python pandas库统计分析基础必备知识汇总，2024年最新秋招面试问题大全及答案

最新推荐文章于 2024-06-23 22:24:17 发布
最新推荐文章于 2024-06-23 22:24:17 发布
阅读量1.1k 收藏 12
点赞数 29
分类专栏： 2024年程序员学习 文章标签： python pandas 面试
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84140776/article/details/137872697
版权

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
img
img



既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）
img

正文

print(“=======================”)

print(df[‘AAA’] > 110)

print(type(df[‘AAA’] > 110))

如图，输出了一个value为bool类型数据的Series对象。

在这里插入图片描述

可以使用该种形式的Series对DataFrame进行筛选

print(df)

print(“=======================”)

print(df.loc[df[‘AAA’] > 110])

在这里插入图片描述

也可以传入多个条件进行筛选。每个条件需要使用括号()括起来。

以获取’AAA’大于110且’CCC’大于115的为例：

print(df)

print(“=======================”)

print(df.loc[(df[‘AAA’] > 110) & (df[‘CCC’] > 115)])

在这里插入图片描述

2.4 增加数据

2.4.1 按列增加数据

2.4.1.1 直接添加

print(df)

print(“=======================”)

df[‘EEE’] = [140, 133, 145, 125, 126, 133]

print(df)

在这里插入图片描述

也可以使用loc添加

添加一整列时行索引必须是所有行，列索引是一个新的列名。添加的数据个数必须等于总行数。插入的数据在最后一列。

print(df)

print(“=======================”)

df.loc[:, ‘FFF’] = [84, 99, 76, 50, 20, 66]

print(df)

在这里插入图片描述

如果行索引是部分行，且列索引已存在于原数据中，则效果为修改局部数据。

print(df)

print(“=======================”)

df.loc[1:4, ‘CCC’] = [99, 76, 50, 20]

print(df)

在这里插入图片描述

使用insert()方法添加

在第1列后添加一个名为’SSS’的列，数据为s1中的数据。

print(df)

print(“=======================”)

s1 = [99, 89, 95, 84, 110, 104]

df.insert(1, ‘SSS’, s1)

print(df)

在这里插入图片描述

2.4.2 按行增加数据

2.4.2.1 增加一行

print(df)

print(“=======================”)

df.loc[‘100’] = [111, 132, 99, 123]

print(df)

在这里插入图片描述

2.4.2.2 增加多行数据

将新数据创建一个格式一致的、新的DataFrame，然后使用append方法追加在原数据后边。

print(df)

print(“=======================”)

df_insert = pd.DataFrame({‘AAA’: [102, 124, 133, 120, 115, 121],

‘BBB’: [110, 125, 140, 111, 117, 126],

‘CCC’: [112, 118, 122, 114, 136, 125],

‘DDD’: ‘XYZ’}

, index=[10, 20, 30, 40, 50, 60])

df1 = df.append(df_insert)

print(df)

print(“============================”)

print(df1)

在这里插入图片描述

如图，使用append方法对一个DataFrame在后边追加一个DataFrame，不会改变原DataFrame，这一点不同于列表追加元素。

2.5 修改列名&索引

2.5.1修改列名

2.5.1.1 通过DataFrame的columns属性

print(df)

print(“=======================”)

df.columns = [‘A1’, ‘B2’, ‘C3’, ‘V4’]

print(df)

在这里插入图片描述

2.5.1.2 通过DataFrame的rename()方法

print(df)

print(“=======================”)

df.rename(columns={‘AAA’: ‘A1’, ‘BBB’: ‘B2’, ‘CCC’: ‘C3’}, inplace=True)

print(df)

inplace参数表示是否修改原DataFrame，默认False不修改。

在这里插入图片描述

2.5.2 修改索引(index)

2.5.2.1 通过index属性

print(df)

print(“=======================”)

df.index = list(‘abcdef’)

print(df)

