- 博客(1835)
- 资源 (21)
- 收藏
- 关注
RSS订阅
原创 十载寒冰，难凉热血——2020CSDN年度博客之星Top10心路历程
十多年前，我刚开始学软件编程的时候，遇到问题就到处找答案，看别人的文章；再从文章中拷贝代码粘贴在自己的项目里看看是不是能解决问题。解决了最好，要是没有解决的话就继续再找。这种状态持续了很久：不停地四处找代码借以解决自己的项目需求和技术难点。在这个过程中自己的进步微乎其微，而且遇到以往类似的问题依然不清楚该怎么解决，于是只有再次去找代码，复制，粘贴……如此循环。在这样的循环下，开始有些麻木了，甚至心安理得地觉得：写代码原本就是这样的，大家也都是这样做的。直到有一天，我觉得这是在为自己开脱，其实是在心底隐蔽..
2021-02-04 22:49:46
18295
46
原创 Python数据分析项目实战(052)——DataFrame处理文本数据
本文介绍了DataFrame处理文本数据的常用方法，包括大小写转换、去除空格、文本替换、信息提取和关键词筛选等操作。通过str.lower()和str.upper()统一文本格式，str.strip()清除多余空格，str.replace()替换特定字符，str.extract()提取结构化信息，以及str.contains()筛选关键词。这些方法能有效解决文本数据中的格式混乱、冗余信息和结构不规范问题，为后续文本分析提供高质量的输入数据。示例代码展示了每种方法的具体应用场景和效果，帮助提升文本处理的效率和
2026-04-10 09:20:29
140
原创 Python数据分析项目实战(051)——DataFrame数据分箱
本文介绍了数据分箱的概念及其在数据分析中的重要作用，包括简化数据、增强可解释性等。重点讲解了Pandas中三种数据分箱方法：pd.cut()按数值范围等宽分箱，pd.qcut()按分位数等频分箱，以及df['列名'].between()实现自定义区间分箱。每种方法均通过示例代码展示具体应用，并输出分箱结果。最后介绍了value_counts()用于统计分箱分布情况。这些方法可帮助将连续数据转换为离散区间，适用于不同分析场景和模型需求。
2026-04-10 09:18:19
256
原创 Python数据分析项目实战(050)——DataFrame数据重塑与变形
本文介绍了Pandas中四种常用的数据重塑与变形方法：1）df.T用于行列转置；2）df.melt()将宽表转为长表；3）df.pivot()将长表转为宽表；4）str.split()拆分字符串列。通过代码示例展示了每种方法的应用场景和转换效果，帮助用户灵活调整数据结构以适应不同分析需求（如可视化、建模等）。所有示例均包含输入输出对比，直观呈现转换前后的数据形态变化。
2026-04-09 08:53:18
22
原创 Python数据分析项目实战(049)——DataFrame数据类型转换
本文介绍了Pandas中DataFrame数据类型转换的常用方法，包括：1）使用df.dtypes查看各列数据类型；2）通过astype()进行基础类型转换；3）利用pd.to_datetime()处理日期格式；4）使用category类型优化离散型数据存储；5）通过round()调整浮点数精度。这些方法能有效解决数据格式与分析需求不匹配的问题，提升数据处理效率。文中通过代码示例演示了每种方法的具体应用场景和转换效果，为数据预处理提供了实用指导。
2026-04-09 08:51:44
108
原创 Python数据分析项目实战(048)——DataFrame处理重复数据
本文介绍了Pandas中处理DataFrame重复数据的常用方法。df.duplicated()用于检测重复行，返回布尔值标记；df.drop_duplicates()默认删除重复行并保留第一次出现的记录；df.drop_duplicates(subset=['列名'])可根据指定列去重；df.drop_duplicates(keep='last')则保留最后一次出现的重复记录。这些方法能有效清除冗余数据，确保数据分析的准确性。文章通过示例代码演示了各方法的实际应用和输出结果。
2026-04-07 12:02:13
145
原创 Python数据分析项目实战(047)——DataFrame处理缺失值
