Python 零散

列表推导式        

        列表推导式是一种在一行代码中创建列表的紧凑语法。它允许你使用一种简洁的方式从一个可迭代对象（例如列表、元组、字符串等）中生成新的列表。列表推导式的一般形式如下：

        new_list = [expression for item in iterable if condition]

其中：

• expression 是一个用于计算新元素值的表达式。
• item 是可迭代对象中的每个元素。
• iterable 是原始可迭代对象。
• condition（可选）是一个过滤条件，只有满足条件的元素才会被包含在新列表中。

例如，如果我们想要创建一个包含1到10的平方的列表，可以使用以下列表推导式

squares = [x**2 for x in range(1, 11)]

        这将生成一个名为squares的新列表，其中包含了1到10的每个数字的平方。列表推导式是Python中的一种强大而简洁的语法，可以在很少的代码行中实现许多常见的列表操作。

关键字参数

        在Python中，关键字参数是一种允许在函数调用中通过参数名称指定参数值的方式。与位置参数不同，关键字参数不依赖于参数的位置，而是通过参数名来匹配传递的值。这使得函数调用更加清晰、灵活，并且在函数定义和调用时提供了更好的可读性。

以下是关键字参数的一般形式：

def function_name(param1, param2, ..., kwarg1=default_value1, kwarg2=default_value2, ...): # 函数体

其中：

• param1, param2, ... 是函数的位置参数。
• kwarg1, kwarg2, ... 是函数的关键字参数，可以在调用时指定或使用默认值。

示例：

def greet(name, greeting="Hello", punctuation="!"):
    print(f"{greeting}, {name}{punctuation}")

# 使用位置参数调用
greet("Alice")  # 默认使用greeting="Hello", punctuation="!"

# 使用关键字参数调用
greet(name="Bob", greeting="Hi")  # 指定name="Bob", greeting="Hi", 使用默认值punctuation="!"

# 混合使用位置参数和关键字参数
greet("Charlie", punctuation="??")  # 使用位置参数name="Charlie"和默认值greeting="Hello", 指定punctuation="??"

        在函数调用时，关键字参数可以以任意顺序传递，只要它们与函数定义中的参数名匹配。这提高了代码的可读性和灵活性，并允许在不改变函数定义的情况下修改函数行为。

 DataFrame

        在Python中，DataFrame 是 pandas 库中的一个主要数据结构，用于处理和分析表格型数据。DataFrame 可以看作是一个二维的表格，类似于电子表格或数据库表。每个列可以包含不同的数据类型，例如整数、浮点数、字符串等。以下是 DataFrame 的一些重要特点和操作：

1. 创建 DataFrame： 可以通过多种方式创建 DataFrame，其中最常见的方式是从其他数据结构（如列表、字典、Numpy 数组）或外部数据源（如 CSV 文件、Excel 文件）中加载数据。

   import pandas as pd
   
   # 从字典创建 DataFrame
   data = {'Name': ['Alice', 'Bob', 'Charlie'],
           'Age': [25, 30, 35],
           'City': ['New York', 'San Francisco', 'Los Angeles']}
   
   df = pd.DataFrame(data)
   

2. 查看和处理数据： DataFrame 提供了多种方法来查看和处理数据。你可以查看头部或尾部的几行，获取列的基本统计信息，过滤数据等。

   # 查看头部几行
   print(df.head())
   
   # 获取基本统计信息
   print(df.describe())
   
   # 过滤数据
   filtered_df = df[df['Age'] > 30]
   

3. 访问和操作数据： 可以通过列名或位置访问 DataFrame 中的数据，也可以进行列间的运算和操作。

   # 访问列
   ages = df['Age']
   
   # 添加新列
   df['Senior'] = df['Age'] > 30
   

4. 处理缺失值： pandas 提供了一些方法来处理缺失值，例如删除包含缺失值的行或列，填充缺失值等。

   # 删除包含缺失值的行
   df.dropna()
   
   # 填充缺失值
   df.fillna(0)
   

5. 导入和导出数据： DataFrame 可以从多种数据源导入，也可以将数据导出到不同的格式，如 CSV、Excel 等。

   # 从 CSV 文件导入数据
   df_csv = pd.read_csv('example.csv')
   
   # 导出到 Excel 文件
   df.to_excel('output.xlsx', index=False)