朱筱0821
朱筱0821

pandas基础命令

缩写解释 & 库的导入

df --- 任意的pandas DataFrame(数据框)对象

s --- 任意的pandas Series(数组)对象

pandas和numpy是用Python做数据分析最基础且最核心的库

In [1]:

import pandas as pd   # 导入pandas库并简写为pd

import numpy as np    # 导入numpy库并简写为np

数据的导入

pd.read_csv(filename)# 导入csv格式文件中的数据

pd.read_table(filename)# 导入有分隔符的文本 (如TSV) 中的数据

pd.read_excel(filename)# 导入Excel格式文件中的数据

pd.read_sql(query,connection_object)# 导入SQL数据表/数据库中的数据

pd.read_json(json_string)# 导入JSON格式的字符，URL地址或者文件中的数据

pd.read_html(url)# 导入经过解析的URL地址中包含的数据框 (DataFrame) 数据

pd.read_clipboard()# 导入系统粘贴板里面的数据

pd.DataFrame(dict)# 导入Python字典 (dict) 里面的数据，其中key是数据框的表头，value是数据框的内容。

数据的导出

df.to_csv(filename)# 将数据框 (DataFrame)中的数据导入csv格式的文件中

df.to_excel(filename)# 将数据框 (DataFrame)中的数据导入Excel格式的文件中df.to_sql(table_name,connection_object)# 将数据框 (DataFrame)中的数据导入SQL数据表/数据库中df.to_json(filename)# 将数据框 (DataFrame)中的数据导入JSON格式的文件中

创建测试对象

pd.DataFrame(np.random.rand(10,5))# 创建一个5列10行的由随机浮点数组成的数据框 DataFrame

In [2]:

pd.DataFrame(np.random.rand(10,5))

Out[2]:

01234

00.6477360.3726280.2558640.8535420.613267

10.0643640.1563400.5750210.5619110.479901

20.0364730.8768190.2553250.3932400.543039

30.3574890.0065780.0939660.5312940.029009

40.5505820.5046000.2735460.0116930.052523

50.7215630.1706890.7021630.4478830.905983

60.8397260.9359970.3431330.3569570.377116

70.9318940.0266840.7191480.9114250.676187

80.1156190.1148940.1306960.3215980.170082

90.1946490.5261410.9654420.2754330.880765


pd.Series(my_list)# 从一个可迭代的对象 my_list 中创建一个数据组

In [3]:

my_list=['Kesci',100,'欢迎来到科赛网']

pd.Series(my_list)

Out[3]:

0      Kesci

1        100

2    欢迎来到科赛网

dtype: object


df.index=pd.date_range('2017/1/1',periods=df.shape[0])# 添加一个日期索引 index

In [4]:

df=pd.DataFrame(np.random.rand(10,5))

df.index=pd.date_range('2017/1/1',periods=df.shape[0])

df

Out[4]:

                    0                   1                2               3               4

2017-01-010.2485150.6478890.1113460.5404340.159914

2017-01-020.4450730.3298430.8236780.7374380.707598

2017-01-030.5265430.8768260.7179860.2719200.719657

2017-01-040.4712560.6576470.9734840.5989970.249301

2017-01-050.9584650.4743310.0040780.8423430.819295

2017-01-060.2713080.2719880.4347760.4496520.369188

2017-01-070.9895730.9284280.4524360.0585900.732283

2017-01-080.4353280.7302140.9094000.6834130.186820

2017-01-090.8974140.6875250.1229370.0181020.440427

2017-01-100.7438210.1346020.2103260.8771570.815462

数据的查看与检查

df.head(n)# 查看数据框的前n行

In [5]:

df=pd.DataFrame(np.random.rand(10,5))

df.head(3)

Out[5]:

01234

00.7058840.8458130.7705850.4810490.381055

10.7333090.5423630.2643340.2542830.859442

20.4979770.4748980.8060730.3844120.242989

df.tail(n)# 查看数据框的最后n行

In [6]:

df=pd.DataFrame(np.random.rand(10,5))

df.tail(3)

Out[6]:

01234

70.6172890.0098010.2201550.9927430.944472

80.2611410.9409250.0633940.0521040.517853

90.6345410.8974830.7484530.8058610.344938

df.shape# 查看数据框的行数与列数

In [7]:

df=pd.DataFrame(np.random.rand(10,5))

df.shape

Out[7]:

(10, 5)

df.info()# 查看数据框 (DataFrame) 的索引、数据类型及内存信息

In [8]:

df=pd.DataFrame(np.random.rand(10,5))

df.info()

RangeIndex: 10 entries, 0 to 9

Data columns (total 5 columns):

0    10 non-null float64

1    10 non-null float64

2    10 non-null float64

3    10 non-null float64

4    10 non-null float64

dtypes: float64(5)

memory usage: 480.0 bytes

df.describe()# 对于数据类型为数值型的列，查询其描述性统计的内容

In [9]:

df.describe()

Out[9]:

01234

count10.00000010.00000010.00000010.00000010.000000

mean0.4106310.4975850.5062000.3229600.603119

std0.2803300.3225730.2547800.2602990.256370

min0.0437310.0317420.0706680.0448220.143786

25%0.2406610.2116250.4168270.1452980.422969

50%0.3462970.5446970.4796480.2173590.635974

75%0.4931050.6690440.5573530.4681190.782573

max0.9375830.9455730.9873280.8831570.992891

s.value_counts(dropna=False)# 查询每个独特数据值出现次数统计

In [10]:

s=pd.Series([1,2,3,3,4,np.nan,5,5,5,6,7])

s.value_counts(dropna=False)

Out[10]:

5.0    3

3.0    2

7.0    1

6.0    1

NaN    1

4.0    1

2.0    1

1.0    1

dtype: int64

df.apply(pd.Series.value_counts)# 查询数据框 (Data Frame) 中每个列的独特数据值出现次数统计

数据的选取

df[col]# 以数组 Series 的形式返回选取的列

In [11]:

df=pd.DataFrame(np.random.rand(5,5),columns=list('ABCDE'))

df['C']

