11 2021 档案
摘要：Numpy数组操作 数组广播机制： 数组与数的计算： 在Python列表中，想要对列表中所有的元素都加一个数，要么采用map函数，要么循环整个列表进行操作。但是NumPy中的数组可以直接在数组上进行操作。示例代码如下： import numpy as np a1 = np.random.random
阅读全文
摘要：利用IDEA进行克隆项目： 克隆到本地后： 这个目录既变成了一个本地仓库，又变成了工作空间。 解决冲突 【1】在你push以后，有冲突的时候提示合并操作： 合并： 如何避免冲突 【1】团队开发的时候避免在一个文件中改代码 【2】在修改一个文件前，在push之前，先pull操作
阅读全文
摘要：因为他们是两个不同的项目，要把两个不同的项目合并，git需要添加一句代码，在 git pull 之后，这句代码是在git 2.9.2版本发生的，最新的版本需要添加 --allow-unrelated-histories 告诉 git 允许不相关历史合并。 假如我们的源是origin，分支是maste
阅读全文
摘要：IDEA集成Git： 本地库的初始化操作： 本地库初始化完成了，生成了.git目录： 添加到暂存区，再提交到本地库操作； add +commit: 当你更改内容以后，前面跟本地库内容不一致的地方会显示绿色：
阅读全文
摘要：免密操作： 【1】进入用户的主目录中： 【2】执行命令，生成一个.ssh的目录： keygen > key generation 注意：C要大写 后面的邮箱，是你的github注册的账号的时候对应的邮箱 三次回车确认默认值即可 发现在.ssh目录下有两个文件： 【3】打开id_rad.pub文件，将
阅读全文
摘要：【1】得到远程库的地址： 地址： https://github.com/zhaoshanshan3366/GitResp2.git 【2】进行fork操作： 进入到账号后：复制地址：https://github.com/zhaoshanshan3366/GitResp2.git 然后点击下面的for
阅读全文
摘要：协同开发合作时冲突的解决办法 【1】 向远程库推送数据： 【2】 做了一个拉取操作： 到这里为止，现在远程合作没有任何问题。 现在操作同一个文件的同一个位置的时候，就会引起冲突： 【3】 再次做了推送操作： 改动位置： 【4】 改动Test.txt中内容，然后进行推送： 发现 推送失败！ 在冲突的情
阅读全文
摘要：远程库修改的拉去操作 【1】拉取操作 pull操作，相当于 fetch+merge 【2】项目经理先先确认远程库内容是否更新了： 【3】项目经理进行拉取： （1）先是抓取操作：fetch: 在抓取操作执行后，只是将远程库的内容下载到本地，但是工作区中的文件并没有更新。工作区中还是原先的内容： 抓取后
阅读全文
摘要：邀请加入团队，push操作 【1】更新本地库信息： 【2】push内容到远程库中去： 发现可以直接push进去，并没有让我录入账号密码，或者也没有提示错误 - --》结果 很诡异 原因：git使用的时候在本地有缓存： 将缓存删除： 现在再次重新push，发现出错了： 必须要加入团队： 登录项目经理的
阅读全文
摘要：GitHub 1、初始化本地仓库 2、创建远程库 【1】创建远程库 【2】录入信息： 【3】完成状态： 3、在本地创建远程库地址别名 远程库的地址： 点击进入： 远程库地址比较长，每次复制比较麻烦 https://github.com/zhaoshanshan3366/GitResp2.git 在G
阅读全文
摘要：分支_冲突问题 【1】进入branch01分支，增加内容： 【2】将分支切换到master: 然后在主分支下 加入内容： 【3】再次切换到branch01分支查看： 【4】将branch01分支 合并到 主分支 ： （1）进入主分支： （2）将branch01中的内容和主分支内容进行合并： 查看文件
阅读全文
摘要：分支 【1】什么是分支： 在版本控制过程中，使用多条线同时推进多个任务。这里面说的多条线，就是多个分支。 【2】通过一张图展示分支： 【3】分支的好处： 同时多个分支可以并行开发，互相不耽误，互相不影响，提高开发效率 如果有一个分支功能开发失败，直接删除这个分支就可以了，不会对其他分支产生任何影响。
阅读全文
摘要：Git常用命令 diff命令 【1】先创建一个文件，添加到暂存区，再提交到本地库： 【2】更改工作区中Test3.txt中内容，增加内容： 导致：工作区 和 暂存区 不一致，比对： 总结： git diff [文件名] 》 将工作区中的文件和暂存区中文件进行比较 多个文件的比对： 总结：git di
阅读全文
摘要：Git常用命令 【1】新建 一个Test2.txt文件 【2】将它add到暂存区中 【3】再通过commit提交到本地库 【4】删除工作区中的Test2.txt 【5】将删除操作同步到暂存区： 【6】将删除操作同步到本地库： 【7】查看日志： 【8】找回本地库中删除的文件，实际上就是将历史版本切换到