本文介绍了Python数据分析中常见的缺失值表示形式（NaN、NA、None）及其差异，重点讲解了Pandas DataFrame处理缺失值的8种核心方法。通过示例代码演示了如何检测缺失值（isna/isnull）、统计缺失数量（isna().sum()）、删除缺失行/列（dropna）以及多种填充策略（固定值填充fillna(value)、前向填充ffill、后向填充bfill）。这些方法覆盖了缺失值处理的主要场景，帮助数据分析师根据数据特点选择合适的处理方式，确保数据质量和分析准确性。
2026-04-07 12:00:36
23
原创 Python数据分析项目实战(046)——数据清洗与预处理概述
本文介绍了数据清洗与预处理的关键步骤，包括缺失值处理（删除、填充、预测）、重复数据删除、数据类型转换、数据重塑（宽长表转换、合并）、文本数据处理（清洗、分词、标准化）、数据分箱（等宽/等频/自定义）以及其他常用操作（异常值处理、单位标准化、特征衍生、数据脱敏）。这些方法为后续数据分析提供了可靠的数据基础。
2026-04-02 08:51:40
379
原创 Python数据分析项目实战(045)——Pandas数据导入常用方法
本文介绍了Pandas库中常用的数据读取函数，包括：read_csv()读取CSV文件，read_excel()读取Excel文件，read_pickle()读取pickle格式文件，read_clipboard()从剪贴板获取数据，read_hdf()读取HDF5文件，read_html()解析HTML表格，read_json()读取JSON数据，read_feather()读取Feather格式文件，以及read_sql()从SQL数据库查询数据。每个函数都配有示例代码，展示了如何将不同格式的数据转换为
2026-04-02 08:49:51
155
原创 Python数据分析项目实战(044)——Pandas数据导出常用方法
本文介绍了Pandas库中DataFrame数据的多种导出方法，包括：to_csv()导出CSV文件、to_excel()导出Excel文件（需安装openpyxl/xlrd库）、to_pickle()序列化保存、to_clipboard()复制到剪贴板、to_dict()转为字典、to_hdf()导出HDF5文件（需pytables库）、to_html()转为HTML表格、to_json()导出JSON文件、to_feather()导出Feather格式（需feather-format库）以及to_sql
2026-04-01 09:14:17
38
原创 Python数据分析项目实战(043)——数据分析流程
本文系统介绍了数据分析的完整流程，包括数据收集、清洗、分析、可视化和迭代优化五个关键环节。作者强调数据分析应以业务目标为导向，从多源数据采集开始，经过严格的数据清洗和预处理，运用统计分析或机器学习方法挖掘数据价值，并通过可视化呈现分析结果。最终形成"分析-决策-验证"的业务闭环，持续优化分析模型和决策效果。文章配有流程图直观展示各环节关系，为数据分析实践提供了清晰的操作框架。
2026-04-01 09:12:05
321
原创 Python数据分析项目实战(042)——DataFrame应用入门案例3
本文通过两个案例演示了使用pandas进行数据分析的方法。案例1对商品库存数据进行处理，计算当前库存、筛选缺货商品并排序；案例2分析学生成绩变化，计算进步幅度、筛选进步学生并排序。两个案例均采用"计算新列→条件筛选→排序展示"的三步流程，展示了DataFrame的基本操作，包括列运算、布尔索引和sort_values排序。代码简洁清晰，结果直观呈现，适用于库存管理和成绩分析等实际场景。
2026-03-31 08:41:52
140
原创 Python数据分析项目实战(041)——DataFrame应用入门案例2
本文介绍了两个数据处理案例。第一个案例分析员工出勤数据，计算每位员工的出勤率，标记低出勤率（<80%）员工，并按出勤率降序排序。结果显示王五出勤率最高（96%），赵六最低（68%）。第二个案例处理电影评分数据，计算每部电影的平均评分，筛选出评分高于9.0的电影（如电影A和电影C均9.23分），并按评分降序排列。两个案例均使用pandas库实现数据计算、筛选和排序功能，展示了DataFrame的基本操作方法。
2026-03-31 08:40:08
33