Out[11]:

0    0.720965

1    0.360155

2    0.474067

3    0.116206

4    0.774503

Name: C, dtype: float64

df[[col1,col2]]# 以新的数据框(DataFrame)的形式返回选取的列

In [12]:

df=pd.DataFrame(np.random.rand(5,5),columns=list('ABCDE'))

df[['B','E']]

Out[12]:

BE

00.2059120.333909

10.4756200.540206

20.1440410.065117

30.6369700.406317

40.4515410.944245

s.iloc[0]# 按照位置选取

In [13]:

       s=pd.Series(np.array(['I','Love','Data']))

       s.iloc[0]

Out[13]:

'I'

s.loc['index_one']# 按照索引选取

In [14]:

s=pd.Series(np.array(['I','Love','Data']))

s.loc[1]

Out[14]:

'Love'

df.iloc[0,:]# 选取第一行

In [15]:

df=pd.DataFrame(np.random.rand(5,5),columns=list('ABCDE')) 

df.iloc[0,:]

Out[15]:

A    0.234156

B    0.513754

C    0.593067

D    0.856575

E    0.291528

Name: 0, dtype: float64

df.iloc[0,0]# 选取第一行的第一个元素

In [16]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.iloc[0,0]

Out[16]:

0.91525996455410763


数据的清洗

df.columns=['a','b']# 重命名数据框的列名称

In [17]:

df=pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),'B':np.array([np.nan,4,np.nan,5,9,np.nan]),'C':'foo'})

df.columns=['a','b','c']

df

Out[17]:

abc

01.0NaNfoo

1NaN4.0foo

22.0NaNfoo

33.05.0foo

46.09.0foo

5NaNNaNfoo

pd.isnull()# 检查数据中空值出现的情况，并返回一个由布尔值(True,Fale)组成的列

In [18]:

df=pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),'B':np.array([np.nan,4,np.nan,5,9,np.nan]),'C':'foo'})

pd.isnull(df)

Out[18]:

ABC

0FalseTrueFalse

1TrueFalseFalse

2FalseTrueFalse

3FalseFalseFalse

4FalseFalseFalse

5TrueTrueFalse

pd.notnull()# 检查数据中非空值出现的情况，并返回一个由布尔值(True,False)组成的列

In [19]:

df=pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),'B':np.array([np.nan,4,np.nan,5,9,np.nan]),'C':'foo'})

pd.notnull(df)

Out[19]:

ABC

0TrueFalseTrue

1FalseTrueTrue

2TrueFalseTrue

3TrueTrueTrue

4TrueTrueTrue

5FalseFalseTrue

df.dropna()# 移除数据框 DataFrame 中包含空值的行

In [20]:

df=pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),'B':np.array([np.nan,4,np.nan,5,9,np.nan]),'C':'foo'})

df.dropna()

Out[20]:

ABC

33.05.0foo

46.09.0foo

df.dropna(axis=1)# 移除数据框 DataFrame 中包含空值的列

In [21]:

df=pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),'B':np.array([np.nan,4,np.nan,5,9,np.nan]),'C':'foo'})

df.dropna(axis=1)

Out[21]:

C

0foo

1foo

2foo

3foo

4foo

5foo

df.dropna(axis=0,thresh=n)

In [22]:

df=pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),'B':np.array([np.nan,4,np.nan,5,9,np.nan]),'C':'foo'})

test=df.dropna(axis=1,thresh=1)

test

Out[22]:

ABC

01.0NaNfoo

1NaN4.0foo

22.0NaNfoo

33.05.0foo

46.09.0foo

5NaNNaNfoo

df.fillna(x)# 将数据框 DataFrame 中的所有空值替换为 x

In [23]:

df=pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),'B':np.array([np.nan,4,np.nan,5,9,np.nan]),'C':'foo'})

df.fillna('Test')

Out[23]:

ABC

01Testfoo

1Test4foo

22Testfoo

335foo

469foo

5TestTestfoo

s.fillna(s.mean()) -> 将所有空值替换为平均值

In [24]:

s=pd.Series([1,3,5,np.nan,7,9,9])

s.fillna(s.mean())

Out[24]:

0    1.000000

1    3.000000

2    5.000000

3    5.666667

4    7.000000

5    9.000000

6    9.000000

dtype: float64

s.astype(float)# 将数组(Series)的格式转化为浮点数

In [25]:

s=pd.Series([1,3,5,np.nan,7,9,9])

s.astype(float)

Out[25]:

0    1.0

1    3.0

2    5.0

3    NaN

4    7.0

5    9.0

6    9.0

dtype: float64

s.replace(1,'one')# 将数组(Series)中的所有1替换为'one'

In [26]:

s=pd.Series([1,3,5,np.nan,7,9,9])s.replace(1,'one')

Out[26]:

0    one

1      3

2      5

3    NaN

4      7

5      9

6      9

dtype: object

s.replace([1,3],['one','three'])# 将数组(Series)中所有的1替换为'one', 所有的3替换为'three'

In [27]:

s=pd.Series([1,3,5,np.nan,7,9,9])

s.replace([1,3],['one','three'])

Out[27]:

0      one

1    three

2        5

3      NaN

4        7

5        9

6        9

dtype: object

df.rename(columns=lambdax:x+2)# 将全体列重命名

In [28]:

df=pd.DataFrame(np.random.rand(4,4))

df.rename(columns=lambdax:x+2)

Out[28]:

2345

00.7535880.1379840.0220130.900072

10.9470730.8151820.7697080.729688

20.3348150.2043150.7077940.437704

30.4672120.7383600.8534630.529946

df.rename(columns={'old_name':'new_ name'})# 将选择的列重命名

In [29]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.rename(columns={'A':'newA','C':'newC'})