在这里插入图片描述

2.5.2.2通过rename方法

通过rename方法也可以实现对索引的修改。

参数axis默认为0，表示对index操作，（所以这里不设置axis也可）除非像上边的例子中传入有columns参数则表示对列操作。

print(df)

print(“=======================”)

df.rename({1: ‘a1’, 2: ‘b2’, 3: ‘c3’, 4: ‘d4’}, axis=0, inplace=True)

print(df)

在这里插入图片描述

2.6 修改数据

2.6.1 使用loc
修改整行数据

print(df)

print(“=======================”)

df.loc[3] = [111, 115, 109, 120]

print(df)

print(“============================”)

df.loc[3] = df.loc[3]+10

print(df)

在这里插入图片描述

修改整列数据

print(df)

print(“=======================”)

df.loc[:, ‘CCC’] = [116, 104, 115, 120, 125, 124]

print(df)

在这里插入图片描述

修改指定某一数据

print(df)

print(“=======================”)

df.loc[3, ‘BBB’] = 150

print(df)

在这里插入图片描述

2.6.2 使用iloc
修改整行数据

print(df)

print(“=======================”)

df.iloc[0, :] = [112, 120, 119, 126]

print(df)

在这里插入图片描述

修改整列数据

print(df)

print(“=======================”)

df.iloc[:, 0] = [111, 118, 114, 102, 125, 130]

print(df)

在这里插入图片描述

修改指定某一数据

print(df)

print(“=======================”)

df.iloc[0, 0] = 150

print(df)

在这里插入图片描述

2.7 删除数据

2.7.1 删除某列

print(df)

print(“=======================”)

df.drop([‘AAA’], axis=1, inplace=True)

print(df)

在这里插入图片描述

print(df)

print(“=======================”)

df.drop(columns=‘AAA’, inplace=True)

print(df)

在这里插入图片描述

删除标签为’BBB’的，axis=1表示对列操作

print(df)

print(“=======================”)

df.drop(labels=‘BBB’, axis=1, inplace=True)

print(df)

在这里插入图片描述

2.7.2 删除某行

删除标签为2,4的行，axis默认为0，默认对行操作。

print(df)

print(“=======================”)

df.drop([2, 4], inplace=True)

print(df)

在这里插入图片描述

print(df)

print(“=======================”)

df.drop(index=3, inplace=True)

print(df)

在这里插入图片描述

删除标签为4的，axis=0表示对行操作。

print(df)

print(“=======================”)

df.drop(labels=4, axis=0, inplace=True)

print(df)

在这里插入图片描述

2.7.3删除特定条件的行

删除字段’AAA’为120，101或114的行。

print(df)

print(“=======================”)

df.drop(index=df[df[‘AAA’].isin([120, 101, 114])].index, inplace=True)

print(df)

在这里插入图片描述

删除"BBB"字段小于120的行

print(df)

print(“=======================”)

df.drop(index=df[df[‘BBB’] < 120].index, inplace=True)

print(df)

在这里插入图片描述

2.8 打印DataFrame的简短摘要

print(df)

print(“=======================”)

print(df.info())

在这里插入图片描述

2.9 处理缺失值与重复值

2.9.1处理缺失值

2.9.1.1 准备缺失值

准备两个缺失值

import numpy as np

df.iloc[0, 0] = np.NaN

df.iloc[2, 2] = np.NaN

print(df)

在这里插入图片描述

2.9.1.2 删除该缺失值所在行

print(df)

print(“====================”)

不修改原df的写法

df1 = df.dropna()

print(df1)

修改原df的写法

df.dropna(inplace=True)

print(df)

在这里插入图片描述

2.9.1.3获取某字段没有缺失值 的行

print(df)

print(“=============================”)

df2 = df[df[‘AAA’].notnull()]

print(df2)

在这里插入图片描述

2.9.1.4 填充缺失值

以将缺失值填充为0为例

2.9.1.4.1 填充所有缺失值

print(df)

print(“=============================”)

df3 = df.fillna(0)

print(df3)