原创 Python数据分析项目实战(040)——DataFrame应用入门案例1
本文介绍了两个使用Pandas进行数据分析的案例。案例1展示了学生成绩处理，包括计算总分和平均分，筛选特定条件学生，并按总分排序输出前三名。案例2演示了销售数据分析，计算产品销售额，找出最高销售额产品，并按销售额排序。两个案例都通过DataFrame操作实现数据计算、筛选和排序，体现了Pandas在数据处理中的高效性。完整代码和结果可直接运行验证，适合作为数据分析入门参考。
2026-03-30 09:31:05
35
原创 Python数据分析项目实战(039)——DataFrame常用方法
本文介绍了Pandas中12个常用的DataFrame方法，包括head()/tail()查看数据首尾、isin()筛选数据、isna()检测缺失值，以及sum()/mean()/min()/max()/var()/std()/median()/mode()等统计计算函数。这些方法能快速实现数据预览、筛选和统计分析，是数据处理的基础工具。每个方法都配有Python代码示例和运行结果，便于理解使用方式。
2026-03-30 09:29:33
251
原创 Python数据分析项目实战(038)——DataFrame常用运算
本文介绍了Pandas DataFrame的四种核心运算操作：算术运算支持与标量、Series或其他DataFrame的加减乘除；统计运算提供均值、求和等描述性分析；比较运算生成布尔值DataFrame用于数据筛选；字符串运算通过.str方法实现文本处理。每种运算都配有Python代码示例和输出结果，展示了DataFrame在不同场景下的灵活应用，包括按索引对齐计算、行列统计、条件筛选和字符串转换等常见数据处理需求。
2026-03-26 11:39:50
351
原创 Python数据分析项目实战(037)——访问DataFrame数据
本文介绍了Pandas中DataFrame的四种数据访问方法，分为基于索引和基于位置两类。基于索引访问包括loc[]（支持多行多列操作）和at[]（快速访问单个元素）；基于位置访问包括iloc[]（按位置选取数据）和iat[]（高效访问单个元素）。每种方法都通过代码示例演示了其用法，包括数据查询和修改操作，帮助用户根据需求选择合适的数据访问方式。
2026-03-26 11:37:42
152
原创 Python数据分析项目实战(036)——DataFrame常用属性
本文介绍了Pandas DataFrame的7个常用属性： index获取行索引信息 columns获取列索引信息 values以numpy数组形式返回数据 ndim返回维度数（始终为2） shape返回行列数组成的元组 size返回元素总数 dtypes返回各列数据类型 通过示例代码展示了每个属性的用法和输出结果，帮助快速掌握DataFrame的基本属性操作。
2026-03-25 09:49:20
159
原创 Python数据分析项目实战(035)——DataFrame入门
本文介绍了Pandas中的核心数据结构DataFrame，它是一种二维表格型数据结构，兼具行索引和列索引，可存储不同类型数据。文章通过图示和代码示例展示了DataFrame的组成结构（由多个Series组合而成）和主要特点（二维结构、双重索引、数据类型多样性等）。详细讲解了四种创建DataFrame的常用方法：基于列表/数组、字典、Series组合以及外部文件读取，每种方法均附有可运行的代码示例和输出结果演示，帮助读者直观理解DataFrame的构建过程。
2026-03-25 09:47:48
229
原创 Python数据分析项目实战(034)——Series应用案例3
本文通过两个案例展示了使用pandas处理Series数据的方法。案例1分析了10名学生英语成绩，计算了总分、平均分、80分以上人数，并进行了排序和中位数查找。案例2处理了7天客流量数据，计算了总量、均值、极值、日均差值及高于均值的天数占比。两个案例均演示了pandas的sum()、mean()、sort_values()、idxmax()等核心方法的应用，以及条件筛选和统计计算技巧。完整代码和结果见正文，适合作为pandas基础操作的参考案例。
2026-03-24 08:45:54
161
原创 Python数据分析项目实战(033)——Series应用案例2