Out[29]:

newABnewCDE

00.1690720.6945630.0693130.6375600.475181

10.9102710.8000670.6764480.9347670.025608

20.8251860.4515450.1354210.6353030.419758

30.4019790.5103040.0149010.2092110.121889

40.5792820.0019470.0365190.7504150.453078

50.8962130.5575140.0281470.5274710.575772

60.4432220.0954590.3195820.9120690.781455

70.0679230.5904700.6029990.5073580.703022

80.3014910.6826290.2831030.5657540.089268

90.3996710.9254160.0205780.2780000.591522

df.set_index('column_one')# 改变索引

In [30]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.set_index('B')

Out[30]:

ACDE

B

0.3117420.9720690.5579770.1142670.795128

0.9316440.7254250.0821300.9937640.136923

0.2063820.9806470.9470410.0388410.879139

0.1578010.4022330.2491510.7241300.108238

0.3142380.3412210.5121800.2188820.046379

0.0290400.4706190.6667840.0366550.823498

0.8439280.7794370.9269120.1892130.624111

0.2827730.9936810.0484830.1359340.576662

0.7596000.2355130.3591390.4882550.669043

0.0885520.8932690.2772960.8895230.398392

df.rename(index=lambdax:x+1)# 改变全体索引

In [31]:

df=pd.DataFrame(np.random.rand(10,5))

df.rename(index=lambdax:x+1)

Out[31]:

01234

10.3865420.0319320.9632000.7903390.602533

20.0534920.6521740.8894650.4652960.843528

30.4118360.4607880.1103520.0832470.389855

40.3361560.8305220.5609910.6678960.233841

50.3079330.9952070.5066800.9578950.636461

60.7249750.8421180.1231390.2443570.803936

70.0591760.1177840.3301920.4187640.464144

80.1043230.2223670.9304140.6592320.562155

90.4840890.0240450.8798340.4922310.949636

100.2015830.2806580.3568040.8907060.236174

数据的过滤(filter),排序(sort)和分组(groupby)

df[df[col]>0.5]# 选取数据框df中对应行的数值大于0.5的全部列

In [32]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df[df['A']>0.5]

Out[32]:

ABCDE

00.5348860.8635460.2367180.3267660.415460

20.9539310.0701980.4837490.9225280.295505

80.8801750.0568110.5204990.5331520.548145

df[(df[col]>0.5)&(df[col]<0.7)]# 选取数据框df中对应行的数值大于0.5，并且小于0.7的全部列

In [33]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df[(df['C']>0.5)&(df['D']<0.7)]

Out[33]:

ABCDE

20.9531120.1745170.6453000.3082160.171177

60.8530870.8630790.7018230.3540190.311754

df.sort_values(col1)# 按照数据框的列col1升序(ascending)的方式对数据框df做排序

In [34]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.sort_values('E')

Out[34]:

ABCDE

30.0240960.6238420.7759490.8283430.317729

60.2200550.3816140.4636760.7626440.391758

40.5894110.7274390.0645280.3195210.413518

10.8784900.2293010.6995060.7268790.464106

80.4381010.9706490.0502560.6974400.499057

90.5661000.5587980.7232530.2542440.524486

70.6136030.9331090.6770360.8081600.544953

50.0793260.7116730.2664340.9106280.816783

20.1321140.1453950.9084360.5212710.889645

00.4326770.2168370.2035320.0932140.977671

df.sort_values(col2,ascending=False)# 按照数据框的列col2降序(descending)的方式对数据框df做排序

In [35]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.sort_values('A',ascending=False)

Out[35]:

ABCDE

90.9771720.9306070.8892850.4750320.031715

00.8645110.2299900.6786120.0424910.148123

20.6947470.5808910.8175240.3924170.055003

60.6843270.8020280.8620430.2418380.800401

70.6123240.0994450.7141200.2150540.280343

80.4414340.3155530.5647620.8001430.330030

10.4387340.1611090.6107500.6473300.792404

40.3658800.7107680.3443200.9987570.979497

30.2025110.7697280.5750570.5113840.696753

50.0295270.5601140.2247870.0862910.318322

df.sort_values([col1,col2],ascending=[True,False])# 按照数据框的列col1升序，col2降序的方式对数据框df做排序

In [36]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.sort_values(['A','E'],ascending=[True,False])

Out[36]:

ABCDE

60.0758630.6969800.6489450.3369770.113122

20.1993160.6320630.7873580.1331750.060568

50.2420810.8185500.6184390.2157610.924459

70.2612370.4007250.6592240.5557460.132572

00.3905400.3584320.7540280.1944030.889624

80.4104810.4638110.3430210.7363400.291121

40.5787050.5447110.8817070.3965930.414465

30.6005410.4592470.5913030.0274640.496864

90.7200290.4199210.7402250.9043910.226958

10.7779550.9922900.1444950.6002070.647018

df.groupby(col)# 按照某列对数据框df做分组

In [37]:

df=pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),'B':np.array(['one','one','two','two','three','three']),'C':np.array(['small','medium','large','large','small','small']),'D':np.array([1,2,2,3,3,5])})

df.groupby('A').count()

Out[37]:

BCD

A

bar222

foo444

df.groupby([col1,col2])# 按照列col1和col2对数据框df做分组

In [38]:

df=pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),'B':np.array(['one','one','two','two','three','three']),'C':np.array(['small','medium','large','large','small','small']),'D':np.array([1,2,2,3,3,5])})

df.groupby(['B','C']).sum()

Out[38]:

D

BC

onemedium2

small1

threesmall8

twolarge5

df.groupby(col1)[col2].mean()# 按照列col1对数据框df做分组处理后，返回对应的col2的平均值

In [39]:

df=pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),'B':np.array(['one','one','two','two','three','three']),'C':np.array(['small','medium','large','large','small','small']),'D':np.array([1,2,2,3,3,5])})

df.groupby('B')['D'].mean()

Out[39]:

B

one      1.5

three    4.0

two      2.5

Name: D, dtype: float64

pythyon

df.pivot_table(index=col1,values=[col2,col3],aggfunc=mean) # 做透视表，索引为col1,针对的数值列为col2和col3，分组函数为平均值

In [40]:

df=pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),'B':np.array(['one','one','two','two','three','three']),'C':np.array(['small','medium','large','large','small','small']),'D':np.array([1,2,2,3,3,5])})

df.pivot_table(df,index=['A','B'],columns=['C'],aggfunc=np.sum)