在这里插入图片描述

2.9.1.4.2 填充局部缺失值

print(df)

print(“=============================”)

df[‘AAA’] = df[‘AAA’].fillna(0)

print(df)

在这里插入图片描述

2.9.2 处理重复值

2.9.2.1准备数据

import pandas as pd

df = pd.DataFrame({

‘AAA’: [120, 101, 106, 101, 101, 122],

‘BBB’: [115, 100, 110, 100, 100, 120],

‘CCC’: [109, 112, 125, 112, 112, 115],

‘DDD’: ‘ABCDEFG’

}, index=[1, 2, 3, 4, 5, 6])

print(df)

在这里插入图片描述

2.9.2.2 判断重复值
2.9.2.2.1 判断整行数据是否重复

将一行完全相同的判断为重复值，第一次出现的行不会被判定为重复值，第二次及以上次数重复出现的才会。

print(df)

print(“=============================”)

print(df.duplicated())

在这里插入图片描述

2.9.2.2.2 判断某字段数据是否重复

以字段"AAA"为例。

print(df)

print(“=============================”)

print(df[‘AAA’].duplicated())

或者

print(df.duplicated([‘AAA’]))

print(“=============================”)

print(df.loc[df[‘AAA’].duplicated()])

在这里插入图片描述

2.9.2.3 去重
2.9.2.3.1 删除整行重复值

不更改原df

print(df)

print(“=============================”)

df1 = df.drop_duplicates()

print(df1)

在这里插入图片描述更改原df

print(df)

print(“=============================”)

df.drop_duplicates(inplace=True)

print(df)

在这里插入图片描述

2.9.2.3.2 删除某字段重复 的行

print(df)

print(“=============================”)

print(df.drop_duplicates([‘AAA’]))

在这里插入图片描述

如果要保留重复行中的最后一行（默认是第一行），须将参数keep设置为’last’：

print(df)

print(“=============================”)

print(df.drop_duplicates([‘AAA’], keep=‘last’))

在这里插入图片描述

2.10设置索引

2.10.1 reindex

缺失值以0填充

from pandas import Series

s1 = Series([88, 60, 75], index=[1, 2, 3])

print(s1)

print(“========================”)

print(s1.reindex([1, 2, 3, 4, 5]))

print(“========================”)

重新设置索引,NaN以0填充

print(s1.reindex([1, 2, 3, 4, 5],fill_value=0))

在这里插入图片描述

缺失值向前/向后填充

from pandas import Series

从pandas引入Series对象，就可以直接使用Series对象了，如Series([88,60,75],index=[1,2,3])

s1 = Series([88, 60, 75], index=[1, 2, 3])

print(s1)

print(“========================”)

print(s1.reindex([1, 2, 3, 4, 5], method=‘ffill’)) # 向前填充

print(“========================”)

print(s1.reindex([1, 2, 3, 4, 5], method=‘bfill’)) # 向后填充

在这里插入图片描述

重新设置行索引、列索引和行列索引

import pandas as pd

data = [[110, 105, 99], [105, 88, 115], [109, 120, 130]]

index = [‘001’, ‘003’, ‘005’]

columns = [‘语文’, ‘数学’, ‘英语’]

df = pd.DataFrame(data=data, index=index, columns=columns)

print(df)

print(“===============================================”)

通过reindex()方法重新设置行索引、列索引和行列索引

print(df.reindex([‘001’, ‘002’, ‘003’, ‘004’, ‘005’]))

print(“===============================================”)

print(df.reindex(columns=[‘语文’, ‘物理’, ‘数学’, ‘英语’]))

print(“===============================================”)

print(df.reindex(index=[‘001’, ‘002’, ‘003’, ‘004’, ‘005’], columns=[‘语文’, ‘物理’, ‘数学’, ‘英语’]))

