旅游网站开发选题背景,如何查看一个网站用什么程序做的,网站开发不满意,中国电信软件开发工程师待遇pandas#xff1a;完整的初学者指南 一、说明 在你的Python开发人员或数据科学之旅中#xff0c;你可能已经多次遇到“熊猫”这个词#xff0c;但仍然需要弄清楚它的作用。以及数据和熊猫之间的关系。所以让我向你解释一下。 根据最新估计#xff0c;每天创建 328.77 亿 TB… pandas完整的初学者指南 一、说明 在你的Python开发人员或数据科学之旅中你可能已经多次遇到“熊猫”这个词但仍然需要弄清楚它的作用。以及数据和熊猫之间的关系。所以让我向你解释一下。 根据最新估计每天创建 328.77 亿 TB 的数据。 现在是我们利用如此大量的数据来产生见解并预测当前和未来结果的时候了因此pandas不能不修。 Pandas是一个基于NumPy和Matplotlib构建的Python库主要用于处理DATA。它用于分析清理探索和操作数据。 它由Wes McKinney于2008年开发用于数据分析目的。 摄影Justin Morgan on Unsplash
二、为什么我们需要pandas 一般来说我们通过智能手机、物联网设备、调查和其他各种来源接收的数据充满了相关和不相关的信息其中包含重复、缺失和无法操作的值因此完全难以得出结论。因此熊猫使我们能够从数据中产生有意义和有价值的见解。 从以表格格式排列数据执行统计分析到生成图表熊猫一切皆有可能使数据分析师和科学家可以轻松地在一个库下执行所有任务。 简单来说熊猫就像一个过滤器我们可以用来净化我们的原始数据以产生有价值的见解。 三、如何使用熊猫 在窥视熊猫的工具之前我们必须了解数据在熊猫中是如何存储和排列的。熊猫包含两种类型的数据结构
系列 series数据帧 dataframe
系列它是一个一维数组能够保存任何数据类型的数据。
names [Alex, Bob, John]
df pd.Series(names, index[1, 2, 3])
print(df) 数据帧 数据帧是由行和列如表组成的二维数据结构。它是熊猫中最受欢迎的数据结构。
df pd.read_csv(E:\emp_report.csv)
print(df)
我导入了一个CSV逗号分隔值一个使用逗号分隔值的分隔文本文件。在 pandas 中我们可以使用 read_csv 命令导入 CSV 文件然后传递文件位置。 head
默认情况下head 方法返回数据框的前五行。
print(df.head()) 我们可以看到主数据框中有六行但使用 head 命令它打印了数据框的前五行。 甚至可以使用 headn 指定所需的行数;如果我们传递 head12它将打印数据框的前 12 行。
2. tail tail 方法类似于 head但默认情况下它不是打印顶部行而是返回数据框的最后五行。
print(df.tail()) 我们甚至可以使用 tailn 指定我们想要的底部行数;如果我们传递 tail10它将打印数据框的最后十行。
3.info info 方法给出了数据框的完整描述例如列数、每列的数据类型、数据框的内存使用情况等。
print(df.info()) 4. describe describe 方法给出了数据帧的完整统计分析例如每列的最大值、最小值、百分位数、总非空值和标准偏差。
print(df.describe()) 5. shape Pandas 中的 shape 属性为我们提供了有关数据框形状的信息即数据框中的行数和列数。
print(df.shape) 这里的六是指行数五是指列数。
6. valuse 返回二维数组中数据框的所有值。
print(df.values) 7. column 列属性返回数据框中每列的标注或名称。
print(df.columns) 8. index index 属性返回数据框的索引信息。
print(df.index) 9. count count 方法返回每行或每列的非空值或非 NA 的总数。
print(df.count()) 10. value_counts value_counts 方法返回唯一值的计数。
print(df.value_counts(positions)) 11. sort_values 排序是指按升序或降序排列数据。在 Pandas 中我们可以使用 sort_values 方法对列进行排序方法是传递列名然后将升序参数设置为 True 或 False。
print(df.sort_values(salary, ascendingTrue)) 在这里我传递了工资列并将升序参数设置为 True 作为升序;设置为 False 的升序参数将按降序排列工资列。
print(df.sort_values(salary, ascendingFalse)) 还有一些参数例如na_position和就地。na_position允许我们通过传递“第一个”或“最后一个”来选择如何排列 NaN。而当就地设置为 True 时请就地执行操作。
12. group 分组允许我们根据类别对数据进行分组然后对这些类别执行函数。
print(df.groupby(sex)[salary].sum()) 在这里我们根据性别一栏将所有员工分为两类“M”代表男性“F”代表女性然后根据性别计算总工资。
13. isna 使用 isna 方法我们可以检查数据框中的缺失值或 NaNnot-a-number为 NaN 值返回 True否则返回 False。
print(df.isna()) 14. fillna fillna 方法将数据框中的缺失值或 NaN非数字替换为指定值。
print(df.fillna({sex:F, positions: Developer, salary: 90000})) 15. dropna 我们甚至可以使用 dropna 方法删除数据框中缺少值或 NaN非数字的行。
print(df.dropna()) 16. 重复 duplicated 方法允许我们检查数据框中的重复值。对于重复值返回 True;否则是假的。
print(df.duplicated(subsetemp_names)) 17. drop_duplicates drop_duplicates 方法允许我们删除具有重复值的行。
print(df.drop_duplicates(subsetemp_names)) 18.plot 我们可以使用 Pandas 库和 matplotlib 库的绘图方法绘制图形。下面是绘制简单条形图的示例。
import matplotlib.pyplot as plt
g df.groupby(sex)[salary].sum()
g.plot.bar(g)
plt.show() 四、结论 上面的例子表明Pandas 命令快速而灵活允许我们分析数据、处理缺失的数据甚至帮助我们删除重复值和可视化数据。