Out[40]:

D

Clargemediumsmall

AB

barthreeNaNNaN8.0

foooneNaN2.01.0

two5.0NaNNaN

df.groupby(col1).agg(np.mean)

In [41]:

df=pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),'B':np.array(['one','one','two','two','three','three']),'C':np.array(['small','medium','large','large','small','small']),'D':np.array([1,2,2,3,3,5])})

df.groupby('A').agg(np.mean)

Out[41]:

D

A

bar4

foo2

df.apply(np.mean)# 对数据框df的每一列求平均值

In [42]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.apply(np.mean)

Out[42]:

A    0.388075

B    0.539564

C    0.607983

D    0.518634

E    0.482960

dtype: float64

df.apply(np.max,axis=1)# 对数据框df的每一行求最大值

In [43]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.apply(np.max,axis=1)

Out[43]:

0    0.904163

1    0.804519

2    0.924102

3    0.761781

4    0.952084

5    0.923679

6    0.796320

7    0.582907

8    0.761310

9    0.893564

dtype: float64


数据的连接(join)与组合(combine)

df1.append(df2)# 在数据框df2的末尾添加数据框df1，其中df1和df2的列数应该相等

In [44]:

df1=pd.DataFrame({'A':['A0','A1','A2','A3'],'B':['B0','B1','B2','B3'],'C':['C0','C1','C2','C3'],'D':['D0','D1','D2','D3']},index=[0,1,2,3])df2=pd.DataFrame({'A':['A4','A5','A6','A7'],'B':['B4','B5','B6','B7'],'C':['C4','C5','C6','C7'],'D':['D4','D5','D6','D7']},index=[4,5,6,7])

df1.append(df2)

Out[44]:

ABCD

0A0B0C0D0

1A1B1C1D1

2A2B2C2D2

3A3B3C3D3

4A4B4C4D4

5A5B5C5D5

6A6B6C6D6

7A7B7C7D7

pd.concat([df1,df2],axis=1)# 在数据框df1的列最后添加数据框df2,其中df1和df2的行数应该相等

In [45]:

df1=pd.DataFrame({'A':['A0','A1','A2','A3'],'B':['B0','B1','B2','B3'],'C':['C0','C1','C2','C3'],'D':['D0','D1','D2','D3']},index=[0,1,2,3])df2=pd.DataFrame({'A':['A4','A5','A6','A7'],'B':['B4','B5','B6','B7'],'C':['C4','C5','C6','C7'],'D':['D4','D5','D6','D7']},index=[4,5,6,7])

pd.concat([df1,df2],axis=1)

Out[45]:

ABCDABCD

0A0B0C0D0NaNNaNNaNNaN

1A1B1C1D1NaNNaNNaNNaN

2A2B2C2D2NaNNaNNaNNaN

3A3B3C3D3NaNNaNNaNNaN

4NaNNaNNaNNaNA4B4C4D4

5NaNNaNNaNNaNA5B5C5D5

6NaNNaNNaNNaNA6B6C6D6

7NaNNaNNaNNaNA7B7C7D7

df1.join(df2,on=col1,how='inner')# 对数据框df1和df2做内连接，其中连接的列为col1

In [46]:

df1=pd.DataFrame({'A':['A0','A1','A2','A3'],'B':['B0','B1','B2','B3'],'key':['K0','K1','K0','K1']})df2=pd.DataFrame({'C':['C0','C1'],'D':['D0','D1']},index=['K0','K1'])df1.join(df2,on='key')

Out[46]:

ABkeyCD

0A0B0K0C0D0

1A1B1K1C1D1

2A2B2K0C0D0

3A3B3K1C1D1


数据的统计

df.describe()# 得到数据框df每一列的描述性统计

In [47]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.describe()

Out[47]:

ABCDE

count10.00000010.00000010.00000010.00000010.000000

mean0.3986480.4516990.4434720.7394780.412954

std0.3306050.2215860.3030840.3087980.262148

min0.0044570.1886890.0796970.1135620.052935

25%0.0881770.2703550.2056630.7150050.205685

50%0.3155330.4572290.3321480.8858720.400232

75%0.7497160.4972080.7379000.9486510.634670

max0.7829560.8256710.8510650.9629220.815447

df.mean()# 得到数据框df中每一列的平均值

In [48]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.mean()

Out[48]:

A    0.395643

B    0.528812

C    0.692011

D    0.446750

E    0.544759

dtype: float64

df.corr()# 得到数据框df中每一列与其他列的相关系数

In [49]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.corr()

Out[49]:

ABCDE

A1.000000-0.634931-0.354824-0.3541310.170957

B-0.6349311.0000000.225222-0.338124-0.043300

C-0.3548240.2252221.0000000.0982850.297133

D-0.354131-0.3381240.0982851.000000-0.324209

E0.170957-0.0433000.297133-0.3242091.000000

df.count()# 得到数据框df中每一列的非空值个数

In [50]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.count()

Out[50]:

A    10

B    10

C    10

D    10

E    10

dtype: int64

df.max()# 得到数据框df中每一列的最大值

In [51]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.max()

Out[51]:

A    0.933848

B    0.730197

C    0.921751

D    0.715280

E    0.940010

dtype: float64

df.min()# 得到数据框df中每一列的最小值

In [52]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.min()

Out[52]:

A    0.107516

B    0.001635

C    0.024502

D    0.092810

E    0.019898

dtype: float64

df.median()# 得到数据框df中每一列的中位数

In [53]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.median()

Out[53]:

A    0.497591

B    0.359854

C    0.661607

D    0.342418

E    0.588468

dtype: float64

df.std()# 得到数据框df中每一列的标准差

In [54]:

df=pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))

df.std()

Out[54]:

A    0.231075

B    0.286691

C    0.276511

D    0.304167

E    0.272570

dtype: float64

你可能感兴趣的:(pandas基础命令)