在这里插入图片描述

2.10.2 set_index

2.10.2.1 设置某列为index

设置"AAA"为index

import pandas as pd

df = pd.DataFrame({

‘AAA’: [120, 101, 106, 101, 101, 120],

‘BBB’: [115, 100, 110, 100, 100, 120],

‘CCC’: [109, 112, 125, 112, 112, 115],

‘DDD’: ‘ABCDEFG’

}, index=[1, 2, 3, 4, 5, 6])

print(df)

print(“=============================”)

设置“买家会员名”为行索引

df = df.set_index([‘AAA’])

print(df)

在这里插入图片描述

2.10.2.2 设置drop=True

设置drop=True，是把原来的索引index列去掉，重置index。不设置该参数则原index会作为一列保留。

import pandas as pd

df = pd.DataFrame({

‘AAA’: [120, 101, 106, 101, 101, 120],

‘BBB’: [115, 100, 110, 100, 100, 120],

‘CCC’: [109, 112, 125, 112, 112, 115],

‘DDD’: ‘ABCDEFG’

}, index=[101, 203, 304, 409, 511, 625])

print(df)

print(“=============================”)

df1 = df.dropna().reset_index()

print(df1)

print(“=============================”)

df2 = df.reset_index(drop=True)

print(df2)

在这里插入图片描述

2.11排序

2.11.1 sort_values()单列排序

ascending默认为True，表示升序。设置为False表示降序。

sort_values()也可以通过设定inplace参数来选择是否修改原df。

import pandas as pd

df = pd.DataFrame({

‘AAA’: [120, 101, 106, 101, 101, 120],

‘BBB’: [115, 100, 110, 100, 100, 120],

‘CCC’: [109, 112, 125, 112, 112, 115],

‘DDD’: ‘ABCDEFG’

}, index=[1, 2, 3, 4, 5, 6])

print(df)

print(“=============================”)

df1 = df.sort_values(by=‘BBB’, ascending=False)

print(df1)

在这里插入图片描述

2.11.2 sort_values()多列排序

多列排序按照给定列的先后顺序进行排序。

import pandas as pd

df = pd.DataFrame({

‘AAA’: [120, 101, 106, 101, 101, 120],

‘BBB’: [115, 100, 110, 100, 100, 120],

‘CCC’: [109, 112, 125, 112, 112, 115],

‘DDD’: ‘ABCDEFG’

}, index=[1, 2, 3, 4, 5, 6])

print(df)

print(“=============================”)

df1 = df.sort_values(by=[‘AAA’, ‘BBB’])

print(df1)

如图，先升序排列"AAA"，"AAA"值相同的用"BBB"升序排列。

在这里插入图片描述

2.11.3 group_by()对统计结果排序

import pandas as pd

df = pd.DataFrame({

‘AAA’: [120, 101, 106, 101, 101, 120, 115, 112, 117, 132],

‘BBB’: [115, 100, 110, 100, 100, 120, 113, 114, 130, 111],

‘CCC’: [109, 112, 125, 112, 112, 115, 120, 122, 110, 119],

‘DDD’: [‘A’, ‘B’, ‘A’, ‘C’, ‘B’, ‘C’, ‘B’, ‘A’, ‘C’, ‘A’]

}, index=[1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

print(df)

print(“=============================”)

df1 = df.groupby([“DDD”])[“AAA”].sum().reset_index()

df2 = df1.sort_values(by=‘AAA’, ascending=False)

print(df1)

print(“=============================”)

print(df2)

在这里插入图片描述

2.11.4横向排序 axis=1

以索引的标签为1，升序，为例：

import pandas as pd

df = pd.DataFrame({

‘AAA’: [120, 101, 106, 101, 101, 120, 115, 112, 117, 132],

‘BBB’: [115, 100, 110, 100, 100, 120, 113, 114, 130, 111],

‘CCC’: [109, 112, 125, 112, 112, 115, 120, 122, 110, 119]

