首页 星云 工具 资源 星选 资讯 热门工具
:

PDF转图片 完全免费 小红书视频下载 无水印 抖音视频下载 无水印 数字星空

pandas121212121212122

后端 24.27KB 16 需要积分: 1
立即下载

资源介绍:

pandas121212121212122
import pandas as pd import json df = pd.read_csv('nba.csv') print(df.to_string()) #to_string() 用于返回 DataFrame 类型的数据,如果不使用该函数,则输出结果为数据的前面 5 行和末尾 5 行,中间部分以 ... 代替 df = pd.read_csv('nba.csv') print(df) # 三个字段 name, site, age nme = ["Google", "Runoob", "Taobao", "Wiki"] st = ["www.google.com", "www.runoob.com", "www.taobao.com", "www.wikipedia.org"] ag = [90, 40, 80, 98] # 字典 dict = {'name': nme, 'site': st, 'age': ag} df = pd.DataFrame(dict) # 保存 dataframe df.to_csv('site.csv') df = pd.read_csv('nba.csv') print(df.head()) # head( n ) 方法用于读取前面的 n 行,如果不填参数 n ,默认返回 5 行 df = pd.read_csv('nba.csv') print(df.head(10)) df = pd.read_csv('nba.csv') print(df.tail()) # # head( n ) 方法用于读取后面的 n 行,如果不填参数 n ,默认返回 5 行 df = pd.read_csv('nba.csv') print(df.tail(10)) df = pd.read_csv('nba.csv') print(df.info()) df = pd.read_csv('property-data.csv') print (df['NUM_BEDROOMS']) print (df['NUM_BEDROOMS'].isnull()) # 默认Pandas把 n/a;NA;NaN 当做空数据 missing_values = ["n/a", "na", "--"] df = pd.read_csv('property-data.csv', na_values = missing_values) # 将列表 missing_values 中定义的字符串("n/a", "na", "--")在读取 CSV 文件时识别为缺失值(NaN) print (df['NUM_BEDROOMS']) print (df['NUM_BEDROOMS'].isnull()) # DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False) # axis:默认为 0,表示逢空值剔除整行,如果设置参数 axis=1 表示逢空值去掉整列。 # how:默认为 'any' 如果一行(或一列)里任何一个数据有出现 NA 就去掉整行,如果设置 how='all' 一行(或列)都是 NA 才去掉这整行。 # thresh:设置需要多少非空值的数据才可以保留下来的。 # subset:设置想要检查的列。如果是多个列,可以使用列名的 list 作为参数。 # inplace:如果设置 True,将计算得到的值直接覆盖之前的值并返回 None,修改的是源数据 df = pd.read_csv('property-data.csv') new_df = df.dropna() print(new_df.to_string()) df = pd.read_csv('property-data.csv') df.dropna(inplace = True) # 修改源数据 DataFrame print(df.to_string()) df = pd.read_csv('property-data.csv') df.fillna(12345, inplace = True) # 使用 12345 替换空字段 print(df.to_string()) df = pd.read_csv('property-data.csv') df.dropna(subset=['ST_NUM'], inplace = True) print(df.to_string()) df = pd.read_csv('property-data.csv') df['PID'].fillna(12345, inplace = True) print(df.to_string()) # Pandas使用 mean()、median() 和 mode() 方法计算列的均值(所有值加起来的平均值)、中位数值(排序后排在中间的数)和众数(出现频率最高的数) df = pd.read_csv('property-data.csv') x = df["ST_NUM"].mean() df["ST_NUM"].fillna(x, inplace = True) print(df.to_string()) df = pd.read_csv('property-data.csv') x = df["ST_NUM"].median() df["ST_NUM"].fillna(x, inplace = True) print(df.to_string()) df = pd.read_csv('property-data.csv') x = df["ST_NUM"].mode() df["ST_NUM"].fillna(x, inplace = True) print(df.to_string()) # 第三个日期格式错误 data = { "Date": ['2020/12/01', '2020/12/02' , '20201226'], "duration": [50, 40, 45] } df = pd.DataFrame(data, index = ["day1", "day2", "day3"]) df['Date'] = pd.to_datetime(df['Date'], format='mixed') print(df.to_string()) person = { "name": ['Google', 'Runoob' , 'Taobao'], "age": [50, 40, 12345] # 12345 年龄数据是错误的 } df = pd.DataFrame(person) df.loc[2, 'age'] = 30 # 修改数据 print(df.to_string()) person = { "name": ['Google', 'Runoob' , 'Taobao'], "age": [50, 200, 12345] } df = pd.DataFrame(person) for x in df.index: if df.loc[x, "age"] > 120: df.loc[x, "age"] = 120 print(df.to_string()) person = { "name": ['Google', 'Runoob' , 'Taobao'], "age": [50, 40, 12345] # 12345 年龄数据是错误的 } df = pd.DataFrame(person) for x in df.index: if df.loc[x, "age"] > 120: df.drop(x, inplace = True) person = { "name": ['Google', 'Runoob', 'Runoob', 'Taobao'], "age": [50, 40, 40, 23] } df = pd.DataFrame(person) print(df.duplicated()) persons = { "name": ['Google', 'Runoob', 'Runoob', 'Taobao'], "age": [50, 40, 40, 23] } df = pd.DataFrame(persons) df.drop_duplicates(inplace = True) print(df)

