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年最新大数据全套学习资料》,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。
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%以上大数据知识点,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:vip204888 (备注大数据)
正文
lxw = np.arange(16).reshape(4, 4)
print(“原数组为:\n”, lxw)
print(“转置过的数组为:\n”, lxw.T)
### matlib.empty()
>
> `matlib.empty()` 函数返回一个新的矩阵
>
>
>
import numpy.matlib
kk = np.matlib.empty((3, 3)) # 填充为随机数据
print(kk)
### numpy.matlib.zeros()
>
> `numpy.matlib.zeros()` 函数创建一个以 0 填充的矩阵
>
>
>
ll = np.matlib.zeros((3, 3))
print(ll)
### numpy.matlib.ones()
>
> `numpy.matlib.ones()`函数创建一个以 1 填充的矩阵
>
>
>
yy = np.matlib.ones((3, 3))
print(yy)
### numpy.matlib.eye()
>
> numpy.matlib.eye() 函数返回一个矩阵,对角线元素为 1,其他位置为零
>
>
>
dd = np.matlib.eye(n=3, M=4, k=0, dtype=float)
print(dd)
### numpy.matlib.rand()
>
> `numpy.matlib.rand()` 函数创建一个给定大小的矩阵,数据是随机填充的
>
>
>
sj = np.matlib.rand((3, 3))
print(sj)
### 二维矩阵
e = np.matrix(‘1, 2;3, 4’)
print(e)
### n维数组
r = np.asarray(e)
print®
#### 以上所有程序对应运行结果如下:
原数组为:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
转置过的数组为:
[[ 0 4 8 12]
[ 1 5 9 13]
[ 2 6 10 14]
[ 3 7 11 15]]
[[ nan 0.0000000e+000 1.1581509e-311]
[2.0236929e-320 0.0000000e+000 0.0000000e+000]
[0.0000000e+000 0.0000000e+000 0.0000000e+000]]
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]]
[[0.39836727 0.16983388 0.91118039]
[0.77283047 0.24608713 0.72451454]
[0.32447712 0.21523051 0.4374776 ]]
[[1 2]
[3 4]]
[[1 2]
[3 4]]
—————————————————————————————————
## pandas 每日一练:
-*- coding = utf-8 -*-
@Time : 2022/8/7 19:48
@Author : lxw_pro
@File : pandas-12 练习.py
@Software : PyCharm
import pandas as pd
import matplotlib.pyplot as plt
lxw = pd.read_excel(“site.xlsx”)
print(lxw)
#### 运行结果如下:
Unnamed: 0 Unnamed: 0.1 create_dt ... yye sku_cost_prc lrl
0 0 1 2016-11-30 … 8.8 6.77 30.00%
1 1 2 2016-11-30 … 7.5 5.77 30.00%
2 2 3 2016-11-30 … 5.0 3.85 30.00%
3 3 4 2016-11-30 … 19.6 7.54 30.00%
4 4 5 2016-12-02 … 13.5 10.38 30.00%
… … … … … … … …
751 751 752 2016-12-31 … 1.0 0.77 30.00%
752 752 753 2016-12-31 … 2.0 1.54 30.00%
753 753 754 2016-12-31 … 1.0 0.77 30.00%
754 754 755 2016-12-31 … 7.6 2.92 30.00%
755 755 756 2016-12-31 … 3.3 2.54 30.00%
[756 rows x 8 columns]
---
### 71、以5个数据作为一个数据滑动窗口,计算这五个数据总和(sku\_cost\_prc)
zh = lxw[‘sku_cost_prc’].rolling(5).sum()
print(zh)
#### 运行结果如下:
0 NaN
1 NaN
2 NaN
3 NaN
4 34.31
…
751 10.89
752 10.51
753 8.36
754 9.90
755 8.54
Name: sku_cost_prc, Length: 756, dtype: float64
---
### 72、将sku\_cost\_prc 5日均线、20日均线与原始数据绘制在同一个圈上
lxw[‘sku_cost_prc’].plot()
lxw[‘sku_cost_prc’].rolling(5).mean().plot()
lxw[‘sku_cost_prc’].rolling(20).mean().plot()
plt.show()
#### 运行效果如下:
![在这里插入图片描述](https://img-blog.csdnimg.cn/848f5889e0df41aebccfe5be790eba98.png)
---
### 73、将数据往后移动5天
wh = lxw.shift(5)
print(wh)
#### 运行结果如下:
Unnamed: 0 Unnamed: 0.1 create_dt ... yye sku_cost_prc lrl
0 NaN NaN NaN … NaN NaN NaN
1 NaN NaN NaN … NaN NaN NaN
2 NaN NaN NaN … NaN NaN NaN
3 NaN NaN NaN … NaN NaN NaN
4 NaN NaN NaN … NaN NaN NaN
… … … … … … … …
751 746.0 747.0 2016-12-31 … 20.0 2.00 40.00%
752 747.0 748.0 2016-12-31 … 5.0 1.92 30.00%
753 748.0 749.0 2016-12-31 … 3.8 2.92 30.00%
754 749.0 750.0 2016-12-31 … 1.8 1.38 30.00%
755 750.0 751.0 2016-12-31 … 3.9 3.90 2.56%
[756 rows x 8 columns]
---
### 74、将数据往前移动5天
**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:vip204888 (备注大数据)**
![img](https://img-blog.csdnimg.cn/img_convert/b6de5a536797e1b5076fb8563ea92658.png)
**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!**
2.56%
[756 rows x 8 columns]
74、将数据往前移动5天
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:vip204888 (备注大数据)
[外链图片转存中…(img-j9CNjOyZ-1713348888878)]
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!