摘要：
安装 laravel(版本 5.8):这里是全局安装的, 也就是说在终端任何位置都可以执行下面的命令进行安装. 创建一个项目:安装之后, 进入你存放所有项目的文件夹(我所有的项目都是在 site 文件夹): 然后新建一个项目, 名字可以自定义. 启动服务:项目创建好了, 现在进入刚刚创建的项目的文件 阅读全文
摘要：
这节的主题是 stack 和 unstack, 我目前还不知道专业领域是怎么翻译的, 我自己理解的意思就是"组成堆"和"解除堆". 其实, 也是对数据格式的一种转变方式, 单从字面上可能比较难理解, 所以给大家下面两张图来理解一下: 上图中, 标绿色的部分, 代表一个对应关系, 就是列的级别转为行级 阅读全文
摘要：
melt 也可以用来做数据格式转换, 请看下图, 我们可以用 melt 把左表转成右表的格式: 首先引入文件(已上传): 输出: 使用 melt 转换格式: 输出: 通过上面转换格式以后, 我们可以很容易活取单独某一城市的数据: 输出: 觉得现在的列名没有实际意义? 简单, 自定义一下就好了: 输出 阅读全文
摘要：
Pivot allows you to transform or reshape data.Pivot 可以帮助我们改变数据的格式, 下面两个例子可以作为参考: 下面来看下具体实现, 首先引入一个 csv 文件(已上传) 输出:格式转换, 设置 'date' 为索引列, 也就让'date' 做每一行 阅读全文
摘要：
首先, 还是以天气为例, 准备如下数据: 输出: 上面的例子就是以 'city' 为基准对两个 dataframe 进行合并, 但是两组数据都是高度一致, 下面调整一下: 输出:从输出我们看出, 通过 merge 合并, 会取两个数据的交集. 那么, 我们应该可以设想到, 可以通过调整参数, 来达到 阅读全文
摘要：
以各个城市的天气为例, 先准备下面的数据: 印度天气的相关信息: 美国天气的相关信息: 用 concat 组合上面两个 dataframe: 输出: 上面的输出最左边的序列号是重复的, 原因是数据分别来自两个 dataframe 的索引值, 可以通过忽略原本的索引来做改变: 输出: 下面再介绍另一种 阅读全文
摘要：
首先, 引入这节需要的 csv 文件 (已上传) 输出: 根据 'city'字段分组: 输出: 循环输出分组后的数据: 输出: 获取其中的某一组数据: 输出: 取每个组的最大值: 取每个组的平均值: 获取每个组的常规信息: 输出图表: 以上, 就是关于 Pandas 分组的相关知识, enjoy~~ 阅读全文
摘要：
首先, 还是新建一个 jupyter notebook, 然后引入 csv 文件(此文件我已上传到博客园): 输出:从上面的输出截图, 可以看到有很多不合理的数据, 这时可以用 replace() 函数来处理: 输出:这时, 就还剩下 event 列里的 0 还没有改, 因为没办法简单粗暴地把数字 阅读全文
摘要：
首先, 读入一个 csv 文件: 输出: 查看一下 day 列的数据类型: 输出: 所以目前 day 列里数据类型是字符串. 把 day 列里的数据转成时间戳, 加上第二个参数 parse_dates=['day'] 即可: 再查看一下 day 列的数据类型: 输出: 把 day 列设置为索引列: 阅读全文
摘要：
这一节将分别介绍读/写 Excel 和 CSV 文件的各种方式: - 读入 CSV 文件 输入输出的效果, 截图如下:上面就是引入 csv 文件最基本最常规的情况, 下面介绍一些特殊情况: 大家可以自行修改一下 csv 文件, 然后在 jupyter 里运行一下看看得到什么结果, 这里就不截图了, 阅读全文