}, index=[1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

print(df)

print(“=============================”)

按照索引值（标签的值）为1的行，升序排序

df1 = df.sort_values(by=1, ascending=True, axis=1)

print(df1)

在这里插入图片描述

2.11.5 排名 rank()

method参数可以取的值有"average", “first”, “max”, “min”，默认为"average"。

  • average表示排名时如果出现数值相等，则取平均排名，如降序排名，如果第二三四名数值大小相等，则都标记为第(2+3+4)/3=3，即第3名。

  • first 表示排名时如果出现数值相等，则参考在原数据的顺序进行排名

  • max表示排名时如果出现数值相等，则取其最大排名，如降序排名，如果第二三四名数值大小相等，则都标记为第4名。

  • min表示排名时如果出现数值相等，则取其最小排名，如降序排名，如果第二三四名数值大小相等，则都标记为第2名。

import pandas as pd

df = pd.DataFrame({

‘AAA’: [120, 101, 106, 101, 101, 120, 115, 112, 117, 132],

‘BBB’: [115, 100, 110, 100, 100, 120, 113, 114, 130, 111],

‘CCC’: [109, 112, 125, 112, 112, 115, 120, 122, 110, 119]

}, index=[1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

print(df)

print(“=============================”)

按“销量”列降序排序

df1 = df.sort_values(by=‘AAA’, ascending=False)

顺序排名

df1[‘AAA_order’] = df1[‘AAA’].rank(method=“first”, ascending=False)

df2 = df1[[‘AAA’, ‘AAA_order’]]

print(df2)

在这里插入图片描述

3.pandas读取文件

==================================================================================

3.1read_excel()

3.1.1准备数据

import pandas as pd

id = [‘xx1’, ‘xx2’, ‘xx3’, ‘xx4’, ‘xx5’]

df = pd.DataFrame({

‘name’: [‘aaa’, ‘bbb’, ‘ccc’, ‘ddd’, ‘eee’],

‘age’: [18, 20, 21, 22, 19],

‘gender’: [‘male’, ‘female’, ‘male’, ‘female’, ‘female’],

‘class’: [‘A’, ‘B’, ‘B’, ‘A’, ‘A’]

}, index=id)

保存为excel文件

df.to_excel(‘data.xlsx’)

3.1.2默认方式读取

read_excel()读取excel文件得到的DataFrame，

  • index值默认为0,1,2,3…

  • 列名默认为excel中的第一行数据

df = pd.read_excel(‘data.xlsx’)

print(df)

在这里插入图片描述

3.1.3设置index_col参数

df1 = pd.read_excel(‘data.xlsx’, index_col=0)

print(df1)

如图，通过index_col=0，将下标为0的列作为索引进行读取。

在这里插入图片描述

3.1.4设置header参数

header可以设置列名，默认为0表示首行即列名，

  • 如图通过 header=1，将下标为1行作为了列名（第二行）

df2 = pd.read_excel(‘data.xlsx’, header=1) # 设置第1行为列索引

print(df2)

在这里插入图片描述

  • 当header参数为None时，表示列名为数字0,1,2,3…

df3 = pd.read_excel(‘data.xlsx’, header=None)

print(df3)

在这里插入图片描述

3.1.5设置usecols参数

通过usecols参数，传入列位置或标签列表，可以导出指定列

  • 传入一个位置

df1 = pd.read_excel(‘data.xlsx’, usecols=[1]) # 通过指定列索引号导入第1列

print(df1)

在这里插入图片描述

  • 传入多个位置

df2 = pd.read_excel(‘data.xlsx’, usecols=[1, 3])

print(df2)

在这里插入图片描述

  • 传入多个标签

df3 = pd.read_excel(‘data.xlsx’, usecols=[‘name’, ‘age’])

print(df3)