  • Python数据分析与可视化实战指南 William数据分析 pythonpython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
  • 01-Git初识 Meereen Gitgit
    01-Git初识概念：一个免费开源，分布式的代码版本控制系统，帮助开发团队维护代码作用：记录代码内容。切换代码版本，多人开发时高效合并代码内容如何学：个人本机使用：Git基础命令和概念多人共享使用：团队开发同一个项目的代码版本管理Git配置用户信息配置：用户名和邮箱，应用在每次提交代码版本时表明自己的身份命令：查看git版本号git-v配置用户名gitconfig--globaluser.name
  • 《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
  • 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编写直方图和饼图 2301_80421078 python开发语言
    1.直方图#直方图的绘制#语法格式：plt.hist(x,bins),其中x:数据集；bins:统计数据的分布区间importmatplotlib.pyplotaspltimportpandasaspd#导入文件excel=pd.read_excel('成绩.xlsx')#print(excel)#避免乱码plt.rcParams['font.sans-serif']=['SimHei']x=ex
  • pythonpandas函数详解_Python pandas常用函数详解 Senvn
    本文研究的主要是pandas常用函数，具体介绍如下。1import语句importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltimportdatetimeimportre2文件读取df=pd.read_csv(path='file.csv')参数：header=None用默认列名，0，1，2，3...names=['A','B','C'
  • python画出分子化学空间分布（UMAP） Sakaiay python
    利用umap画出分子化学空间分布图安装pipinstallumap-learn下面是用一个数据集举的例子importtorchimportumapimportpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltimportseabornassnsfromsklearn.manifoldimportTSNEfromrdkit.Chemimport
  • python读写CSV文件 bcbobo21cn .Netpython开发语言机器学习CSV
    做数据分析，有时候要分析的数据在CSV文件里；先看一下python读写CSV文件；importpandasaspddf=pd.read_csv('test1.csv')print(df)print('')print(df.head(2))companyname=["A1","B2","E3","F4"]legperson=["lier","yanqi","wangwu","zhangsan"]le
  • python如何更方便的处理日期和时间 openwin_top python编程示例系列python编程示例系列二pythonjava前端
    Arrow是一个第三方Python库，提供了更加易用和方便的日期和时间处理接口。它的设计目标是提供一种简单、一致且易于使用的API，以替代Python内置的datetime模块。Arrow支持各种日期和时间的操作，包括时区转换、日期和时间格式化、日期和时间差计算等功能。它还支持与其他日期和时间库的互操作，例如datetime、dateutil和pandas等库。以下是一个使用Arrow库的简单示例
  • python下载pandas库镜像_下载pandas库 weixin_39791152
    背景交代：在下载matplotlib库时，我已经将pip的下载源手动更改为清华的镜像，所以，如果有小伙伴在下载库遇到问题，如timeout，请先将下载源改为国内镜像，具体操作见我的另一篇文章：今天的主题是安装pandas库~首先，按田字格+R，打开cmd，输入：pipinstallpandas嗯，不出所料地报错了……主要原因：pip._vendor.urllib3.exceptions.ReadT
  • python数据分析知识点大全 编程零零七 python数据分析python开发语言python数据分析数据分析知识点大全python数据分析知识点python教程python基础
    Python数据分析知识点大全可以归纳为以下几个主要方面：一、基础概念与目的数据分析定义：数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论，对数据加以详细研究和概括总结的过程。其目的在于从数据中挖掘规律、验证猜想、进行预测。Python在数据分析中的优势：Python因其易学性、快速开发、丰富的扩展库（如NumPy、Pandas等）和成熟的框架，成为数据分析领域的
  • 如何“选择不同的“?跨越 pandas 中的多个数据框列? 潮易 pandas
    在pandas中，如果你想要选择不同的列，你可以使用DataFrame的loc属性和iloc属性的组合。loc属性是基于标签的，iloc属性则是基于索引的。如果你想要选择多个列，你只需要将它们放入一个列表即可。以下是一个代码示例：```pythonimportpandasaspd#创建一个数据框df=pd.DataFrame({'A':[1,2,3],'B':[4,5,6],'C':[7,8,9]
  • 详解 Pandas 的 query 函数 文刀小桂 Pandaspandaspython开发语言
    Pandas的query()方法能够使用字符串表达式来筛选DataFrame数据的行，类似于SQL的where子句importpandasaspddf=pd.DataFrame({"A":[1,3,5,6,7],"B":[11,10,9,8,12],"C":["hello","pandas","python","java","shell"],"D":["2024-02-01","2023-12-1
  • 详解 Pandas 的 isin 用法 文刀小桂 Pandaspandaspython
    Pandas的isin()方法可以判断数据值是否在某个数据集合中，若与集合中的某个值相等则返回True，反之返回False。importpandasaspddf=pd.DataFrame({"title":["one","two","three","four"],"type":["small","common","middle","large"],"num":[10,20,30,40]})#1.判
  • Rust: duckdb和polars读csv文件比较 songroom rust开发语言后端
    duckdb在数据分析上，有非常多不错的特质。1、快；2、客户体验好，特别是可以同时批量读csv（在一个目录下的csv等文件）。polars的性能比pandas有非常多的超越。但背后的一些基于arrow的技术栈有很多相同之类。今天想比较一下两者在csv数据读写的情况。一、文件准备csv样本内容，是N行9列的csv标准格式，有字符串，有浮点数，有整型。具体如下：本次准备了两个csv文件，一个大约是2
  • groupby 中如何显示 tqdm 的进度条？ domodo2020
