38.0
	Qiang Feng	178.9	80.0
	Qiang Chu	162.5	52.0
	Peng Zhang	163.1	NaN
	Peng Wu	162.5	53.0
	Li Wu	164.3	51.0
	Li Lv	155.2	44.0
	Juan Zhang	168.6	55.0
	Gaoquan Xu	NaN	52.0
	Gaoquan Sun	156.8	42.0
	Gaoqiang Qin	170.2	63.0
	Gaopeng Yang	158.9	46.0
	Gaopeng Shi	162.9	48.0
	Gaoli Zhao	175.4	78.0
	Gaoli Feng	157.4	46.0
	Gaojuan Qin	NaN	41.0
	Gaofeng Zhao	152.2	43.0
	Feng Yang	158.9	44.0
	Feng Wang	176.3	74.0
	Chunmei Wang	151.2	43.0
	Chunmei Shi	164.9	52.0
	Chunli Zhao	180.2	83.0
	Chengquan Chu	161.3	47.0
	Changquan Chu	159.6	45.0
	Changqiang You	166.5	70.0
	Changqiang Yang	156.0	49.0
	Changpeng Zhao	181.3	83.0
	Changmei Lv	172.2	75.0
	Changmei Feng	163.8	56.0
	Changli Zhang	163.0	48.0
Junior	Yanpeng Han	NaN	44.0
	Yanmei Yang	167.7	57.0
	Yanli Zhang	160.6	47.0
	Yanli You	NaN	48.0
	Yanli Wang	169.9	67.0
	Yanjuan Lv	159.3	49.0
	Yanfeng Qian	178.7	75.0
	Xiaoquan Lv	153.2	43.0
	Xiaoqiang Qin	170.1	68.0
	Xiaopeng Zhou	160.2	51.0
	Xiaopeng Sun	161.9	54.0
	Xiaopeng Shen	160.1	53.0
	Xiaoli Wang	171.4	70.0
	Xiaoli Chu	145.4	34.0
	Xiaojuan Zhao	160.3	49.0
	Xiaojuan Sun	153.9	46.0
	Xiaojuan Qian	164.7	51.0
	Xiaofeng Zhao	159.9	46.0
	Xiaofeng You	158.5	45.0
	Quan Zhao	160.6	53.0
	Qiang You	170.0	56.0
	Qiang Wang	157.5	48.0
	Qiang Sun	163.1	53.0
	Qiang Sun	160.8	NaN
	Qiang Lv	152.1	42.0
	Peng Wang	162.8	65.0
	Mei Zhang	156.5	44.0
	Mei Sun	159.5	50.0
	Li Sun	166.6	54.0
	Li Chu	165.2	51.0
	Juan Xu	164.8	NaN
	Gaoquan Zhou	166.8	70.0
	Gaoquan Shen	158.0	51.0
	Gaoquan Chu	NaN	51.0
	Gaoqiang Zhou	156.8	43.0
	Gaoqiang Qin	167.1	71.0
	Gaoqiang Qian	161.9	50.0
	Gaoli Xu	157.3	48.0
	Gaojuan Qian	154.8	44.0
	Gaofeng Sun	162.8	48.0
	Feng Zheng	165.6	51.0
	Feng Zhao	159.0	51.0
	Chunquan Xu	162.1	54.0
	Chunqiang Chu	168.6	72.0
	Chunmei Han	153.2	44.0
	Chunjuan Zhang	158.9	47.0
	Chunfeng Zhao	173.4	72.0
	Chengquan Shi	160.8	51.0

2.3.6 apply方法

df_demo = df[['Height','Weight']]
def my_mean(x):
    res = x.mean()
    return res
df_demo.apply(my_mean)

Height    163.218033
Weight     55.015873
dtype: float64

df_demo.apply(lambda x:x.mean())

Height    163.218033
Weight     55.015873
dtype: float64

df_demo.apply(lambda x:x.mean(),axis = 1).head()

