丰镇市网站,wordpress前台用户查看订单,wordpress 幻灯片手机端字体,做物流的可以在那些网站找客户端经过一段时间的整理#xff0c;本期将分享我认为比较常用的100个实用函数#xff0c;这些函数大致可以分为六类#xff0c;分别是统计汇总函数、数据清洗函数、数据筛选、绘图与元素级运算函数、时间序列函数和其他函数。
技术交流
技术要学会交流、分享#xff0c;不建议…经过一段时间的整理本期将分享我认为比较常用的100个实用函数这些函数大致可以分为六类分别是统计汇总函数、数据清洗函数、数据筛选、绘图与元素级运算函数、时间序列函数和其他函数。
技术交流
技术要学会交流、分享不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。
好的文章离不开粉丝的分享、推荐资料干货、资料分享、数据、技术交流提升均可加交流群获取群友已超过2000人添加时最好的备注方式为来源兴趣方向方便找到志同道合的朋友。 方式①、添加微信号dkl88194备注来自CSDN 数据分析 方式②、微信搜索公众号Python学习与数据挖掘后台回复数据分析 资料1 资料2
我们打造了《100个超强算法模型》特点从0到1轻松学习原理、代码、案例应有尽有所有的算法模型都是按照这样的节奏进行表述所以是一套完完整整的案例库。
很多初学者是有这么一个痛点就是案例案例的完整性直接影响同学的兴致。因此我整理了 100个最常见的算法模型在你的学习路上助推一把 一、统计汇总函数
数据分析过程中必然要做一些数据的统计汇总工作那么对于这一块的数据运算有哪些可用的函数可以帮助到我们呢具体看如下几张表。 import pandas as pd
import numpy as np
x pd.Series(np.random.normal(2,3,1000))
y 3*x 10 pd.Series(np.random.normal(1,2,1000))# 计算x与y的相关系数
print(x.corr(y))# 计算y的偏度
print(y.skew())# 计算y的统计描述值
print(x.describe())z pd.Series([A,B,C]).sample(n 1000, replace True)
# 重新修改z的行索引
z.index range(1000)
# 按照z分组统计y的组内平均值
y.groupby(by z).aggregate(np.mean)# 统计z中个元素的频次
print(z.value_counts())a pd.Series([1,5,10,15,25,30])
# 计算a中各元素的累计百分比
print(a.cumsum() / a.cumsum()[a.size - 1])二、数据清洗函数
同样数据清洗工作也是必不可少的工作在如下表格中罗列了常有的数据清洗的函数。 x pd.Series([10,13,np.nan,17,28,19,33,np.nan,27])
#检验序列中是否存在缺失值
print(x.hasnans)# 将缺失值填充为平均值
print(x.fillna(value x.mean()))# 前向填充缺失值
print(x.ffill())income pd.Series([12500元,8000元,8500元,15000元,9000元])
# 将收入转换为整型
print(income.str[:-1].astype(int))gender pd.Series([男,女,女,女,男,女])
# 性别因子化处理
print(gender.factorize())house pd.Series([大宁金茂府 | 3室2厅 | 158.32平米 | 南 | 精装,昌里花园 | 2室2厅 | 104.73平米 | 南 | 精装,纺大小区 | 3室1厅 | 68.38平米 | 南 | 简装])
# 取出二手房的面积并转换为浮点型
house.str.split(|).str[2].str.strip().str[:-2].astype(float)三、数据筛选
数据分析中如需对变量中的数值做子集筛选时可以巧妙的使用下表中的几个函数其中部分函数既可以使用在序列身上也基本可以使用在数据框对象中。 np.random.seed(1234)
x pd.Series(np.random.randint(10,20,10))# 筛选出16以上的元素
print(x.loc[x 16])print(x.compress(x 16))# 筛选出13~16之间的元素
print(x[x.between(13,16)])# 取出最大的三个元素
print(x.nlargest(3))y pd.Series([ID:1 name:张三 age:24 income:13500,ID:2 name:李四 age:27 income:25000,ID:3 name:王二 age:21 income:8000])
# 取出年龄并转换为整数
print(y.str.findall(age:(\d)).str[0].astype(int))四、绘图与元素级函数 np.random.seed(123)
import matplotlib.pyplot as plt
x pd.Series(np.random.normal(10,3,1000))
# 绘制x直方图
x.hist()
# 显示图形
plt.show()# 绘制x的箱线图
x.plot(kindbox)
plt.show()installs pd.Series([1280万,6.7亿,2488万,1892万,9877,9877万,1.2亿])
# 将安装量统一更改为“万”的单位
def transform(x):if x.find(亿) ! -1:res float(x[:-1])*10000elif x.find(万) ! -1:res float(x[:-1])else:res float(x)/10000return res
installs.apply(transform)五、时间序列函数 六、其他函数 import numpy as np
import pandas as pdnp.random.seed(112)
x pd.Series(np.random.randint(8,18,6))
print(x)
# 对x中的元素做一阶差分
print(x.diff())# 对x中的元素做降序处理
print(x.sort_values(ascending False))y pd.Series(np.random.randint(8,16,100))
# 将y中的元素做排重处理并转换为列表对象
y.unique().tolist()如果喜欢本篇文章欢迎转发、点赞。
