Pandas 10分钟入门(官方说明+个人小测试)_pandas in 10minutes-程序员宅基地
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
s= pd.Series([1,2,3,np.nan,5,6,]) #series 类型数组。
s
dates= pd.date_range("20170112",periods=6) #Creating a DataFrame by passing a numpy array, with a datetime index and labeled column
dates
list(dates)
dates.date
list(dates.date)
dates.year
list(dates.year)
list(dates.day)
str(dates.date)
df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=list("ABCD"))
df
df2 = pd.DataFrame({
'A' : 1.,
'B' : pd.Timestamp('20130102'),
'C' : pd.Series(1,index=list(range(4)),dtype='float32'),
'D' : np.array([3] * 4,dtype='int32'),
'E' : pd.Categorical(["test","train","test","train"]),
'F' : 'foo' }) #Creating a DataFrame by passing a dict of objects that can be converted to series-like.
df2
df2.dtypes
df.dtypes
df2.<TAB> #使用jupyter时按tab键，可以看到代码提示。
df.head()
df.index
df.columns
df.values
df.describe()
df
df.T
df.sort_index(axis=1,ascending=False) #Sorting by an axis 排序。
df.sort_values(by="B") #Sorting by values
df
df["A"]# Selecting a single column, which yields a Series, equivalent to df.A
df.A
df[0:3] #Selecting via [], which slices the rows.
df["2017-01-13":"2017-01-17"]
dates
df.loc[dates[0]] #For getting a cross section using a label
df.loc[:,["A","B"]]
df.loc['20170112':'20170116',['A','B']] #Showing label slicing, both endpoints are included
df.loc["20170115",["A","B"]]
df.loc[dates[3],"D"] #For getting a scalar value
df.at[dates[3],"D"] #For getting fast access to a scalar (equiv to the prior method)
df.iloc[3] #Select via the position of the passed integers
df.iloc[2:5,0:2] # By integer slices, acting similar to numpy/python
df.iloc[[1,3,4],[0,2]] #By lists of integer position locations, similar to the numpy/python style
df.iloc[1:3,:]
df.iloc[:,1:3]
df.iloc[1,1] #For getting a value explicitly
df.iat[1,1] #For getting fast access to a scalar (equiv to the prior method)
df[df.A>0] #Using a single column’s values to select data
df[df>0] #Selecting values from a DataFrame where a boolean condition is met
df2
df
df2=df.copy()
df2
df.equals(df2)
df==df2
df is df2
df2["E"]=["one","one","two","three","four","three"]
df2
df2[df2.E.isin(["two","four"])]
df2[df2["E"].isin(["two","four"])]
s1= pd.Series([1,2,3,4,5,6],index=pd.date_range("20171016",periods=6)) #Setting a new column automatically aligns the data by the indexes
s1
df.at[dates[0],"A"]=0 #Setting values by label
df
df.iat[0,1]=0
df
df.loc[:,"D"]=np.array([5]*len(df)) #Setting by assigning with a numpy array
df
df2=df.copy()
df2
df2[df2>0]=-df2
df2
df
df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ['E'])
df1.loc[dates[0]:dates[1],'E'] = 1
df1
df1.dropna(how="any") #To drop any rows that have missing data
df1.fillna(value=5) # Filling missing data
df1
pd.isnull(df1)
df1.isnull()
df1.isna() #没有这个方法~~
df
df.mean()
df.mean(1) #Same operation on the other axis
s= pd.Series([1,2,3,np.nan,4,5],index=dates).shift(2)
# Operating with objects that have different dimensionality and need alignment. In addition, pandas automatically broadcasts along the specified dimension.