    在循环时调用tqdm显示进度已经是一个常规操作，常见的方式是foriiintqdm(...):...while循环的情况类似，whileicntintqdm(range(n)):...icnt+=1这里记录没有显式循环时，在groupby中的用法：importpandasaspdimportnumpyasnpfromtqdmimporttqdmdf=pd.DataFrame(np.random.r
  • pandas读取xlsx文件使用sqlachemy写到数据库 hzw0510 pandaspandas数据库
    pandas读取xlsx文件使用sqlachemy写到数据库要使用pandas和SQLAlchemy将Excel文件中的数据读取到数据库中，你可以按照以下步骤进行操作：安装必要的库：确保你已经安装了pandas、SQLAlchemy和openpyxl（用于读取Excel文件）。可以使用以下命令安装：pipinstallpandassqlalchemyopenpyxl如果你使用的是特定的数据库（如S
  • python 问题 ‘list‘ object cannot be interpreted as an integer 和‘int‘ object is not iterable annekqiu python
    访问同一个excel表格（含有多个sheet）importnumpyasnpimportpandasaspdimportxlrd#读取excel的库importxlwt#写excel的库data=xlrd.open_workbook('./161005.xlsx')#打开excel文件读取数据table=data.sheets()[0]#读取sheet1h=table.ncols#获得列表数目a1
  • 【Python】 写入Pandas DataFrame到CSV文件 civilpy pythonpandas开发语言
    基本原理Pandas是一个强大的Python数据分析库，它提供了许多用于数据处理和分析的功能。在处理数据时，我们经常需要将数据保存到文件中，以便后续使用或分享。CSV（Comma-SeparatedValues，逗号分隔值）文件是一种常见的数据交换格式，它以纯文本形式存储表格数据，每行表示一个数据记录，列之间用逗号分隔。DataFrame是Pandas中用于存储表格数据的主要数据结构。它类似于Ex
  • Python酷库之旅-第三方库Pandas(115) 神奇夜光杯 pythonpandas开发语言人工智能标准库及第三方库excel学习与成长
    目录一、用法精讲506、pandas.DataFrame.rank方法506-1、语法506-2、参数506-3、功能506-4、返回值506-5、说明506-6、用法506-6-1、数据准备506-6-2、代码示例506-6-3、结果输出507、pandas.DataFrame.round方法507-1、语法507-2、参数507-3、功能507-4、返回值507-5、说明507-6、用法507
  • Python数据分析之股票信息可视化实现matplotlib Blogfish Python3大数据python可视化数据分析
    今天学习爬虫技术数据分析对于股票信息的分析及结果呈现，目标是实现对股票信息的爬取并对数据整理后，生成近期成交量折线图。首先，做这个案例一定要有一个明确的思路。知道要干啥，知道用哪些知识，有些方法我也记不住百度下知识库很强大，肯定有答案。有思路以后准备对数据处理，就是几个方法使用了。接口地址参考：Tushare数据涉及知识库：tushare-一个财经数据开放接口；pandas-实现将数据整理为表格，
  • pandas中的loc和iloc 白日与明月 python数据挖掘pandas
    loc和iloc的比较.loc和.iloc是pandas提供的两种不同的索引方法，它们的主要区别在于索引数据的依据：.loc：基于标签的索引，使用DataFrame或Series的索引标签（即行名和列名）来获取数据。可以使用单个标签、标签列表、标签切片、布尔数组或者callable函数作为索引器。如果使用标签索引并且标签不存在，.loc会抛出一个KeyError。对于切片，包括两端的标签。.ilo
  • pandas loc与iloc的区别 authorized_keys 数据处理pythonpandaslociloc
    目录一、二者的特点二、官网原文三、例子——总有一款适合你一、二者的特点loc可用“字符”、“整数”、“布尔值”作为索引，也就是标签索引注意：此处的“整数”将被解释为index的一个label而不是index的位置iloc只允许“整数”作为索引，也就是位置索引，和列表索引类似，里面只能是数字注意：此处的“整数”将被解释为index的位置，前闭后开其中，loc是指location的意思，iloc中的i
  • pandas中loc和iloc的区别 林光虚霁晓 数据分析pandas
    在Pandas中，loc和iloc是用于选择和过滤数据的两种主要方法，它们的区别在于使用的索引类型。1.loc：基于标签索引loc是基于行或列的标签（label）来选择数据。它可以按行或列的名称来访问数据，也可以通过布尔索引选择。支持的索引类型：行标签、列标签、布尔索引。语法：DataFrame.loc[row_indexer,column_indexer]示例importpandasaspd#创
  • seurat自学笔记1.0 单细胞数据导入 Sanye2022 pythonpandas
    Python读取.h5ad文件importanndataimportpandasaspdadata=anndata.read("/home/R/R_data/Seurat/PBMC10/output/adata.h5ad")#adata.X.todense()#将稀疏矩阵转成普通矩阵#X=pd.DataFrame(adata.X.todense())#cell_name=adata.obs.ind
  • Pandas教程：详解Pandas数据清洗 旦莫 PythonPandaspythonpandas数据分析
    目录1.引言2.Pandas基础2.1安装与导入2.2创建一个复杂的DataFrame3.数据清洗流程3.1处理缺失值3.1.1删除缺失值3.1.2填充缺失值3.2数据去重3.3数据类型转换4.数据处理与变换4.1添加与删除列4.2数据排序5.数据分组与聚合6.其他数据清洗方法6.1字符串处理6.2时间序列处理6.3数据类型转换1.引言数据清洗是数据科学和数据分析中的一个重要步骤，旨在提升数据的质
  • python的pandas库 帅维维 pythonpandas开发语言
    什么是pandasPandas是一个开源的第三方Python库，它从Numpy和Matplotlib的基础上构建而来，享有数据分析“三剑客之一”的盛名。Pandas已经成为Python数据分析的必备高级工具，目标是成为强大、灵活、可以支持任何编程语言的数据分析工具。数据结构Pandas中除了Panel数据结构,还引入了两种新的数据结构——Series和DataFrame,这两种数据结构都建立在Nu
  • Python数据分析及可视化教程--商城订单为例-适用电商相关进行数据分析---亲测可用！！！！ Dreams°123 AIGC机器学习python测试工具数据分析大数据
    前言：Python是进行数据分析和可视化的强大工具，常用的库包括Pandas、NumPy、Matplotlib和Seaborn。以下是一个基本的教程概述，介绍了如何使用这些库来进行数据分析和可视化：Python数据分析及可视化教程1、环境准备2、数据准备3、开始数据分析3.1、导入库3.2、加载数据3.3、数据预处理3.4、数据分析3.5、数据可视化4、总结解释使用方法：5、错误处理和异常判断说明