0    102.45
1    118.25
2    138.95
3     41.00
4    124.00
dtype: float64

df_demo.apply(lambda x:(x-x.mean()).abs().mean()) #与上面的是两个函数

Height     6.707229
Weight    10.391870
dtype: float64

df_demo.mad()

Height     6.707229
Weight    10.391870
dtype: float64

2.4 窗口对象

https://www.gairuo.com/p/pandas-window-functions

可以把“窗口”（windows）这个理解一个集合，一个窗口就是一个集合，在统计分析中有需要不同的「窗口」，比如一个部门分成不同组，在统计时会按组进行平均、排名等操作。再比如，在一些像时间这种有顺序的数据，我们可能5天分一组、一月分一组再进行排序、求中位数等计算。
rolling(10) 与 groupby 很像，但并没有进行分组，而是创建了一个按移动 10（天）位的滑动窗口对象。我们再对每个对象进行统计操作。

2.4.1 滑窗对象

rolling得到滑窗对象，最重要的参数是窗口大小window

s = pd.Series([1,2,3,4,5])
roller = s.rolling(window = 3)
roller

Rolling [window=3,center=False,axis=0]

roller.mean() #https://blog.csdn.net/qsx123432/article/details/111396542  解释的很清楚

0    NaN
1    NaN
2    2.0
3    3.0
4    4.0
dtype: float64

roller.sum()

0     NaN
1     NaN
2     6.0
3     9.0
4    12.0
dtype: float64

s2 = pd.Series([1,2,6,16,30])
roller.cov(s2)

0     NaN
1     NaN
2     2.5
3     7.0
4    12.0
dtype: float64

roller.corr(s2)

0         NaN
1         NaN
2    0.944911
3    0.970725
4    0.995402
dtype: float64

#通过apply传入自定义的函数
roller.apply(lambda x:x.mean())

0    NaN
1    NaN
2    2.0
3    3.0
4    4.0
dtype: float64

a = pd.Series([1,3,6,10,15])
a.shift(2)  #取向前第2个元素的值

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

a.diff(3) #与向前第3个元素做差

0     NaN
1     NaN
2     NaN
3     9.0
4    12.0
dtype: float64

a.pct_change() #与向前第ng个元素相比计算增长率

0         NaN
1    2.000000
2    1.000000
3    0.666667
4    0.500000
dtype: float64

a.shift(-1) #取向后一个元素的值

0     3.0
1     6.0
2    10.0
3    15.0
4     NaN
dtype: float64

a.diff(-2) #与向后第二个元素做差

0   -5.0
1   -7.0
2   -9.0
3    NaN
4    NaN
dtype: float64

0     1
1     3
2     6
3    10
4    15
dtype: int64

2.4.2 扩张窗口

s = pd.Series([1,3,6,10])
s.expanding().mean()

0    1.000000
1    2.000000
2    3.333333
3    5.000000
dtype: float64

你可能感兴趣的:(pandas,python,pandas)