s
df
df.sub(s,axis="index") #dataFrame与series的减法
df
df.apply(np.cumsum) #行叠加。
df.apply(lambda x: x.max()-x.min())
s= pd.Series(np.random.randint(0,7,size=10))
s
s.value_counts()
s= pd.Series(['A', 'B', 'C', 'Aaba', 'Baca', np.nan, 'CABA', 'dog', 'cat'])
s.str.lower()
s
df
df=pd.DataFrame(np.random.randn(10,4))
df
# break it into pieces
pieces=[df[:3],df[3:7],df[7:]]
pd.concat(pieces)
pieces
left=pd.DataFrame({
"key":["foo","foo"],"lval":[1,2]})
right = pd.DataFrame({
'key': ['foo', 'foo'], 'rval': [4, 5]})
left
right
pd.merge(left,right,on="key")
left = pd.DataFrame({
'key': ['foo', 'bar'], 'lval': [1, 2]})
right = pd.DataFrame({
'key': ['foo', 'bar'], 'rval': [4, 5]})
left
right
pd.merge(left,right,on="key")
df = pd.DataFrame(np.random.randn(8, 4), columns=['A','B','C','D'])
df
s=df.iloc[3]
s
df.append(s,ignore_index=True)
df = pd.DataFrame({
'A' : ['foo', 'bar', 'foo', 'bar',
'foo', 'bar', 'foo', 'foo'],
'B' : ['one', 'one', 'two', 'three',
'two', 'two', 'one', 'three'],
'C' : np.random.randn(8),
'D' : np.random.randn(8)})
df
df.groupby("A").sum()
df.groupby(["A","B"]).sum() #Grouping by multiple columns forms a hierarchical index, which we then apply the function.
tuples = list(zip([['bar', 'bar', 'baz', 'baz',
'foo', 'foo', 'qux', 'qux'],
['one', 'two', 'one', 'two',
'one', 'two', 'one', 'two']]))
tuples
tuples = list(zip(*[['bar', 'bar', 'baz', 'baz',
'foo', 'foo', 'qux', 'qux'],
['one', 'two', 'one', 'two',
'one', 'two', 'one', 'two']]))
tuples
index=pd.MultiIndex.from_tuples(tuples,names=["first","second"])
index
df=pd.DataFrame(np.random.randn(8,2),index=index,columns=['A', 'B'])
df
df2=df[:4]
df2
stacked= df2.stack()
stacked
stacked.unstack()
stacked.unstack(1)
stacked.unstack(0)
df = pd.DataFrame({
'A' : ['one', 'one', 'two', 'three'] * 3,
'B' : ['A', 'B', 'C'] * 4,
'C' : ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2,
'D' : np.random.randn(12),
'E' : np.random.randn(12)})
df
pd.pivot_table(df,values="D",index=["A","B"],columns=["C"])
rng=pd.date_range("1/2/2017",periods=100,freq="S")
rng
ts =pd.Series(np.random.randint(0,500,len(rng)),index=rng)
ts
ts.resample("5Min").sum()
ts.resample("1Min").sum()
rng= pd.date_range("2/1/2017 00:00",periods=5,freq="D")
rng
ts=pd.Series(np.random.randn(len(rng)),index=rng)
ts
tsUtc=ts.tz_localize("UTC")
tsUtc
tsUtc.tz_convert("US/Eastern")
tsUtc
rng=pd.date_range("1/8/2017",periods=5,freq="M")
rng
ts=pd.Series(np.random.randn(len(rng)),rng)
ts
ps=ts.to_period()
ps
ps.to_timestamp()
ps
prng=pd.period_range("1990Q1","2017Q4",freq="Q-NOV")
prng
ts= pd.Series(np.random.randn(len(prng)),prng)
ts.head()
ts.index=(prng.asfreq("M","e")+1).asfreq("H","s")+9
ts.head()
df = pd.DataFrame({
"id":[1,2,3,4,5,6],"raw_grade":["a","a","c","b","b","f"]})
df
df["grade"]=df.raw_grade.astype("category")
df
df.grade #Convert the raw grades to a categorical data type
# Rename the categories to more meaningful names (assigning to Series.cat.categories is inplace!)
df.grade.cat.categories=["very good","good","nomal","bad"]
df
# Reorder the categories and simultaneously add the missing categories (methods under Series .cat return a new Series per default).
