Python
文章平均质量分 84
catchcatpath
这个作者很懒,什么都没留下…
展开
-
利用Python进行数据分析(2021.12.29):数据结构、函数、错误和异常、文件操作
主要内容:基础数据结构:元组、列表、字典和集合Python函数学习Python文件对象,以及如何与本地硬盘交互。一、数据结构和数列1. 元组元组是一个固定长度,不可改变的Python序列对象。创建元组最简单的形式是用逗号分隔一列值:tup=1,2,3tupOut[3]: (1, 2, 3)用tuple函数可以将任意序列或迭代器转换为元组a=tuple(range(3))aOut[5]: (0, 1, 2)可以用方括号访问元组中的元素,序列从0 开始元组中储存的对象可能是原创 2021-12-29 16:47:02 · 668 阅读 · 0 评论 -
利用python学习数据分析学习笔记(2021.12.27):简单介绍(自省、%run命令、魔术命令、matplotlib)
一、自省在变量前后使用问号?,可以显示对象的信息b = [1,2,3,4]?bType: listString form: [1, 2, 3, 4]Length: 4Docstring: Built-in mutable sequence.如果对象是一个函数或实例方法,定义过的文档字符串,也会显示出信息。使用??会显示函数的源码def addNumber(a,b): return a+b?addNumberSignature: addNumber(原创 2021-12-28 11:35:10 · 1176 阅读 · 0 评论 -
利用Python进行数据分析(五):数据清洗和准备
利用Python进行数据分析(五):数据清洗和准备一、处理缺失数据pandas对象的所有描述性统计默认都不包括缺失数据。1、检测缺失数据比如新建一个Series,用isnull函数检测是否为缺失值,对于数值数据,pandas使用浮点值NaN(Not a Number)表示缺失数据。import numpy as npimport pandas as pdstring_data = pd.Series(['aar', 'art', np.nan, 'avo'])string_data0原创 2021-11-24 15:08:51 · 470 阅读 · 0 评论 -
利用Python进行数据分析(三):pandas入门
利用Python进行数据分析(三):pandas入门pandas含有使数据清洗和分析工作变得更快更简单的数据结构和操作工具。pandas经常和其它工具一同使用,如数值计算工具NumPy和SciPy,分析库statsmodels和scikit-learn,和数据可视化库matplotlib。pandas是基于NumPy数组构建的,特别是基于数组的函数和不使用for循环的数据处理。 import pandas as pdSeries和DataFrame用的次数非常多,所以将其引入本地命名空间中会更方便。原创 2021-11-17 18:31:17 · 719 阅读 · 0 评论 -
利用Python进行数据分析(二):numpy
利用Python进行数据分析(二):numpy1、基本数组统计方法import numpy as nparr = np.random.randn(5,4)arrOut[3]: array([[ 0.42741289, -0.14289007, 0.02772825, -2.06617452], [-1.09157199, 0.51249564, 0.20785299, -0.41684576], [ 1.74779292, -1.49081423, -0原创 2021-11-17 16:36:35 · 711 阅读 · 0 评论