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
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
自然语言处理_tf-idf _feivirus_ 算法机器学习和数学自然语言处理 tf-idf 逆文档频率词频
importpandasaspdimportmath1.数据预处理docA="Thecatsatonmyface"docB="Thedogsatonmybed"wordsA=docA.split("")wordsB=docB.split("")wordsSet=set(wordsA).union(set(wordsB))print(wordsSet){'on','my','face','sat',
K近邻算法_分类鸢尾花数据集 _feivirus_ 算法机器学习和数学分类机器学习 K近邻
importnumpyasnpimportpandasaspdfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score1.数据预处理iris=load_iris()df=pd.DataFrame(data=ir
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
[黑洞与暗粒子]没有光的世界 comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界.... 那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的 &nbs
jQuery Lazy Load 图片延迟加载 aijuans jquery
基于 jQuery 的图片延迟加载插件，在用户滚动页面到图片之后才进行加载。对于有较多的图片的网页，使用图片延迟加载，能有效的提高页面加载速度。版本： jQuery v1.4.4+ jQuery Lazy Load v1.7.2 注意事项：需要真正实现图片延迟加载，必须将真实图片地址写在 data-original 属性中。若 src
使用Jodd的优点 Kai_Ge jodd
1. 简化和统一 controller ，抛弃 extends SimpleFormController ，统一使用 implements Controller 的方式。 2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。 3. 对 bean 没有任何要求，可以使用任意的 bean 做为 formBean。使用方法简介
jpa Query转hibernate Query 120153216 Hibernate
public List<Map> getMapList(String hql, Map map) { org.hibernate.Query jpaQuery = entityManager.createQuery(hql); if (null != map) { for (String parameter : map.keySet()) { jp
Django_Python3添加MySQL/MariaDB支持 2002wmj mariaDB
现状首先，[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话，会发现 django.db.backends.mysql 依赖 MySQLdb[5] ，而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案首先据MySQL文档[3]说，自从MySQL
在SQLSERVER中查找消耗IO最多的SQL 357029540 SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。 select top 50 (total_logical_reads/execution_count) as avg_logical_reads, (total_logical_writes/execution_count) as avg_logical_writes, (tot
spring UnChecked 异常官方定义！ 7454103 spring
如果你接触过spring的事物管理！那么你必须明白 spring的非捕获异常！即 unchecked 异常！因为 spring 默认这类异常事物自动回滚！！ public static boolean isCheckedException(Throwable ex) { return !(ex instanceof RuntimeExcep
mongoDB 入门指南、示例 adminjun java mongodb 操作
一、准备工作 1、下载mongoDB 下载地址：http://www.mongodb.org/downloads 选择合适你的版本相关文档：http://www.mongodb.org/display/DOCS/Tutorial 2、安装mongoDB A、不解压模式：将下载下来的mongoDB-xxx.zip打开，找到bin目录，运行mongod.exe就可以启动服务，默
CUDA 5 Release Candidate Now Available aijuans CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
Essential Studio for WinRT网格控件测评 Axiba JavaScript html5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件，如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时，该控件还包含了一组独特的库，用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。网格控件功能 1、
java 获取windows系统安装的证书或证书链 bewithme windows
有时需要获取windows系统安装的证书或证书链，比如说你要通过证书来创建java的密钥库。有关证书链的解释可以查看此处。 public static void main(String[] args) { SunMSCAPI providerMSCAPI = new SunMSCAPI(); S
NoSQL数据库之Redis数据库管理(set类型和zset类型) bijian1013 redis 数据库 NoSQL
4.sets类型 Set是集合，它是string类型的无序集合。set是通过hash table实现的，添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。 sadd：向名称为key的set中添加元
异常捕获何时用Exception，何时用Throwable bingyingao
用Exception的情况 try { //可能发生空指针、数组溢出等异常 } catch (Exception e) {
【Kafka四】Kakfa伪分布式安装 bit1129 kafka
在http://bit1129.iteye.com/blog/2174791一文中，实现了单Kafka服务器的安装，在Kafka中，每个Kafka服务器称为一个broker。本文简单介绍下，在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤 Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样，不过比Zookeeper稍微简单些(不
Project Euler bookjovi haskell