在这里插入图片描述

3.1.6设置sheet_name参数以指定工作簿

可以通过read_excel()的sheet_name参数传入工作簿名称。

如：

import pandas as pd

df = pd.read_excel(‘data_name.xlsx’, sheet_name=‘sheetA’)

df1 = df.head() # 输出前5条数据

3.1.7解决数据输出时列名不对齐的问题

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）
img

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
A5L6v5bCP5ZW-,size_13,color_FFFFFF,t_70,g_se,x_16)

3.1.6设置sheet_name参数以指定工作簿

可以通过read_excel()的sheet_name参数传入工作簿名称。

如：

import pandas as pd

df = pd.read_excel(‘data_name.xlsx’, sheet_name=‘sheetA’)

df1 = df.head() # 输出前5条数据

3.1.7解决数据输出时列名不对齐的问题

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）
[外链图片转存中…(img-6QMcry7c-1713335893063)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

2401_84140776
关注
  • 29
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
面试官必问的技术问题之一有哪些，Pandas库相关用法总结【万字梳理，应聘高级Python工程师历程感言
2401_83739727的博客
04-09 667
(3)将dataframe转换为dict对象dataframe转换为dict对象本质为提取其中的某一行/或一列数据，其转换过程仍然是通过先得到series对象，再转换为dict对象从dataframe提取行数据/列数据的方法和介绍详见第六节~series_obj = df1.iloc[0] # 取dataframe中的第一行数据，得到的是series，行标签为列名。
Python基础进阶知识点全汇总：入门你需要掌握哪些知识点？_python获取目标途径运用什么知识点(1)
m0_61331407的博客
04-26 859
为了帮助大家更好的学习Python，小编给大家准备了一份Python学习资料，里面的内容都是适合零基础小白的笔记和资料，不懂编程也能听懂、看懂，需要获取方式：扫描下方即可获取。CSDN大礼包：《Python零基础入门&进阶学习资源包》免费分享。
Python-pandas基础习题与答案
07-06
Python中的pandas与matplotlib,numpy等库进行数据分析的一些基础代码。
python数据分析之pandas统计分析基础
最新发布
2401_84239988的博客
06-23 771
统计分析是数据分析的重要组成部分，它几乎贯穿了整个数据分析的流程。运用统计方法，将定量问题与定性问题结合进行的研究活动叫作统计分析。统计分析除了包含单数值型特征的数据集中趋势、离散趋势和峰度与偏度等统计知识外，还包含多个特征间的比较计算等知识。以下将介绍使用pandas库进行统计分析所需要掌握的基本知识。
Pandas进阶修炼120题
SeizeeveryDay的博客
04-15 1490
作者：刘早起来源：早起python，禁止二次转载这篇文章是『Pandas进阶修炼120题』的汇总，我们对Pandas中常用的操作以习题的形式发布。从读取数据到高级操作全部包含，希望可以通...
pandas练习题
林中有神君
11-26 2901
按要求创建Dataframe df，并通过分组得到以下结果 ① 以A分组，求出C,D的分组平均值 ② 以A,B分组，求出D,E的分组求和 ③ 以A分组，得到所有分组，以字典显示 ④ 按照数值类型分组，求和 ⑤ 将C,D作为一组分出来，并计算求和 ⑥ 以B分组，求出每组的均值，求和，最大值，最小值 代码呈上： import numpy as np import pandas as pd df=pd.DataFrame({"A":['one','two','three','one','two','three'
【Python_042】Pandas数据处理
Haaaley's Notebook
03-18 241
