【Python】 字符串格式 如上所示，如果用 {} 包围索引并将其嵌入到字符串中，则该字符串将与 format 方法的参数索引一起输出。与之前一样，{0:.1f} 中的 0 指定参数的索引。对于数值，可以指定要显示的小数位数，如下所示。该表示法是通过在要定义的字符串的开头添加 f 或 F 来定义的。到目前为止，可能已经在代码中多次看到字符串连接，但再次看一下。输出字符串的场景有很多，所以来了解一下生成字符串的各种方式。如上所示，可以使用或不使用 + 运算符来连接字符串。因此，如果更改如下指定的索引，将得到相应的输出结果。
可以加速 Pandas（即使在 CPU 环境中）而无需编码...... FireDucks 根据官网介绍，并不是所有的pandas方法都更快，但是兼容的方法数量会逐渐增加（FireDucks不支持的方法会在内部转换为常规的pandas方法）。（既然被调用了，就不’这并不意味着它不能使用，它只是似乎没有加速。另一方面，对于“显式导入”，请在导入语句中显式指定fireducks。会尝试测量groupby()方法的效果，但由于数据量很小，将循环它10,000次并测量它。显然，一个库已经发布，可以在不改变现有代码的情况下加速 Pandas。如果它是免费且易于使用且无需更改代码的，我认为没有理由不使用它。
【Python】从文本中提取数字 在正整数、负整数、小数和欧洲小数这四种情况下，提取文本中包含的数字的正则表达式如是：pattern = r'[^+\-\d]*([+-]?\d+([.,]\d+)?).*'
【Pandas】 sql查询 在进行数据分析时，Pandas 是一个非常流行的 Python 数据分析库。 然而，如果习惯用 SQL 从数据库检索和操作数据，Pandas 的语法有点望而生畏。 这时 pandasql 可派上用场。 该库可直接在 Pandas DataFrame 上运行 SQL 查询。
比较 pandas 和 Polars 的处理速度和易用性 Polars在速度方面比pandas有优势，可以看作是能够解决pandas的弱点。这次，想测量一下 pandas 和 Polars 之间的处理速度，并验证哪一个更好，包括易用性。最后总结以下三点： 执行速度 library的便利 可以用polar取代pandas吗？
【Python】函数的定义和函数的处理 定义函数允许您定义一次并重复使用它，只要您想重复使用同一过程即可。Def用于定义一个函数。函数名旁边写的 (thing, basket) 是参数。至于参数，我们将在以后的文章中详细讨论，但它们将是传递给函数的变量。通过改变这个参数的值，即便使用相同的逻辑，结果也会改变。
【Python】int(a/b) 和 a//b 之间的巨大区别 从今以后，请尽可能避免 int(a/b) ，并使用 a//b 代替。这个纯粹的问题点出 int(a/b) 和 a//b 之间的区别。因为大于 53 位的数字只是近似值，所以无法产生正确的结果。因为诧异于 WA 和 AC 的变化，所以研究了其中的差异。通过“a/b 返回 float，a//b 返回 int”，事实证明，对于float来说，数字只能到第53位。使人诧异的是整数（int）的精度没有上限……int(a/b) 和 a//b 之间的区别。而事实上，这次处理的数字超过了53位。区别在于是否发生溢出。
活用异常处理（try-except） 简要介绍Python的异常处理（try-except）。 - except 异常名称：捕获特定异常 - except 异常名称作为变量名称：将异常对象存储在变量中 - except可以设置多个例外。 - 如果 except 中没有指定异常名称，则捕获所有异常。
关注