Project Euler是个数学问题求解网站，网站设计的很有意思，有很多problem，在未提交正确答案前不能查看problem的overview，也不能查看关于problem的discussion thread，只能看到现在problem已经被多少人解决了，人数越多往往代表问题越容易。看看problem 1吧： Add all the natural num
Java-Collections Framework学习与总结-ArrayDeque BrokenDreams Collections
表、栈和队列是三种基本的数据结构，前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用，当然由于实现方式的不同，操作的效率也会不同。这篇要看一下java.util.ArrayDeque。从命名上看
读《研磨设计模式》-代码笔记-装饰模式-Decorator bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ import java.io.BufferedOutputStream; import java.io.DataOutputStream; import java.io.FileOutputStream; import java.io.Fi
Maven学习(一) chenyu19891124 Maven私服
学习一门技术和工具总得花费一段时间，5月底6月初自己学习了一些工具，maven+Hudson+nexus的搭建，对于maven以前只是听说，顺便再自己的电脑上搭建了一个maven环境，但是完全不了解maven这一强大的构建工具，还有ant也是一个构建工具，但ant就没有maven那么的简单方便，其实简单点说maven是一个运用命令行就能完成构建，测试，打包，发布一系列功
[原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充 comsci 算法工作 PHP 搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案，请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来，请大家多指点节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法) 需要解决的问题：已知分支
Linux中用shell获取昨天、明天或多天前的日期 daizj linux shell 上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年 # 获取昨天 date -d 'yesterday' # 或 date -d 'last day' # 获取明天 date -d 'tomorrow' # 或 date -d 'next day' # 获取上个月 date -d 'last month' #
我所理解的云计算 dongwei_6688 云计算
在刚开始接触到一个概念时，人们往往都会去探寻这个概念的含义，以达到对其有一个感性的认知，在Wikipedia上关于“云计算”是这么定义的，它说： Cloud computing is a phrase used to describe a variety of computing co
YII CMenu配置 dcj3sjt126com yii
Adding id and class names to CMenu We use the id and htmlOptions to accomplish this. Watch. //in your view $this->widget('zii.widgets.CMenu', array( 'id'=>'myMenu', 'items'=>$this-&g
设计模式之静态代理与动态代理 come_for_dream 设计模式
静态代理与动态代理代理模式是java开发中用到的相对比较多的设计模式，其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题，真实主题执行具体的业务操作，而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆，我们可以删除看成主业务，而把检验用户是否登陆看成其相关业务
【转】理解Javascript 系列 gcc2ge JavaScript
理解Javascript_13_执行模型详解摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念，那么这一篇将深入分析执行上下文的构建过程，了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时，第一步是创建其执行环境，在创建执行环境的过程中，会按照定义的先后顺序完成一系列操作:1.首先会创建一个
Subsets II hcx2013 set
Given a collection of integers that might contain duplicates, nums, return all possible subsets. Note: Elements in a subset must be in non-descending order. The solution set must not conta
Spring4.1新特性——Spring缓存框架增强 jinnianshilongnian spring4
目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
shell嵌套expect执行命令 liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧. 系统:centos 5.x 1.先安装expect yum -y install expect 2.脚本内容: cat auto_svn.sh #!/bin/bash
Linux实用命令整理 pda158 linux
0. 基本命令　　linux 基本命令整理　　1. 压缩解压　　tar -zcvf a.tar.gz a #把a压缩成a.tar.gz 　　tar -zxvf a.tar.gz #把a.tar.gz解压成a 　　2. vim小结　　2.1 vim替换　　:m,ns/word_1/word_2/gc
独立开发人员通向成功的29个小贴士 shoothao 独立开发
概述：本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。明白你从事独立开发的原因和目的。保持坚持制定计划的好习惯。万事开头难，第一份订单是关键。培养多元化业务技能。提供卓越的服务和品质。谨小慎微。营销是必备技能。学会组织，有条理的工作才是最有效率的。 “独立
JAVA中堆栈和内存分配原理 uule java
1、栈、堆 1.寄存器：最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈：存放基本类型的变量数据和对象的引用，但对象本身不存放在栈中，而是存放在堆（new 出来的对象）或者常量池中（字符串常量对象存放在常量池中。）3. 堆：存放所有new出来的对象。4. 静态域：存放静态成员（static定义的）5. 常量池：存放字符串常量和基本类型常量（public static f

	col1 \|\|\|\| col2
0	TS \|\|\|\| This is an apple.
1	GQ \|\|\|\| My name is Bob.
2	WT \|\|\|\| Well done!
3	PT \|\|\|\| May I help you?

Datawhale Task02 pandas基础 打卡