来源 和鲸社区 和鲸训练营 第二期 第一期笔记见Pandas基础 | 实战 import pandas as pd import numpy as np # 1.读取本地EXCEL数据 df = pd.read_excel(r"E:\pandas120.xlsx") # 2.查看df数据前5行 df.head() ''' createTime education salary 0 2020-03-16 11:30:18 本科 20k-35k 1 2020-03-16 10:58:48 本科 20k-.
《Python数据分析与应用》实验二 pandas统计分析基础.pdf
10-26
"Python 数据分析与应用实验二 pandas 统计分析基础" 本实验主要介绍了使用 pandas 库进行统计分析的基础知识，涵盖了数据读取、描述性统计、数据提取、数据索引等方面的知识点。 1. 数据读取：使用 pandas 的 ...
anaconda里面的jupyter notebook运行，内容使用的是python语言编程，此处是pandas库统计分析基础
11-25
anaconda里面的jupyter notebook运行，内容使用的是python语言编程，此处是pandas库统计分析基础，对于pandas库进行分析，里面部分需要相关的excel或者csv文件，完成一些数据的简单分析，希望对于学习数据可视化的...
Python进阶-Pandas数据分析库
06-11
Pandas是python中非常常用的数据分析库，在数据分析，机器学习，深度学习等领域经常被使用。本课程会讲解到pandas中最核心的一些知识点，包括Series以及DataFrame的构建，赋值，操作，选择数据，合并等等，以及使用...
python Pandas库基础分析之时间序列的处理详解
01-20
Python中自带的处理时间的模块有datetime，NumPy库也提供了相应的方法，Pandas作为Python环境下的数据分析库，更是提供了强大的日期数据处理的功能，是处理时间序列的利器。 1、生成日期序列 主要提供pd.data_range...
4，pandas用法（多项式回归实例❌）.ipynb
07-30
4，pandas用法（多项式回归实例❌）.ipynb
Pandas——练习题二——数据集
07-25
博客中Pandas练习题数据集。user数据集与chipotle.csv数据集
详解python pandas 分组统计的方法
12-25
首先，看看本文所面向的应用场景：我们有一个数据集df，现在想统计数据中某一列每个元素的出现次数。这个在我们前面文章《如何画直方图》中已经介绍了方法，利用value_counts()就可以实现（具体回看文章） 但是，现在，我们考虑另外一个场景，我们假如要想统计其中两列元素出现次数呢？举个栗子： 在df数据集中，如果我们想统计A、B两列的元素的出现情况，也就是说，得到如下表。 从上面的最后一列可以看到，在A、B两列中，1 2 出现了2次，1 4 出现1次 ，1 6出现1次，2 3出现了2次， 2 4 出现1次， 3 1出现了1次 具体实现的代码： import pandas as pd
❤️仅剩20分钟挑战一道Pandas面试题⚠️生死竞速⚠️简直刺激⚡
热门推荐
小小明-代码实体的专栏
09-09 5万+
15分钟之内解决一道外企的Pandas面试题~
pandas 100题
qq_35911309的博客
12-01 1100
pandas100题
数据分析 | Pandas 200道练习题，每日10道题，学完必成大神（2）
小鱼干儿的博客
10-27 3954
DataFrame存储为Excel，查看数据行列数,提取popularity列中值大于3小于7的行、交换两列的位置、提取popularity列最大的行所在行、查看最后3行数据、删除最后一行数据、添加一行数据、队数据按照popularity列的值的大小进行排序、统计grammer列每个字符串的长度
pandas面试基础
bang437527264的博客
04-25 2749
阅读路线： 准备工作 生成对象 索引 选择需要的数据 运算 合并（merge） 分组（grouping） 重塑（reshaping） 数据透视表（pivot tables） pandas DataFrame里的操作 一、准备工作 import numpy as np import pandas as pd 在进行下面的题目操作时，一定要先导入上面的两个数据分析包pandas、numpy 二、...
5.03面试题总结
皮皮猪的博客
05-30 461
1.sql语句,在同一张表中筛选出重复的行 select id，count(1) from A group by id having count(1) > 1; having是一种可以和group by 联合使用的语句，可以对group by 后的数据进行条件过滤。 2.Btree与B+tree区别与时间复杂度 1、B+tree所有的data都存储在子叶节点中，而不存储在非子叶节点，Btre...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值