本文通过两个案例演示了Pandas Series在销售数据分析中的应用。案例1分析了某产品12个月的销售数据，计算季度平均销量、最高销量月份和月环比增长率。案例2比较了两个城市一周的日销量，计算总销量、销量对比和相关性系数（0.8462）。两个案例均使用groupby、sum、corr等方法实现数据聚合和统计分析，展示了Series在销售趋势分析和城市销量对比中的实用价值。完整代码和结果见正文，由CSDN博主"谷哥的小弟"原创分享。
2026-03-24 08:44:21
34
原创 Python数据分析项目实战(032)——Series应用案例1
本文介绍了两个使用pandas Series处理数据的案例。案例1创建了10名学生数学成绩的Series，计算了平均分、最高分、最低分，并统计高于平均分的学生人数。案例2存储了哈尔滨市一周最高温度数据，统计了超过30度的天数、计算平均温度、温度排序及找出温差最大的连续两天。两个案例都展示了Series在数据统计和分析中的基础应用，包括索引设置、数值计算、排序筛选等操作。案例代码完整，结果清晰呈现，适合初学者学习pandas的基本功能。
2026-03-23 10:19:44
35
原创 Python数据分析项目实战(031)——Series常用方法
本文介绍了Pandas Series的常用方法，主要包括数据查看、数据判断和统计计算三类操作。数据查看部分包含head()、tail()和sample()方法，用于预览数据开头、末尾或随机抽样；数据判断部分包含isin()、isna()和equals()方法，用于判断元素存在性、缺失值及Series相等性；统计计算部分包含sum()、mean()、min()、max()等11种统计方法，可计算总和、均值、极值、方差等统计量。这些方法为数据分析提供了基础工具，示例代码清晰展示了各方法的使用方式和输出结果。
2026-03-23 10:16:55
137
原创 Python数据分析项目实战(030)——Series常用运算
本文介绍了Pandas Series的多种运算方法，包括算术运算（与标量或其他Series进行加减乘除）、统计运算（求和、均值、极值等）、比较运算（返回布尔型Series）、逻辑运算（组合条件筛选）以及元素级函数应用（通过apply()自定义处理）。所有运算遵循"索引对齐"原则，不匹配的索引位置会产生NaN值。通过代码示例展示了每种运算的具体用法和输出结果，帮助快速掌握Series的数据处理技巧。
2026-03-19 12:42:13
154
原创 Python数据分析项目实战(029)——访问Series数据
本文介绍了Pandas中Series数据的两种访问方式：基于索引和基于位置。基于索引访问使用loc[]（支持多元素）和at[]（高效单元素），而基于位置访问使用iloc[]（支持多元素）和iat[]（高效单元素）。通过代码示例展示了每种方法的具体用法和输出结果，帮助用户根据需求选择合适的数据访问方式。文章总结了两类方法的特点，并提供了直观的对比图示。
2026-03-19 12:40:50
34
原创 Python数据分析项目实战(028)——Series常用属性
本文介绍了Pandas中Series对象的常用属性，主要分为三类：结构特征属性（index、values、shape、ndim、size）、数据特征属性（dtype、name）和数据访问属性（loc[]、at[]、iloc[]、iat[]）。通过代码示例展示了如何使用这些属性获取索引标签、数据值、维度信息、数据类型及名称等。这些属性是Series数据操作的基础工具，适用于数据分析中的数据查看和处理场景。
2026-03-18 09:29:31
558
原创 Python数据分析项目实战(027)——Series入门
本文介绍了Pandas中的一维数据结构Series，它是一种带标签的数组，由索引(Index)和值(Values)组成。Series具有一维结构、固定顺序、支持向量化操作、缺失值处理等特点。创建Series可通过列表或字典，并支持自定义索引和名称。与Java的HashMap相比，Series强调数据的有序性和批量处理能力，适合数据分析场景，而HashMap则专注于键值对的快速查找。Series支持按标签或位置访问元素，并能直接进行统计分析等批量操作。
