- 博客(13)
- 收藏
- 关注
RSS订阅原创 半小时学会用pandas解决真实世界中的数据科学任务
Github source code & data: https://github.com/KeithGalli/Pandas-Data-Science-Tasks
2021-06-01 20:55:35
225
原创 python数据分析课程笔记 | 第五章 Python统计分析（上）
目录：5.1 描述性统计分析（1）基本统计学概念（2）统计量（3）离散程度（4）点估计和区间估计5.2 假设检验（1）假设检验概念（2）假设检验基本步骤（3）显著性水平与拒绝域（4）单样本t检验（5）双样本t检验 5.1 描述性统计分析 （1）基本统计学概念 总体 样本 （2）统计量 可以在一定程度上反应总体的特征，从样本数据中计算得到，常见统计量包括： 均值 标准差 中位数 分位数 众数 （3）离散程度 统计量可以对数据有个大体的认识，仅反应了数据的某些趋势，常见的离散程度有： 极差 四分位差
2021-05-27 19:42:06
300
原创 python数据分析课程笔记 | 第四章 Matplotlib数据可视化（下）
目录：4.5 完善统计图形（1）图例和画布使用（2）图形添加内容4.6 图像样式高级操作（1）绘制双坐标轴（2）多个图形合并4.7 高级绘图（1）Seaborn基础（2）绘制常用统计图形（3）其他参数和图形4.8 精美制图（1）plotly基础（2）常见图形绘制（3）图形设置 4.5 完善统计图形 （1）图例和画布使用 图例中legend中loc中的位置和数字关系的使用： best：0 upper right：1 upper left：2 lower left：3 lower right：4 right
2021-05-25 15:59:53
485
原创 python数据分析课程笔记 | 第四章 Matplotlib数据可视化（上）
目录：4.1 matplotlib绘图基础4.2 简单图形绘制（1）饼图（2）条形图（3）直方图（4）散点图4.3 图形基本设置4.4 统计图形实战（1）柱状图（2）直方图（3）箱线图（4）散点图（5）折线图 4.1 matplotlib绘图基础 import numpy as np import matplotlib.pyplot as plt # 解决中文乱码问题 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.uni
2021-05-22 12:47:09
952
原创 python数据分析课程笔记 | 第三章 Pandas数据分析运用（下）
目录：3.3 分组聚合和透视图（1）数据排序（2）分组聚合（3）透视图和交叉表3.4 Pandas数据预处理（1）Pandas其他函数运用（2）数据清洗（3）数据离散化 3.3 分组聚合和透视图 （1）数据排序 import pandas as pd vgsales = pd.read_csv('vgsales.csv', encoding='utf-8', dtype={'Year': float}) # ascending=True按照升序排序,na_position='last'缺失值排最
2021-05-21 19:07:00
313
原创 python数据分析课程笔记 | 第三章 Pandas数据分析运用（上）
目录:3.1 pandas基础操作3.2 pandas高级操作 3.1 pandas基础操作 （1）常用数据结构 Series常用属性： values：返回Series对象所有元素 index：返回索引 dtypes：返回数据类型 shape：返回series数据形状 ndim：返回对象的维度 size：返回对象个数 DataFrame常用属性： values：返回Series对象所有元素 index：返回索引 dtypes：返回数据类型 shape：返回series数据形状 ndim：返回对象
2021-05-21 15:33:21
203
原创 python数据分析课程笔记 | 第二章 Numpy运用（下）
目录：2.3 numpy字符串操作2.4 numpy统计计算2.5 numpy线性代数 2.3 numpy字符串操作 import numpy as np str_list = ['Hello', 'World'] str_arr = np.char.upper(str_list) a = np.char.add(['中国', '国庆'], ['海军', '大阅兵']) b = np.char.multiply(['中国', '万岁'], 3) c = np.char.join([':', '-'],
2021-05-21 10:47:38
562
原创 python数据分析课程笔记 | 第二章 Numpy运用（上）
目录：2.1 numpy基本用法2.2 numpy高级用法 2.1 numpy基本用法 （1）数组创建和属性 import numpy as np # 数组创建 arr1 = np.array([-9, 7, 4, 3]) arr2 = np.array([-9, 7, 4, 3], dtype='float') arr3 = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) # 等差数列 np.arange(0, 10, 0.5) a = n
2021-05-21 10:06:43
135
原创 python数据分析课程笔记 | 第一章 Python基本运用（下）
目录：1.4 函数介绍1.5 字符串处理1.6 高级函数 1.4 函数介绍 # 常用内置函数 a = [1, 2, 3, 4, 5] element_max = max(a) element_min = min(a) element = round(4.2424451, 2) # 四舍五入 b = 'hello,world' isinstance(b, str) len(b) c = ['one', 'two', 'three'] for i, j in enumerate(c): # 枚举
2021-05-20 19:36:07
148
原创 python数据分析课程笔记 | 第一章 Python基本运用（上）
python数据分析课程笔记-第一章 python基本运用（上） 1.1 数据类型 python的数据类型有以下几种： 整数型：int，正负整数 浮点型：float，小数 复数：数据分析中很少用到 常量：不能改变值，如pi 布尔型：True或False 字符串：文本，字符串中的元素不可变 # 导入库 import numpy as np # 查看数据类型 a = 5 b = 3.4 print(type(a), type(b)) # 特殊数据 print(np.pi) print(np.e) # 数据
2021-05-20 16:14:45
212
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人