2023年10月23日
4.6-用户行为
摘要： In [ ]: import pandas as pd data = pd.read_csv("WA_Fn-UseC_-Telco-Customer-Churn.csv") data.columns = ['用户ID', '性别', '是否老人', '是否有伴侣', '是否有孩子', '合同期限', 阅读全文
posted @ 2023-10-23 14:51 凝视灵魂 阅读(14) 评论(0) 推荐(0)
4.5-产品维度
摘要： In [ ]: import pandas as pd data = pd.read_csv("WA_Fn-UseC_-Telco-Customer-Churn.csv") data.columns = ['用户ID', '性别', '是否老人', '是否有伴侣', '是否有孩子', '合同期限', 阅读全文
posted @ 2023-10-23 14:50 凝视灵魂 阅读(20) 评论(0) 推荐(0)
4.4-用户维度
摘要： In [ ]: import pandas as pd In [ ]: data = pd.read_csv("WA_Fn-UseC_-Telco-Customer-Churn.csv") data.columns = ['用户ID', '性别', '是否老人', '是否有伴侣', '是否有孩子', 阅读全文
posted @ 2023-10-23 14:49 凝视灵魂 阅读(38) 评论(0) 推荐(0)
4.2-数据清洗
摘要： 4.2-数据清洗 In [ ]: import pandas as pd In [ ]: # 4.2.1 数据导入、预览: read_csv、head data = pd.read_csv("WA_Fn-UseC_-Telco-Customer-Churn.csv") data Out[ ]: cu 阅读全文
posted @ 2023-10-23 14:47 凝视灵魂 阅读(51) 评论(0) 推荐(0)
2023年10月18日
3.4-plot快速可视化
摘要： 3.4-plot快速可视化 In [ ]: import pandas as pd import numpy as np In [ ]: # dataframe.plot功能 In [ ]: # 3.4.2 单样本：生成随机数时间序列 --> 可视化数据样本 --> 模拟处理、绘制 df = np. 阅读全文
posted @ 2023-10-18 15:22 凝视灵魂 阅读(36) 评论(0) 推荐(0)
3.5-io读取与存储
摘要： 3.5-io读取与存储 3.5.1 有哪些io方式¶ 数据分析阶段的重点：分析、建模 3.5.2 读取和存储csv¶ 存储、读取、索引设置 数据追加 3.5.3 读取和存储excel¶ 存储、读取、工作表设置 数据追加 In [ ]: import pandas as pd import numpy 阅读全文
posted @ 2023-10-18 15:22 凝视灵魂 阅读(17) 评论(0) 推荐(0)
3.3-时间序列和Resample函数
摘要： 3.3-时间序列和Resample函数 3.3.1 时间序列¶ index横坐标为日期数据 数据导入：pandas reader 3.3.2 Resample函数¶ 计数、均值、方差、累加、累乘 周期转换 数据验证: for循环vs内置函数 In [ ]: pip install pandas_da 阅读全文
posted @ 2023-10-18 15:21 凝视灵魂 阅读(79) 评论(0) 推荐(0)
3.2-DataFrame基本操作
摘要： 3.2-DataFrame基本操作 数据概要¶ 头部数据、尾部数据 索引、列名 查看数值 查看统计摘要 数据查询¶ 列数据 行数据 行列切片 按值筛选 按条件筛选(布尔值) 其他¶ 转置 排序 In [ ]: import pandas as pd import numpy as np In [ ] 阅读全文
posted @ 2023-10-18 15:20 凝视灵魂 阅读(33) 评论(0) 推荐(0)
3.1-Pandas数据结构
摘要： 3.1-Pandas数据结构 3.1.1 认识Pandas库¶ 基于Numpy的一种工具，为解决数据分析任务而创建的，纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具 基本上你能用Excel或者Bi工具进行的数据处理，Pandas也都能实现，而且更快 In [ ]: pip i 阅读全文
posted @ 2023-10-18 15:20 凝视灵魂 阅读(33) 评论(0) 推荐(0)
2023年10月16日
numpy矩阵运算
摘要： In [1]: import numpy as np In [2]: # 创建3个矩阵 a = np.arange(15).reshape(3,5) b = np.arange(15,30).reshape(3,5) c = np.array([9,8,7,6]) In [3]: a Out[3]: 阅读全文
posted @ 2023-10-16 17:06 凝视灵魂 阅读(20) 评论(0) 推荐(0)
下一页