  • TOMCAT在POST方法提交参数丢失问题 357029540 javatomcatjsp
    摘自http://my.oschina.net/luckyi/blog/213209 昨天在解决一个BUG时发现一个奇怪的问题，一个AJAX提交数据在之前都是木有问题的，突然提交出错影响其他处理流程。 检查时发现页面处理数据较多，起初以为是提交顺序不正确修改后发现不是由此问题引起。于是删除掉一部分数据进行提交，较少数据能够提交成功。 恢复较多数据后跟踪提交FORM DATA ，发现数
  • 在MyEclipse中增加JSP模板 删除-2008-08-18 ljy325 jspxmlMyEclipse
    在D:\Program Files\MyEclipse 6.0\myeclipse\eclipse\plugins\com.genuitec.eclipse.wizards_6.0.1.zmyeclipse601200710\templates\jsp  目录下找到Jsp.vtl，复制一份，重命名为jsp2.vtl,然后把里面的内容修改为自己想要的格式，保存。 然后在 D:\Progr
  • JavaScript常用验证脚本总结 eksliang JavaScriptjavaScript表单验证
         转载请出自出处：http://eksliang.iteye.com/blog/2098985        下面这些验证脚本，是我在这几年开发中的总结，今天把他放出来，也算是一种分享吧，现在在我的项目中也在用！包括日期验证、比较，非空验证、身份证验证、数值验证、Email验证、电话验证等等...! &nb
  • 微软BI（4） 18289753290 微软BI SSIS
    1） Q:查看ssis里面某个控件输出的结果：  A MessageBox.Show(Dts.Variables["v_lastTimestamp"].Value.ToString()); 这是我们在包里面定义的变量 2):在关联目的端表的时候如果是一对多的关系，一定要选择唯一的那个键作为关联字段。 3) Q：ssis里面如果将多个数据源的数据插入目的端一
  • 定时对大数据量的表进行分表对数据备份 酷的飞上天空 大数据量
    工作中遇到数据库中一个表的数据量比较大，属于日志表。正常情况下是不会有查询操作的，但如果不进行分表数据太多，执行一条简单sql语句要等好几分钟。。   分表工具：linux的shell + mysql自身提供的管理命令 原理：使用一个和原表数据结构一样的表，替换原表。   linux shell内容如下： =======================开始 
  • 本质的描述与因材施教 永夜-极光 感想随笔
             不管碰到什么事,我都下意识的想去探索本质,找寻一个最形象的描述方式。        我坚信,世界上对一件事物的描述和解释,肯定有一种最形象,最贴近本质,最容易让人理解        &
  • 很迷茫。。。 随便小屋 随笔
    小弟我今年研一，也是从事的咱们现在最流行的专业（计算机）。本科三流学校，为了能有个更好的跳板，进入了考研大军，非常有幸能进入研究生的行业（具体学校就不说了，怕把学校的名誉给损了）。   先说一下自身的条件，本科专业软件工程。主要学习就是软件开发，几乎和计算机没有什么区别。因为学校本身三流，也就是让老师带着学生学点东西，然后让学生毕业就行了。对专业性的东西了解的非常浅。就那学的语言来说
  • 23种设计模式的意图和适用范围 aijuans 设计模式
    Factory Method 意图 定义一个用于创建对象的接口，让子类决定实例化哪一个类。Factory Method 使一个类的实例化延迟到其子类。 　　适用性 当一个类不知道它所必须创建的对象的类的时候。 　　当一个类希望由它的子类来指定它所创建的对象的时候。 　　当类将创建对象的职责委托给多个帮助子类中的某一个，并且你希望将哪一个帮助子类是代理者这一信息局部化的时候。 Abstr
  • Java中的synchronized和volatile aoyouzi javavolatilesynchronized
    说到Java的线程同步问题肯定要说到两个关键字synchronized和volatile。说到这两个关键字，又要说道JVM的内存模型。JVM里内存分为main memory和working memory。 Main memory是所有线程共享的，working memory则是线程的工作内存，它保存有部分main memory变量的拷贝，对这些变量的更新直接发生在working memo
  • js数组的操作和this关键字 百合不是茶 js数组操作this关键字
    js数组的操作;   一:数组的创建: 1、数组的创建 var array = new Array();　//创建一个数组 var array = new Array([size]);　//创建一个数组并指定长度，注意不是上限，是长度 var arrayObj = new Array([element0[, element1[, ...[, elementN]]]
  • 别人的阿里面试感悟 bijian1013 面试分享工作感悟阿里面试
    原文如下：http://greemranqq.iteye.com/blog/2007170         一直做企业系统，虽然也自己一直学习技术，但是感觉还是有所欠缺，准备花几个月的时间，把互联网的东西，以及一些基础更加的深入透析，结果这次比较意外，有点突然，下面分享一下感受吧！    &nb
  • 淘宝的测试框架Itest Bill_chen springmaven框架单元测试JUnit
    Itest测试框架是TaoBao测试部门开发的一套单元测试框架，以Junit4为核心， 集合DbUnit、Unitils等主流测试框架，应该算是比较好用的了。 近期项目中用了下，有关itest的具体使用如下： 1.在Maven中引入itest框架： <dependency>   <groupId>com.taobao.test</groupId&g
  • 【Java多线程二】多路条件解决生产者消费者问题 bit1129 java多线程
    package com.tom; import java.util.LinkedList; import java.util.Queue; import java.util.concurrent.ThreadLocalRandom; import java.util.concurrent.locks.Condition; import java.util.concurrent.loc
  • 汉字转拼音pinyin4j 白糖_ pinyin4j
    以前在项目中遇到汉字转拼音的情况，于是在网上找到了pinyin4j这个工具包，非常有用，别的不说了，直接下代码：   import java.util.HashSet; import java.util.Set; import net.sourceforge.pinyin4j.PinyinHelper; import net.sourceforge.pinyin
  • org.hibernate.TransactionException: JDBC begin failed解决方案 bozch ssh数据库异常DBCP
    org.hibernate.TransactionException: JDBC begin failed:     at org.hibernate.transaction.JDBCTransaction.begin(JDBCTransaction.java:68)    at org.hibernate.impl.SessionImp
