乌贼君不污。-CSDN博客

转载高效的5个pandas函数，你都用过吗？

之前为大家介绍过10个高效的pandas函数，颇受欢迎，里面的每一个函数都能帮我们在数据分析过程中节省时间。pandas还有很多让人舒适的用法，这次再为大家介绍5个pandas函数，作为这个系列的第二篇。1. explodeexplode用于将一行数据展开成多行。比如说dataframe中某一行其中一个元素包含多个同类型的数据，若想要展开成多行进行分析，这时候explode就派上用场，而且只需一行代码，非常节省时间。用法：DataFrame.explode(self, column: Un

2021-10-28 17:50:32 182

转载 25 个 Pandas 实用技巧，拿来即用

分享 25 个 Pandas 实用技巧。原文链接：https://nbviewer.jupyter.org/github/justmarkham/pandas-videos/blob/master/top_25_pandas_tricks.ipynb推荐阅读：怎么自学python，大概要多久？哪些 Python 库让你相见恨晚？你们都用Python实现了哪些办公自动化？自动化神器！Python 批量读取身份证信息写入 Excel 用Python实现微信自动化抢红包，再也不用担心抢不

2021-10-26 10:27:29 171

转载数据分析入门常用的 23 个牛逼 Pandas 代码，收好不谢

这儿有给数据分析师的23个Pandas代码，可以帮你更好地理解数据！Pandas想必从事数据分析的各位都懂，这是一个开源的，BSD许可的库，为Python编程语言提供高性能，易于使用的数据结构和数据分析工具。还不熟悉的新手可以复制官网链接，10分钟快速了解下：http://pandas.pydata.org/pandas-docs/stable/10min.html（1）读入 CSV 数据集pd.DataFrame.from_csv(“csv_file”)或者：pd.read_csv

2021-10-26 10:24:41 592

转载天秀！Pandas还能用来写爬虫？

谈及Pandas的read.xxx系列的函数，大家的第一反应会想到比较常用的pd.read_csv()和pd.read_excel()，大多数人估计没用过pd.read_html()这个函数。虽然它低调，但功能非常强大，用于抓取Table表格型数据时，简直是个神器。下面来详细介绍一下。大家逛网页时，经常会看到这样一些数据表格，比如：电影票房数据世界大学排行榜数据财经数据如果查看一下网页的HTML结构（Chrome浏览器F12），会发现它们有个共同的特点，不仅是表格，还是以

2021-10-26 10:22:38 132

转载提高数据的颜值！一起看看Pandas中的那些Style

Pandas的style用法在大多数教程中见的比较少，它主要是用来美化DataFrame和Series的输出，能够更加直观地显示数据结果。下面采用某商店的零售数据集，通过实际的应用场景，来介绍一下style中那些实用的方法。首先导入相应的包和数据集import pandas as pdimport numpy as npdata = data = pd.read_excel('./data/sales.xlsx')data.head()数据集中的特征有订单号、顾客姓名、商品名、

2021-10-26 10:19:23 549

转载 Pandas数据处理——盘点那些常用的函数

这篇文章为大家整理一下实际使用中比较高频的一些用法，当然还会有一篇关于时间序列处理的文章。在这里需要强调一点就是，不建议初学者上来就把Pandas中所有的方法都啃一遍，这样效率太低而且很多方法平时基本用不到，啃下来也容易忘。正确的方式是先把常用的方法先吃透，然后找个项目直接上手，遇到现有方法处理不了的再查看官方文档。通过”人工智能“的方式，我从官方文档中筛选出一些比较常用的方法，有二十多个，初学者可以先试着把这些吃透了。为了避免过多看不下去，这篇文章就先介绍10个。用于演示的数据如下：I

2021-10-26 10:16:07 759

转载提速百倍的Pandas性能优化方法，让你的Pandas飞起来！

Pandas是Python中用于数据处理与分析的屠龙刀，想必大家也都不陌生，但Pandas在使用上有一些技巧和需要注意的地方，尤其是对于较大的数据集而言，如果你没有适当地使用，那么可能会导致Pandas的运行速度非常慢。对于程序猿/媛而言，时间就是生命，这篇文章给大家总结了一些pandas常见的性能优化方法，希望能对你有所帮助！一、数据读取的优化读取数据是进行数据分析前的一个必经环节，pandas中也内置了许多数据读取的函数，最常见的就是用pd.read_csv()函数从csv文件读取数据，那不

2021-10-26 10:12:30 3349

转载 Pandas数据处理——玩转时间序列数据

进行金融数据分析或量化研究时，总避免不了时间序列数据的处理，时间序列是指在一定时间内按时间顺序测量的某个变量的取值序列。常见的时间序列数据有一天内随着时间变化的温度序列，又或者交易时间内不断波动的股票价格序列。Pandas也因其强大的时序处理能力而被广泛应用于金融数据分析，这篇文章为大家介绍一下Pandas中的时间序列处理，所使用的数据是上证指数2019年的行情数据。时间相关的数据类型Pandas时序处理中最常见的两种数据类型为datetime和timedelta。一个datetime可以如下图

2021-10-26 10:11:17 700

转载 Pandas教程 | Merge数据合并图文详解

为了方便维护，一般公司的数据在数据库内都是分表存储的，比如用一个表存储所有用户的基本信息，一个表存储用户的消费情况。所以，在日常的数据处理中，经常需要将两张表拼接起来使用，这样的操作对应到SQL中是join，在Pandas中则是用merge来实现。这篇文章就讲一下merge的主要原理。上面的引入部分说到merge是用来拼接两张表的，那么拼接时自然就需要将用户信息一一对应地进行拼接，所以进行拼接的两张表需要有一个共同的识别用户的键（key）。总结来说，整个merge的过程就是将信息一一对应匹配的过程，下面

2021-10-26 10:09:54 3344

转载 Pandas教程 | 超好用的Groupby用法详解

在日常的数据分析中，经常需要将数据根据某个（多个）字段划分为不同的群体（group）进行分析，如电商领域将全国的总销售额根据省份进行划分，分析各省销售额的变化情况，社交领域将用户根据画像（性别、年龄）进行细分，研究用户的使用情况和偏好等。在Pandas中，上述的数据处理操作主要运用groupby完成，这篇文章就介绍一下groupby的基本原理及对应的agg、transform和apply操作。为了后续图解的方便，采用模拟生成的10个样本数据，代码和数据如下：company=["A","B","C"

2021-10-26 10:04:41 3109

转载 Pandas教程 | 数据处理三板斧——map、apply、applymap详解

在日常的数据处理中，经常会对一个DataFrame进行逐行、逐列和逐元素的操作，对应这些操作，Pandas中的map、apply和applymap可以解决绝大部分这样的数据处理需求。这篇文章就以案例附带图解的方式，为大家详细介绍一下这三个方法的实现原理，相信读完本文后，不论是小白还是Pandas的进阶学习者，都会对这三个方法有更深入的理解。本文演示的数据集是模拟生成的，想练手的可以按下方的代码生成。boolean=[True,False]gender=["男","女"]color=["whit

2021-10-26 10:02:38 686 1

乌贼君的博客