资源文件列表:

pandas.zip 大约有25个文件
  1. pandas/.idea/inspectionProfiles/Project_Default.xml 274B
  2. pandas/.idea/inspectionProfiles/profiles_settings.xml 174B
  3. pandas/.idea/workspace.xml 8.21KB
  4. pandas/.idea/.gitignore 47B
  5. pandas/.idea/pandas.iml 317B
  6. pandas/.idea/modules.xml 264B
  7. pandas/.idea/misc.xml 185B
  8. pandas/function1.py 3.51KB
  9. pandas/data.json 340B
  10. pandas/corrspond.py 1.06KB
  11. pandas/property-data.csv 356B
  12. pandas/csv1.py 4.41KB
  13. pandas/nba.csv 32.05KB
  14. pandas/nested_mix.json 649B
  15. pandas/series.py 3.1KB
  16. pandas/dataframe.py 1.84KB
  17. pandas/site.csv 124B
  18. pandas/json1.py 1.47KB
  19. pandas/sites.json 329B
  20. pandas/nested_list.json 464B
  21. pandas/nested_deep.json 601B
  22. pandas/.idea/inspectionProfiles/
  23. pandas/__pycache__/
  24. pandas/.idea/
  25. pandas/
0评论
提交 加载更多评论
其他资源 股票量化回测分析.zip
在金融市场中,股票价格的波动受到多种因素的影响,为了分析和预测股票价格的走势,投资者可以借助各种技术指标和分析方法。本文旨在通过建立机器学习模型策略对股票价格进行回测的分析,以帮助投资者评估和优化投资策略,从而减少投资风险。 选取了铭普光磁(SZSE.002902)股票,采用了贝叶斯优化调整xgboost模型的超参数,得到了最优的模型参数组合:colsample_bytree:0.8308;learning_rate:0.3443;gamma:0.2381;max_depth:4.0。最后测试集得到的精确度:0.53,效果相对一般,但也不错。 根据对测试集的预测结果进行策略买卖回测,增加了买卖交易的手续费---万一免五。一共进行了63次的买入和卖出,最后由初始资金100000元赚取到为179519.77元,共赚取了79519.77元。为了更好评估该模型回测的效果,计出夏普比率为15.6349,最大回撤为30.24% 这一研究对于股票策略的优化和改进具有一定的参考价值。回测结果仅仅是对过去一段时间的模拟,不能保证未来的表现。因此,在实际应用中,需要谨慎对待回测结果,并不断优化和调整策略。
11111111txt合成数据集
11111111txt合成数据集
1111111111111真实数据集
1111111111111真实数据集
SQLite ODBC 驱动,包含32位和64位
SQLite ODBC 驱动,包含32位和64位
Python基础.zip
压缩包里含有丰富的Python基础的资源和代码,思维导图全程是手打上去,本人非计算机专业,自学数据分析,目前工作岗位是大数据分析;这些基础的内容分享给大家,我明白自学数据分析的不易,内涵许多自己在学习过程的注释,后期我会在自己的博客文章里慢慢的发表内容,对于心急学习的伙伴们就可以下载提取学习,希望可以给各位带来帮助! 文章里包涵了:print函数,转义符,保留字,变量三部分,整数类型int( ),浮点类型float( ),布尔类型bool( ),字符串类型str( ),类型转换,算术运算符,赋值运算符,比较运算符,布尔运算符,运算符优先级,选择结构,循环语句,字典,元组,集合,列表,字符串,函数创建,函数返回值,参数总结,变量的作用域,Bug,常见的异常类型,try...except...else...finally结构,面向对象,类的组成,对象实例化,动态绑定,三大特征,模块和包,文件处理,with语句,os模块,os.path模块
Python基础.zip
数据分析项目-医药电商销售分析.zip
本文题目来源于2022年数据分析大赛的A题,该文章是本人自己创作而成,从医药电商的店铺、药品和品牌分别进行分析预处理和可视化,最后建立起了时间序列模型进行预测。内容详情可以去本人博客去阅读浏览(免费的哦~)!本压缩包内含比赛题目、比赛数据以及自己创写的代码! 详情内容: 1.进行了数据预处理,包括清洗、整理和转换等步骤,以确保数据的质量和准确性; 2.运用可视化工具将数据呈现出来,以便更好地理解数据之间的关系和趋势; 3.分析店铺、药品和品牌销售各不同的原因分析以及情况,探讨了品牌选择对店铺业绩的影响; 4.利用历史数据对未来的销售情况进行预测。这个模型可以帮助商家做出更准确的决策,提高销售业绩; 5.最后通过对医药电商店铺、药品和品牌的综合分析,我为商家提供了有价值的洞察和建议,帮助他们优化运营策略,提升竞争力。
数据分析项目-医药电商销售分析.zip
数据分析项目-房屋价格预测.zip
内含自写的源代码,下载的参考文献,完整论文和处理前后的数据: 1.源代码:提供完整的数据分析流程代码,便于复现分析结果 2.参考文献:列出了所有参考的文献资料,方便深入了解相关理论和背景 3.完整论文:提供了上万字的详细论文,深入探讨了数据分析的各个方面 4.处理前后的数据:分享了原始数据及经过处理后的数据,供进行对比和进一步分析。
数据分析项目-房屋价格预测.zip 数据分析项目-房屋价格预测.zip 数据分析项目-房屋价格预测.zip
Python获取图片ARGB值并生成代码
实际代码文件和shell文件