df.grade=df.grade.cat.set_categories(["very bad", "bad", "medium","good", "very good"])
df.grade
df
df.sort_values(by="grade")
df.groupby("grade").size()
ts=pd.Series(np.random.randn(1000),index=pd.date_range("1/1/2017",periods=1000))
ts.head()
ts=ts.cumsum()
ts.head()
ts.plot()
df=pd.DataFrame(np.random.randn(1000,4),index=ts.index,columns=["A","B","C","D"])
df.head()
df=df.cumsum()
plt.figure()
df.plot()
plt.legend(loc="best")
plt.show()
df.to_csv("foo.csv")
pd.read_csv("foo.csv")
df.to_hdf("foo.h5","df")
pd.read_hdf("foo.h5","df")
df.to_excel('foo.xlsx', sheet_name='Sheet1')
pd.read_excel('foo.xlsx', 'Sheet1', index_col=None, na_values=['NA'])
智能推荐
从零开始搭建Hadoop_创建一个hadoop项目-程序员宅基地
文章浏览阅读331次。第一部分：准备工作1 安装虚拟机2 安装centos73 安装JDK以上三步是准备工作，至此已经完成一台已安装JDK的主机第二部分：准备３台虚拟机以下所有工作最好都在root权限下操作1 克隆上面已经有一台虚拟机了,现在对master进行克隆,克隆出另外2台子机;1.1 进行克隆21.2 下一步1.3 下一步1.4 下一步1.5 根据子机需要,命名和安装路径1.6 ..._创建一个hadoop项目
心脏滴血漏洞HeartBleed CVE-2014-0160深入代码层面的分析_heartbleed代码分析-程序员宅基地
文章浏览阅读1.7k次。心脏滴血漏洞HeartBleed CVE-2014-0160 是由heartbeat功能引入的，本文从深入码层面的分析该漏洞产生的原因_heartbleed代码分析
java读取ofd文档内容_ofd电子文档内容分析工具（分析文档、签章和证书）-程序员宅基地
文章浏览阅读1.4k次。前言ofd是国家文档标准，其对标的文档格式是pdf。ofd文档是容器格式文件，ofd其实就是压缩包。将ofd文件后缀改为.zip，解压后可看到文件包含的内容。ofd文件分析工具下载：点我下载。ofd文件解压后，可以看到如下内容： 对于xml文件，可以用文本工具查看。但是对于印章文件(Seal.esl)、签名文件(SignedValue.dat)就无法查看其内容了。本人开发一款ofd内容查看器，..._signedvalue.dat
基于FPGA的数据采集系统（一）_基于fpga的信息采集-程序员宅基地
文章浏览阅读1.8w次，点赞29次，收藏313次。整体系统设计本设计主要是对ADC和DAC的使用，主要实现功能流程为：首先通过串口向FPGA发送控制信号，控制DAC芯片tlv5618进行DA装换，转换的数据存在ROM中，转换开始时读取ROM中数据进行读取转换。其次用按键控制adc128s052进行模数转换100次，模数转换数据存储到FIFO中，再从FIFO中读取数据通过串口输出显示在pc上。其整体系统框图如下：图1：FPGA数据采集系统框图从图中可以看出，该系统主要包括9个模块：串口接收模块、按键消抖模块、按键控制模块、ROM模块、D.._基于fpga的信息采集
微服务 spring cloud zuul com.netflix.zuul.exception.ZuulException GENERAL-程序员宅基地
文章浏览阅读2.5w次。1.背景错误信息：-- [http-nio-9904-exec-5] o.s.c.n.z.filters.post.SendErrorFilter : Error during filteringcom.netflix.zuul.exception.ZuulException: Forwarding error at org.springframework.cloud..._com.netflix.zuul.exception.zuulexception
