1 2 Fork me on GitHub 6

随笔分类 -  python数据分析

摘要:衡量离散程度的指标 极差:一组数据中,最大值与最小值的差 方差:一组数据中,每一个元素与均值偏里的大小 标准差:方差的开方 阅读全文
posted @ 2021-05-26 18:10 peng_li 阅读(358) 评论(0) 推荐(0)
摘要:获取某一列中元素的个数 df_demo['userid'].value_counts() 给列名重命名 df_demo.rename(columns={"update_time_x":"update_time","department_x":"department"}, inplace=True) 阅读全文
posted @ 2020-07-14 13:24 peng_li 阅读(432) 评论(0) 推荐(0)
摘要:#显示所有列 pd.set_option('display.max_columns', None) #显示所有行 pd.set_option('display.max_rows', None) #设置value的显示长度为100,默认为50 pd.set_option('max_colwidth', 阅读全文
posted @ 2020-07-14 13:13 peng_li 阅读(601) 评论(0) 推荐(0)
摘要:pandas数据处理 1、删除重复元素 import numpy as np import pandas as pd from pandas import Series,DataFrame df = DataFrame({"color":["red","white","red","green"], 阅读全文
posted @ 2020-05-28 17:35 peng_li 阅读(401) 评论(0) 推荐(0)
摘要:pandas的拼接操作 #重点 pandas的拼接分为两种: 级联:pd.concat, pd.append 合并:pd.merge, pd.join 0. 回顾numpy的级联 import numpy as np import pandas as pd from pandas import Se 阅读全文
posted @ 2020-05-28 17:33 peng_li 阅读(477) 评论(0) 推荐(0)
摘要:pandas层次化索引 1. 创建多层行索引 1) 隐式构造 最常见的方法是给DataFrame构造函数的index参数传递两个或更多的数组 Series也可以创建多层索引 import numpy as np import pandas as pd from pandas import Serie 阅读全文
posted @ 2020-05-28 17:32 peng_li 阅读(882) 评论(0) 推荐(0)
摘要:处理丢失数据 有两种丢失数据: None np.nan(NaN) import numpy as np type(None) NoneType type(np.nan) float 1. None None是Python自带的,其类型为python object。因此,None不能参与到任何计算中。 阅读全文
posted @ 2020-05-28 17:30 peng_li 阅读(395) 评论(0) 推荐(0)
摘要:Pandas的数据结构 import pandas as pd from pandas import Series,DataFrame import numpy as np 1、Series Series是一种类似与一维数组的对象,由下面两个部分组成: values:一组数据(ndarray类型) 阅读全文
posted @ 2020-05-28 17:28 peng_li 阅读(319) 评论(0) 推荐(0)
摘要:numpy get started 导入numpy库,并查看numpy版本 import numpy as np np.__version__ '1.14.0' 一、创建ndarray 1. 使用np.array()由python list创建 参数为列表: [1, 4, 2, 5, 3] 注意: 阅读全文
posted @ 2020-05-28 17:03 peng_li 阅读(183) 评论(0) 推荐(0)
摘要:pandas 一 、series 1.1 series的创建 1.1.1 方法一 chinese 88 math 43 english 65 history 87 dtype: int64 修改索引 语文 88 数学 43 英语 65 历史 87 dtype: int64 方法二 语文 99 数学 阅读全文
posted @ 2020-04-29 11:15 peng_li 阅读(376) 评论(0) 推荐(0)

1