摘要：
数据合并concat #concat 函数 #参数解释 concat( objs: Iterable[NDFrame] | Mapping[HashableT, NDFrame], axis: Axis = 0, join: str = "outer",#设置函数的并集、交集问题 ignore_in 阅读全文
摘要：
缺失值的处理 缺失值的类型 numpy库中的：np.nan/ np.NaN,不区分大小写 None，区分大小写 pandas中：pd.NA/pd.NaT：区分大小写 缺失值判断 #isna()/isnull() data = [[3,8,31], [np.nan,np.nan,2], [np.nan 阅读全文
摘要：
numpy 1.numpy基础 一个开元的python科学计算库 计算起来要比python简洁高效 Numpy使用ndarray对象来处理多维数组 ndarry的优势 内存块风格 python中的list—分离式存储，存储内容多样化 ndarry—一体存储，存储类型必须一样 ndarry支持并行化运 阅读全文
摘要：
#query函数 a = {"name":["lemon","jack","peter","Emma","james"], "city":["长沙","上海","深圳","北京","北京"], "a":[80,90,60,73,89], "b":[80,75,80,85,83], "c":[70,7 阅读全文
摘要：
import matplotlib.pyplot as plt import random from pylab import mpl #设置显示中文字体 mpl.rcParams["font.sans-serif"] = ["SimHei"] #设置正常显示符号 mpl.rcParams["axe 阅读全文
摘要：
数据筛选3 #1.at与iat #at 通过设置行或列的索引名称来获取单个单元格的数据 #at的功能比较单一，所有的功能均可有loc来完成 var = df.at[1,"name"]#选取整个数据框 #以下为获取单元格的几种常见的方法 df.at["e","name"] df.loc["e"].at 阅读全文
摘要：
pandas中loc与iloc的用法 a = {"name":["lemon","jack","peter","Emma","james"], "city":["长沙","上海","深圳","北京","北京"], "a":[80,90,60,73,89], "b":[80,75,80,85,83], 阅读全文
摘要：
数据筛选 #1.头部数据与尾部数据 #head df.head(2) #获取前2行数据 2.tail df.tail(2) #获取后2行数据 #2.数据列的的获取 df["name"] #df+列名称 df.name #此种方法列名称不能有空格 df[["name","age"]] #通过列表选取多 阅读全文
摘要：
4.在一个坐标下绘制多个图形 import matplotlib.pyplot as plt import random from pylab import mpl #设置显示中文字体 mpl.rcParams["font.sans-serif"] = ["SimHei"] #设置正常显示符号 mp 阅读全文
摘要：
数据统计 #1.中位数 median #median()参数解释 median( self, axis: Axis | None | lib.NoDefault = lib.no_default,#轴方向 skipna: bool_t = True,#处理NA值，默认为true，即跳过NA值 lev 阅读全文