阅读全文
摘要：Git常用命令 reset命令：前进或者后退历史版本 复制：在终端中选中就是复制了 粘贴： 右键：paste hard参数/mixed参数/soft参数 【1】hard参数： git reset --hard [索引] 本地库的指针移动的同时，重置暂存区，重置工作区 【2】mixed参数： 本地库的
阅读全文
摘要：Git常用命令 log命令： git log 可以让我们查看提交的，显示从最近到最远的日志 当历史记录过多的时候，查看日志的时候，有分页效果，分屏效果，一页展示不下： 下一页：空格 上一页： b 到尾页了 ，显示END 退出：q 日志展示方式： 【1】方式1：git log 》分页 【2】方式2：g
阅读全文
摘要：Git常用命令 git status 看的是工作区和缓存区的状态 创建一个文件，然后查看状态： 然后将Demo2.txt通过git add命令提交至：暂存区： 查看状态： 利用git commit 命令将文件提交至：本地库 现在修改Demo2.txt文件中内容： 然后再查看状态： 重新添加至：暂存区
阅读全文
摘要：Git常用命令 一、add和commit命令 添加文件：add 提交文件：commit 展示： 【1】先创建一个文件： 【2】将文件提交到暂存区： 【3】将暂存区的内容提交到本地库： 注意事项： （1）不放在本地仓库中的文件，git是不进行管理 （2）即使放在本地仓库的文件，git也不管理，必须通过
阅读全文
摘要：初始化本地仓库 1、创建一个文件夹： 2、打开Git终端 Git Bash Here: 进入以后先对字体和编码进行设置： 在Git中命令跟Linux是一样的： （1）查看git安装版本： （2）清屏： （3）设置签名： 设置用户名和邮箱： （4）本地仓库的初始化操作： .git目录是隐藏的：可以调出
阅读全文
摘要：代码托管中心_本地库和远程库的交互方式 1、代码托管中心是干嘛的？ 我们已经有了本地库，本地库可以帮我们进行版本控制，为什么还需要代码托管中心呢？ 它的任务是帮我们维护远程库， 下面说一下本地库和远程库的交互方式，也分为两种： （1）团队内部协作 （2）跨团队协作 2、托管中心种类 局域网环境下：
阅读全文
摘要：Git结构 本地结构 工作区：就是写代码的地方，写的文件都存在工作区 暂存区：打算提交的东西还没提交，作为暂时存储的区域，可以将代码提交到本地库，或者撤回工作区 本地库：存储的是真正的每个版本的信息
阅读全文
摘要：git安装 1、Git官网 https://git-scm.com/ 2、安装过程 点击Git Bash Here打开Git终端：
阅读全文
摘要：1、Git技术： 公司必备，一定要会 2、Git概念： Git是一个免费的、开源的分布式版本控制系统，可以快速高效地处理从小型到大型的项目。 3、什么是版本控制 版本控制是一种记录一个或者若干个文件内容变化，以便将来查阅特定版本修订情况的系统 SVN（集中化版本控制系统） Git（分布式版本控制系统
阅读全文
摘要：数据清洗和准备 二、数据转换 移除重复数据 data = pd.DataFrame({'k1':['one','two']*3+['two'], 'k2':[1,1,2,3,3,4,4]}) data Out: k1 k2 0 one 1 1 two 1 2 one 2 3 two 3 4 one
阅读全文
摘要：数据清洗和准备 一、处理缺失数据 data1 = pd.Series(['a','b',np.nan,'d']) data1 Out: 0 a 1 b 2 NaN 3 d dtype: object data1.isnull() Out: 0 False 1 False 2 True 3 False
阅读全文
摘要：数据聚合与分组 什么是分组聚合？如图： groupby:(by=None,as_index=True) by:根据什么进行分组，用于确定groupby的组 as_index:对于聚合输出,返回以组便签为索引的对象，仅对DataFrame df1 = pd.DataFrame({'fruit':['a
阅读全文
摘要：数据清洗 一、数据清洗和准备 数据清洗是数据分析关键的一步，直接影响之后的处理工作 数据需要修改吗？有什么需要修改的吗？数据应该怎么调整才能适用于接下来的分析和挖掘？ 是一个迭代的过程，实际项目中可能需要不止一次地执行这些清洗操作 1. 处理缺失数据: pd.fillna() pd.dropna()
阅读全文
摘要：数据读取与存储 csv文件 1、读取csv文件read_csv(file_path or buf,usecols,encoding):file_path：文件路径,usecols:指定读取的列名，encoding:编码 data = pd.read_csv('d:/test_data/food_ra
阅读全文