邻接矩阵-建立图-程序员宅基地
文章浏览阅读358次。1.介绍图的相关概念 图是由顶点的有穷非空集和一个描述顶点之间关系-边（或者弧）的集合组成。通常，图中的数据元素被称为顶点，顶点间的关系用边表示，图通常用字母G表示，图的顶点通常用字母V表示，所以图可以定义为: G=(V,E)其中，V(G)是图中顶点的有穷非空集合，E(G)是V(G)中顶点的边的有穷集合1.1 无向图：图中任意两个顶点构成的边是没有方向的1.2 有向图：图中..._给定一个邻接矩阵未必能够造出一个图
随便推点
MDT2012部署系列之11 WDS安装与配置-程序员宅基地
文章浏览阅读321次。（十二）、WDS服务器安装通过前面的测试我们会发现，每次安装的时候需要加域光盘映像，这是一个比较麻烦的事情，试想一个上万个的公司，你天天带着一个光盘与光驱去给别人装系统，这将是一个多么痛苦的事情啊，有什么方法可以解决这个问题了？答案是肯定的，下面我们就来简单说一下。WDS服务器，它是Windows自带的一个免费的基于系统本身角色的一个功能，它主要提供一种简单、安全的通过网络快速、远程将Window..._doc server2012上通过wds+mdt无人值守部署win11系统.doc
python--xlrd/xlwt/xlutils_xlutils模块可以读xlsx吗-程序员宅基地
文章浏览阅读219次。python–xlrd/xlwt/xlutilsxlrd只能读取，不能改,支持 xlsx和xls 格式xlwt只能改，不能读xlwt只能保存为.xls格式xlutils能将xlrd.Book转为xlwt.Workbook，从而得以在现有xls的基础上修改数据，并创建一个新的xls，实现修改xlrd打开文件import xlrdexcel=xlrd.open_workbook('E:/test.xlsx') 返回值为xlrd.book.Book对象,不能修改获取sheett_xlutils模块可以读xlsx吗
关于新版本selenium定位元素报错：‘WebDriver‘ object has no attribute ‘find_element_by_id‘等问题_unresolved attribute reference 'find_element_by_id-程序员宅基地
文章浏览阅读8.2w次，点赞267次，收藏656次。运行Selenium出现'WebDriver' object has no attribute 'find_element_by_id'或AttributeError: 'WebDriver' object has no attribute 'find_element_by_xpath'等定位元素代码错误，是因为selenium更新到了新的版本，以前的一些语法经过改动。..............._unresolved attribute reference 'find_element_by_id' for class 'webdriver
DOM对象转换成jQuery对象转换与子页面获取父页面DOM对象-程序员宅基地
文章浏览阅读198次。一：模态窗口//父页面JSwindow.showModalDialog(ifrmehref, window, 'dialogWidth:550px;dialogHeight:150px;help:no;resizable:no;status:no');//子页面获取父页面DOM对象//window.showModalDialog的DOM对象var v=parentWin..._jquery获取父window下的dom对象
什么是算法？-程序员宅基地
文章浏览阅读1.7w次，点赞15次，收藏129次。算法（algorithm）是解决一系列问题的清晰指令，也就是，能对一定规范的输入，在有限的时间内获得所要求的输出。 简单来说，算法就是解决一个问题的具体方法和步骤。算法是程序的灵 魂。二、算法的特征1.可行性 算法中执行的任何计算步骤都可以分解为基本可执行的操作步，即每个计算步都可以在有限时间里完成（也称之为有效性） 算法的每一步都要有确切的意义，不能有二义性。例如“增加x的值”，并没有说增加多少，计算机就无法执行明确的运算。 _算法
【网络安全】网络安全的标准和规范_网络安全标准规范-程序员宅基地
文章浏览阅读1.5k次，点赞18次，收藏26次。网络安全的标准和规范是网络安全领域的重要组成部分。它们为网络安全提供了技术依据，规定了网络安全的技术要求和操作方式，帮助我们构建安全的网络环境。下面，我们将详细介绍一些主要的网络安全标准和规范，以及它们在实际操作中的应用。_网络安全标准规范