2026-03-18 09:28:18
183
原创 Python数据分析项目实战(026)——Pandas概述
本文介绍了Python数据分析库Pandas的核心内容。Pandas基于NumPy构建，提供Series和DataFrame两种高效数据结构，支持数据清洗、转换、聚合等操作。主要功能包括数据读取/写入、缺失值处理、灵活索引和时间序列分析等。其优势在于高效的数据处理能力、丰富的API接口以及与Python生态系统的良好兼容性。文中还提供了Pandas的安装方法和标准导入方式（import pandas as pd）。作为数据科学领域的核心工具，Pandas广泛应用于金融分析、机器学习等多个领域。
2026-03-17 10:34:57
53
原创 Python数据分析项目实战(025)——NumPy数据分析综合案例
本文基于NumPy库生成50条模拟超市销售数据，包含商品编号、类别、单价、数量和销售额5个字段。通过设置不同商品类别（食品/日用品/家电）对应的价格区间，随机生成销售数据并计算销售额。数据分析显示：数据维度为2（50行×5列），包含浮点数类型。销售记录示例显示家电类商品（如编号19）销售额显著高于食品类（如编号11）。该数据集可用于分析不同商品类别的销售特征和贡献度，为超市库存管理和销售策略提供参考。
2026-03-17 10:33:00
171
原创 Python数据分析项目实战(024)——NumPy应用案例5
本文介绍了两个NumPy数组处理案例。案例1演示如何找出数组中的唯一值并排序，同时统计各值出现次数，使用np.unique()函数实现。案例2展示处理缺失值的方法，包括计算非缺失值数量和将NaN替换为0，主要使用np.isnan()和np.nan_to_num()函数。两个案例均包含完整代码和运行结果，展示了NumPy在数组处理中的高效应用。
2026-03-16 08:29:31
35
原创 Python数据分析项目实战(023)——NumPy应用案例4
本文通过两个NumPy数组处理案例，演示了基本统计运算和数组拼接操作。案例1对6个月销售额数据（122,136,120,125,140,130万元）进行计算，得到总和773万元、均值128.83万元、方差68.14，并识别出第5个月最高、第3个月最低。案例2展示了对数组A=[1,2,3]和B=[4,5,6]的水平拼接（结果为[1,2,3,4,5,6]）和垂直拼接（形成二维数组[[1,2,3],[4,5,6]]），分别使用np.concatenate()和np.vstack()实现。
2026-03-16 08:27:22
169
原创 Python数据分析项目实战(022)——NumPy应用案例3
本文介绍了两个NumPy数组操作案例：1）将1-12的一维数组转换为3x4二维数组，计算行列统计值并展平；2）生成5x5随机数组，筛选并替换大于10的元素为0。通过代码演示了数组创建、重塑、统计计算、索引修改等常用操作，并展示了具体实现代码与运行结果。案例使用np.arange()、reshape()、sum()、mean()、flatten()、randint()等函数，适用于Python数据处理学习参考。
2026-03-12 13:45:34
45
原创 Python数据分析项目实战(021)——NumPy应用案例2
本文通过两个NumPy矩阵运算案例演示了基本操作：案例1实现了矩阵的元素级加法、乘法及点积计算；案例2生成了随机整数数组并完成列最大值、行最小值计算及奇数替换操作。代码使用np.array()、np.random.randint()等函数，展示了NumPy在矩阵运算中的高效应用，结果为每个操作提供了清晰输出。
2026-03-12 13:44:19
37
原创 Python数据分析项目实战(020)——NumPy应用案例1
本文通过两个案例演示了NumPy库在数据分析中的应用。案例1分析了天津市一周气温数据，计算了平均气温(30.29℃)、最高/最低气温(32℃/29℃)及超过30℃的天数(3天)。案例2处理了5名学生数学成绩，得出平均分86.60分、中位数88分和标准差5.40分。两个案例均展示了如何利用NumPy的mean()、max()、min()、median()和std()等函数快速完成基础统计分析，体现了NumPy在数值计算中的高效性。代码简洁清晰，结果直观准确。