摘要：Pandas统计计算和描述 arr1 = np.random.rand(4,3) pd1 = pd.DataFrame(arr1,columns=list('ABC'),index=list('abcd')) f = lambda x: '%.2f'% x pd2 = pd1.applymap(f)
阅读全文
摘要：层级索引（hierarchical indexing） 下面创建一个Series， 在输入索引Index时，输入了由两个子list组成的list，第一个子list是外层索引，第二个list是内层索引。 import pandas as pd import numpy as np ser_obj =
阅读全文
摘要：Pandas的函数应用 apply 和 applymap 1、可直接使用Numpy的函数 # Numpy ufunc 函数 df = pd.DataFrame(np.random.randn(5,4) - 1) print(df) print(np.abs(df)) 运行结果： 0 1 2 3 0
阅读全文
摘要：Pandas的对齐运算 1、算术运算和数据对齐 1、Series 的对齐运算 s1 = pd.Series(np.arange(4),index=['a','b','c','d']) s2 = pd.Series(np.arange(5),index=['a','c','e','f','g']) s
阅读全文
摘要：高级索引 1、loc 标签索引 2、iloc 位置索引 3、ix 标签与位置混合索引 1、loc 标签索引 # Series ps1 Out: a 888 b 1 c 2 d 3 e 4 dtype: int64 # loc 标签索引 # loc 是标签名的索引，自定义的索引名 ps1['a':'c
阅读全文
摘要：Pandas的索引操作 1、Series和DataFrame中的索引都是Index对象 import numpy as np import pandas as pd ps1 = pd.Series(range(5),index=['a','b','c','d','e']) type(ps.index
阅读全文
摘要：DataFrame的基本用法 1、T转置 # dataframe pd5 = pd.DataFrame(np.arange(9).reshape(3,3),index=['a','b','c'],columns=['A','B','C']) pd5 A B C a 0 1 2 b 3 4 5 c 6
阅读全文
摘要：DateFrame DateFrame:一个二维标记数据结构，具有可能不同类型的列，每一列可以是不同值类型(数值，字符串，布尔值)，既有行索引也有列索引。我们可以把它看作为excel表格，或者SQL表，或Series对象的字典。 构建DateFrame的方法: 字典类：数组、列表或元组构成的字典构造
阅读全文
摘要：series的基本用法 1、is null 和 not null 检查缺失值 s4.isnull() #判断是否为空,空就是True city False name False age False sex True dtype: bool s4.notnull() # 判断是否不为空,非空就是Tru
阅读全文
摘要：Numpy数组操作 索引和切片： 获取某行的数据： # 1. 如果是一维数组 a1 = np.arange(0,29) print(a1[1]) #获取下标为1的元素 a1 = np.arange(0,24).reshape((4,6)) print(a1[1]) #获取下标为1的行的数据 连续获取
阅读全文
摘要：一、Numpy数组基本用法 1、Numpy是Python科学计算库，用于快速处理任意维度的数组。 2、NumPy提供一个N维数组类型ndarray，它描述了相同类型的“items”的集合。 3、numpy.ndarray支持向量化运算。 4、NumPy使用c语言写的，底部解除了GIL，其对数组的操作
阅读全文
摘要：Numpy库简单介绍 NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。NumPy这个词来源于两个单词-- Numerical和Python。NumPy提供了大量的库函数和操作，可以帮助程序员轻松地进行数值计算。在数据分析和机器学习领域被广泛使用。他有以下几个特点： numpy内
阅读全文
摘要：pandas的数据结构-series Series 1、Series介绍 Series:一种一维标记的数组型对象，能够保存任何数据类型(int, str, float, python object...),包含了数据标签,称为索引。 类似一维数组的对象，index = ['名字','年龄','班级'
阅读全文
摘要：1、为什么要学习pandas numpy已经能够帮助我们处理数据，能够结合matplotlib解决我们数据分析的问题，那么pandas学习的目的在什么地方呢？ numpy能够帮我们处理处理数值型数据，但是这还不够， 很多时候，我们的数据除了数值之外，还有字符串，还有时间序列等 比如：我们通过爬虫获取
阅读全文