  • java-并查集（Disjoint-set）-将多个集合合并成没有交集的集合 bylijinnan java
    import java.util.ArrayList; import java.util.Arrays; import java.util.HashMap; import java.util.HashSet; import java.util.Iterator; import java.util.List; import java.util.Map; import java.ut
  • Java PrintWriter打印乱码 chenbowen00 java
    一个小程序读写文件，发现PrintWriter输出后文件存在乱码，解决办法主要统一输入输出流编码格式。 读文件： BufferedReader 从字符输入流中读取文本，缓冲各个字符，从而提供字符、数组和行的高效读取。 可以指定缓冲区的大小，或者可使用默认的大小。大多数情况下，默认值就足够大了。 通常，Reader 所作的每个读取请求都会导致对基础字符或字节流进行相应的读取请求。因
  • [天气与气候]极端气候环境 comsci 环境
          如果空间环境出现异变...外星文明并未出现,而只是用某种气象武器对地球的气候系统进行攻击,并挑唆地球国家间的战争,经过一段时间的准备...最大限度的削弱地球文明的整体力量,然后再进行入侵......      那么地球上的国家应该做什么样的防备工作呢?  &n
  • oracle order by与union一起使用的用法 daizj UNIONoracleorder by
    当使用union操作时，排序语句必须放在最后面才正确，如下： 只能在union的最后一个子查询中使用order by，而这个order by是针对整个unioning后的结果集的。So： 如果unoin的几个子查询列名不同，如 Sql代码  select supplier_id, supplier_name  from suppliers  UNI
  • zeus持久层读写分离单元测试 deng520159 单元测试
    本文是zeus读写分离单元测试,距离分库分表,只有一步了.上代码: 1.ZeusMasterSlaveTest.java package com.dengliang.zeus.webdemo.test; import java.util.ArrayList; import java.util.List; import org.junit.Assert; import org.j
  • Yii 截取字符串(UTF-8) 使用组件 dcj3sjt126com yii
    1.将Helper.php放进protected\components文件夹下。 2.调用方法：   Helper::truncate_utf8_string($content,20,false);   //不显示省略号  Helper::truncate_utf8_string($content,20);  //显示省略号  &n
  • 安装memcache及php扩展 dcj3sjt126com PHP
    安装memcache    tar zxvf memcache-2.2.5.tgz     cd memcache-2.2.5/     /usr/local/php/bin/phpize (?)    ./configure --with-php-confi
  • JsonObject 处理日期 feifeilinlin521 javajsonJsonOjbectJsonArrayJSONException
        写这边文章的初衷就是遇到了json在转换日期格式出现了异常 net.sf.json.JSONException: java.lang.reflect.InvocationTargetException  原因是当你用Map接收数据库返回了java.sql.Date 日期的数据进行json转换出的问题话不多说  直接上代码  &n
  • Ehcache（06）——监听器 234390216 监听器listenerehcache
    监听器          Ehcache中监听器有两种，监听CacheManager的CacheManagerEventListener和监听Cache的CacheEventListener。在Ehcache中，Listener是通过对应的监听器工厂来生产和发生作用的。下面我们将来介绍一下这两种类型的监听器。  
  • activiti 自带设计器中chrome 34版本不能打开bug的解决 jackyrong Activiti
      在acitivti modeler中，如果是chrome 34，则不能打开该设计器，其他浏览器可以， 经证实为bug，参考 http://forums.activiti.org/content/activiti-modeler-doesnt-work-chrome-v34 修改为，找到 oryx.debug.js 在最头部增加 if (!Document.
  • 微信收货地址共享接口-终极解决 laotu5i0 微信开发
       最近要接入微信的收货地址共享接口，总是不成功，折腾了好几天，实在没办法网上搜到的帖子也是骂声一片。我把我碰到并解决问题的过程分享出来，希望能给微信的接口文档起到一个辅助作用，让后面进来的开发者能快速的接入，而不需要像我们一样苦逼的浪费好几天，甚至一周的青春。各种羞辱、谩骂的话就不说了，本人还算文明。    如果你能搜到本贴，说明你已经碰到了各种 ed
  • 关于人才 netkiller.github.com 工作面试招聘netkiller人才
    关于人才 每个月我都会接到许多猎头的电话，有些猎头比较专业，但绝大多数在我看来与猎头二字还是有很大差距的。 与猎头接触多了，自然也了解了他们的工作，包括操作手法，总体上国内的猎头行业还处在初级阶段。 总结就是“盲目推荐，以量取胜”。 目前现状 许多从事人力资源工作的人，根本不懂得怎么找人才。处在人才找不到企业，企业找不到人才的尴尬处境。 企业招聘，通常是需要用人的部门提出招聘条件，由人
  • 搭建 CentOS 6 服务器 - 目录 rensanning centos
    (1) 安装CentOS ISO（desktop/minimal）、Cloud（AWS/阿里云）、Virtualization（VMWare、VirtualBox） 详细内容 (2) Linux常用命令 cd、ls、rm、chmod...... 详细内容 (3) 初始环境设置 用户管理、网络设置、安全设置...... 详细内容 (4) 常驻服务Daemon
  • 【求助】mongoDB无法更新主键 toknowme mongodb
      Query query = new Query();          query.addCriteria(new Criteria("_id").is(o.getId()));                &n
  • jquery 页面滚动到底部自动加载插件集合 xp9802 jquery
    很多社交网站都使用无限滚动的翻页技术来提高用户体验，当你页面滑到列表底部时候无需点击就自动加载更多的内容。下面为你推荐 10 个 jQuery 的无限滚动的插件： 1. jQuery ScrollPagination jQuery ScrollPagination plugin 是一个 jQuery 实现的支持无限滚动加载数据的插件。 2. jQuery Screw S
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他