2026-03-11 09:16:01
49
原创 Python数据分析项目实战(019)——NumPy其他函数
本文介绍了NumPy中五个常用数组操作函数： np.concatenate()：沿指定轴连接数组，要求非连接轴形状一致，支持一维/二维数组的行/列方向连接。 np.split()：按索引或均分方式分割数组，可处理一维/二维数据的分段切分。 np.reshape()：调整数组维度，支持-1自动计算维度，需保持元素总数不变。 np.copy()：生成数组深拷贝副本，独立于原数组。 np.isnan()：检测NaN值，返回布尔数组，区分NaN与inf。每个函数均附Python示例及运行结果说明其用法。
2026-03-11 09:14:34
35
原创 Python数据分析项目实战(018)——NumPy去重函数
本文介绍了NumPy库中两个常用函数的使用方法： np.unique(x)：返回数组x的唯一值并按升序排列，支持返回首次出现索引和出现次数等参数。示例展示了如何获取数组[3,1,2,2,3,1,4,4,5]的唯一值[1,2,3,4,5]及其附加信息。 np.in1d(a,b)：检查数组a的元素是否存在于数组b中，返回布尔数组。演示了对一维数组[1,2,3,4,5,6]和二维数组的检测结果。两个函数均支持对数组元素的高效处理。
2026-03-10 11:44:12
41
原创 Python数据分析项目实战(017)——NumPy排序函数
本文介绍了NumPy中四种数组排序方法： np.sort(x)：返回排序后的新数组，原数组不变，支持多维数组按轴排序。 x.sort()：原地排序直接修改原数组，节省内存。 np.argsort(x)：返回排序索引，可通过索引重构排序数组。 np.lexsort(keys)：多键字典序排序（优先级从右到左），返回索引数组。 每种方法均附有代码示例及运行结果，适用于不同排序场景。
2026-03-10 11:42:55
664
原创 Python数据分析项目实战(016)——NumPy比较函数
本文介绍了NumPy库中常用的数组比较和逻辑运算函数，包括np.greater、np.less、np.equal等比较函数，以及np.logical_and、np.logical_or、np.logical_not等逻辑运算函数。详细讲解了np.any和np.all的全量判断功能，并通过示例代码展示了np.where函数的两种用法：三参数形式实现条件替换和单参数形式获取满足条件的索引。这些函数支持标量输入和多维数组处理，能高效完成数组的条件筛选、逻辑运算和值替换操作，是NumPy数据处理的重要工具。
2026-03-09 09:02:04
43
原创 Python数据分析项目实战(015)——NumPy统计函数
本文介绍了NumPy中常用的统计函数，包括求和(np.sum)、均值(np.mean)、中位数(np.median)、标准差(np.std)、方差(np.var)、最小值(np.min)、最大值(np.max)、百分位数(np.percentile)、最大值索引(np.argmax)和最小值索引(np.argmin)。每个函数都配有示例代码和运行结果，展示了一维和二维数组在不同轴向上的计算方式。这些函数是数据分析和科学计算的基础工具，能够高效处理数组的统计运算需求。
2026-03-09 09:00:17
392
原创 Python数据分析项目实战(014)——NumPy常用函数
本文介绍了NumPy库中常用的数学函数及其应用示例。主要包括：np.sqrt(x)计算平方根、np.exp(x)计算指数函数、np.log(x)计算自然对数、np.sin(x)计算正弦值、np.abs(x)计算绝对值、np.power(a,b)计算幂次方、np.round(x,n)四舍五入、np.ceil(x)向上取整、np.floor(x)向下取整、np.rint(x)四舍五入取整、np.multiply(a,b)元素级乘法、np.divide(a,b)元素级除法以及np.isnan(x)判断NaN值。每
2026-03-06 08:48:54
444
DependencyInjection
2023-09-05
仿QQ获取设备中APK并分享
2016-04-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人