企业官网建设流程全解析

站长工具seo,建网站需要哪些费用,昆山智能网站开发,丹江口网站制作pandas 定义#xff1a;Pandas 是 Python 数据分析工具链中最核心的库#xff0c;充当数据读取、清洗、分析、统计、输出的高效工具。 Pandas 提供了易于使用的数据结构和数据分析工具#xff0c;特别适用于处理结构化数据#xff0c;如表格型数据#xff08;类似于Excel表…pandas定义Pandas 是 Python 数据分析工具链中最核心的库充当数据读取、清洗、分析、统计、输出的高效工具。Pandas 提供了易于使用的数据结构和数据分析工具特别适用于处理结构化数据如表格型数据类似于Excel表格。Pandas 是数据科学和分析领域中常用的工具之一它使得用户能够轻松地从各种数据源中导入数据并对数据进行高效的操作和分析。Pandas是基于NumPy构建的专门为处理表格和混杂数据设计的Python库核心设计理念包括标签化数据结构提供带标签的轴灵活处理缺失数据内置NaN处理机制智能数据对齐自动按标签对齐数据强大IO工具支持从CSV、Excel、SQL等20数据源读写时间序列处理原生支持日期时间处理和频率转换Python Pandas的使用场景数据清洗统计分析可视化等功能特色算法和分析部署核心一datatime与series区别二pandas series一维1.series创建importnumpyasnpimportpandasaspd#需要引用这些模块apd.Series([2,5,3])print(a)#左边是默认索引右边是数组字典创建apd.Series({张三:10,张二:15,张大:18},name年龄)print(a)bpd.Series(a,index[张三,张大])print(b)# 定义标签和使用index修改默认索引apd.Series([2,5,3],index[a,b,c],name次数)print(a)2.series属性print(a.index)print(a.values)print(a.shape,a.size,a.ndim)print(a.dtypes)print(a.name)上面的这些属性跟numpy一样你可以看上一篇具体结果不展示了print(a.loc[张三])#显示print(a.loc[张三:张二])#可以切片print(a.iloc[1])#隐示print(a.iloc[0:2])print(a.at[张大])#不支持切片标签访问print(a.iat[0])#位置访问3.访问数据print(a[张三])#根据索引访问print(a[a11])#根据value值a#直接访问apd.Series([2,5,3,6,7,9])print(a.head())#默认打前5行填数字就是获取几行print(a.tail(2))#默认结尾5行可以自己写几行4.series常用方法先创建一个Seriesimportnumpyasnp apd.Series([2,5,3,6,7,9,None,np.nan],index[a,b,c,d,e,f,g,h],name次数)print(a)a.value_counts()#出现次数这里np.nan和None是缺失值所以只输出了6a.count()去重返回列表a[a]3#把原来的a对应的2改成了3去重后不算Nan的数值结果位有效个数print(a.nunique())去掉重复行得到的去重后的seriesprint(a.drop_duplicates())随机取样两个不写就默认取样一个a.sample(2)默认从小到大按索引排序a.sort_index()从大到小a.sort_index(ascendingFalse)按values值排序a.sort_values()把所有的2改成7a.replace({2:7})改单个a[a]3获取索引print(a.keys())#方法print(a.index)#属性查看所有描述性信息a.describe()判断缺失值检查每一个元素print(a.isna())判断某些元素在集合中a.isin([3,5])取多少分位数print(a.quantile(0.5))#取50%三pandas Datatime二维1.Datatime创建series创建:importnumpyasnpimportpandasaspd apd.Series([2,5,3])bpd.Series([2,5,9])cpd.DataFrame({第一列:a,第二列:b})print(c)字典创建cpd.DataFrame({name:[张三,张二,张大,王二狗,李二麻],score:[20,92,59,90,5],age:[15,19,20,17,19]},index[1,2,3,4,5],columns[name,age,score]#使用colums改变列的顺序原本是name score age)c#输出2.Datatime属性print(行索引,c.index)print(列标签,c.columns)print(值,c.values)print(维度,c.ndim)print(形状:,c.shape)print(元素个数,c.size)print(数据类型)print(c.dtypes)置换行列c.T原来五行三列现在三行五列查看行print(c.loc[2])print(c.iloc[1])#这个是用位置看的所以结果相同0.1查看列print(df.loc[:,name])print(df.iloc[:,0])查看单个元素print(c.at[3,score])print(c.iat[2,1])print(c.loc[3,score])print(c.iloc[2,1])获取单列数据四种方法print(c[name])print(c.name)print(c[[name]])c[[name]]获取多列print(c.name,c.score)3.Datatime常用方法print(df.head(2))print(df.tail(3))查看元素是否包含在参数集合中print(c.isin([直立千古,20]))查看元素是否是缺失值print(c.isna())#这里没有所以全是False和大小等等print(c[score].sum())#某一列的总和print(df.score.max())#最大值print(df.age.min())#最小值print(df.score.mean())#平均数print(df.score.median())#中位数print(df.age.mode())#众数print(c[score].sum())#某一列的总和print(c.score.max())#最大值print(c.age.min())#最小值print(c.score.mean())#平均数print(c.score.median())#中位数print(c.age.mode())#众数print(c.score.std())#标准差print(c.score.var())#方差print(c.score.quantile(0.25))#分位数print(c.value_counts())#出现的次数print(c.count())#每一列非缺失值的个数print(c.drop_duplicates())print(c.drop_duplicates(subset[age]))#只去固定列的c.sample(2)#随机取样print(c.replace(15,30))#替换所有的15不会改行列名print(c.sort_index(ascendingFalse))#按索引排序从大到小print(c.sort_values(by[score,‘age’],ascending[False,True]))#按成绩从大到小排序如果成绩一样按年龄排序取出最大的几个并从大到小排序如果成绩一样年龄大在上面c.nlargest(2,columns[score,age])取最小的几个反之c.nsmallest(2,columns[score,age])累加c.cumsum()c.score.cumsum()#固定行累加c.age.cummax(axis0)#因为我行里面有字符串所以axis不能1找出累计的最大值多个的话只能这么写c[[age,score]].cummax(axis0)找出累计最小值c.cummin(axis0)