python数据计算(pandas)100题

最新推荐文章于 2023-06-09 12:32:45 发布
VIP文章 最新推荐文章于 2023-06-09 12:32:45 发布
阅读量685 收藏 2
点赞数
分类专栏： pandas 文章标签： pandas python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41166909/article/details/120661286
版权

pandas入门十大例题

训练集数据资源地址：https://download.csdn.net/download/qq_41166909/30414605

练习 1. 了解数据--某段时间内股票销售情况(stock)。 按照每题的要求，输入正确的代码并运行。

1 )- 导入正确的库——请导入Pandas。

In [12]:

import pandas as pd

2 )- 从指定地址导入数据，并存入一个名为shopper的框架中。（data.csv）

In [13]:

shopper=pd.read_csv('data/data111257/data.csv')

3 )- 查看前15行内容。

In [14]:

shopper.head(15)

Out[14]:

InvoiceNo StockCode Description Quantity InvoiceDate UnitPrice CustomerID Country
0 536365 85123A WHITE HANGING HEART T-LIGHT HOLDER 6 12/1/2010 8:26 2.55 17850.0 United Kingdom
1 536365 71053 WHITE METAL LANTERN 6 12/1/2010 8:26 3.39 17850.0 United Kingdom
2 536365 84406B CREAM CUPID HEARTS COAT HANGER 8 12/1/2010 8:26 2.75 17850.0 United Kingdom
3 536365 84029G KNITTED UNION FLAG HOT WATER BOTTLE 6 12/1/2010 8:26 3.39 17850.0 United Kingdom
4 536365 84029E RED WOOLLY HOTTIE WHITE HEART. 6 12/1/2010 8:26 3.39 17850.0 United Kingdom
5 536365 22752 SET 7 BABUSHKA NESTING BOXES 2 12/1/2010 8:26 7.65 17850.0 United Kingdom
6 536365 21730 GLASS STAR FROSTED T-LIGHT HOLDER 6 12/1/2010 8:26 4.25 17850.0 United Kingdom
7 536366 22633 HAND WARMER UNION JACK 6 12/1/2010 8:28 1.85 17850.0 United Kingdom
8 536366 22632 HAND WARMER RED POLKA DOT 6 12/1/2010 8:28 1.85 17850.0 United Kingdom
9 536367 84879 ASSORTED COLOUR BIRD ORNAMENT 32 12/1/2010 8:34 1.69 13047.0 United Kingdom
10 536367 22745 POPPY'S PLAYHOUSE BEDROOM 6 12/1/2010 8:34 2.10 13047.0 United Kingdom
11 536367 22748 POPPY'S PLAYHOUSE KITCHEN 6 12/1/2010 8:34 2.10 13047.0 United Kingdom
12 536367 22749 FELTCRAFT PRINCESS CHARLOTTE DOLL 8 12/1/2010 8:34 3.75 13047.0 United Kingdom
13 536367 22310 IVORY KNITTED MUG COSY 6 12/1/2010 8:34 1.65 13047.0 United Kingdom
14 536367 84969 BOX OF 6 ASSORTED COLOUR TEASPOONS 6 12/1/2010 8:34 4.25 13047.0 United Kingdom

4 )- 数据集中有多少列(columns)

In [15]:

number_of_rows = shopper.shape[1]
number_of_rows

Out[15]:

8

5 )- 打印全部列名称。

In [16]:

shopper.columns

Out[16]:

Index(['InvoiceNo', 'StockCode', 'Description', 'Quantity', 'InvoiceDate',
       'UnitPrice', 'CustomerID', 'Country'],
      dtype='object')

6 )- 数据集的索引是怎样的。

In [17]:

shopper.index

Out[17]:

RangeIndex(start=0, stop=36997, step=1)

7 )- 被下单最多StockCode是什么？

In [18]:

a=shopper[['StockCode','Quantity']].groupby(by='StockCode').agg('sum') #根据股票编码分组
a=a.sort_values(['Quantity'],ascending=False)
a.head(1)

Out[18]:

Quantity
StockCode
84077 4948

8 )- 在StockCode这一列中，一共有多少只股票被下单？

In [19]:

pd.unique(shopper['StockCode']).size

Out[19]:

2743

9 )- 在Description列中，下单最多的是哪种股票？

In [20]:

shopper['StockCode'].value_counts().head(1)

Out[20]:

85123A    209
Name: StockCode, dtype: int64

10 )- 一共有多少股票被下单？

In [21]:

shopper['Quantity'].sum()

Out[21]:

298210

11 )- 每一张单据(InvoiceNo)对应一笔交易，总共有多少笔交易？

In [22]:

shopper['InvoiceNo'].unique().size

Out[22]:

1771

12 ).每一笔对应的平均总价是多少？

In [23]:

#求总收入
shopper['sub_total'] = round(shopper['UnitPrice'] * shopper['Quantity'],2)
shopper['sub_total'].sum()

Out[23]:

648004.1099999999

In [24]:

#求每一笔订单的平均总价是多少
shopper[['InvoiceNo','sub_total']].groupby(by=['InvoiceNo']
).agg({'sub_total':'sum'})['sub_total'].mean()

Out[24]:

365.8972953133823

练习 2. 数据过滤与排序——NBA比赛情况统计(NBA_stats.xlsx)。按照每步的要求，输入正确的代码并运行。

1 ) - 导入必要的库

In [25]:

import pandas as pd

2 ) - 从以下地址导入数据集(NBA_stats.xlsx)

In [26]:

NBA2019=pd.read_excel('data/data111257/NBA_stats.xlsx')

3 )- 将数据集命名为NBA2019

In [27]:

NBA2019=pd.read_excel('data/data111257/NBA_stats.xlsx')
NBA2019

Out[27]:

排名 球队 投篮命中率 投篮命中 投篮出手 三分命中率 三分命中 三分出手 罚球命中率 罚球命中 罚球出手 总篮板 进攻 防守 助攻 失误 抢断 盖帽 犯规 得分
0 1 雄鹿 0.487 44.7 91.8 0.389 14.4 37.1 0.760 16.2 21.4 48.1 10.3 37.8 25.5 13.82 8.13 4.64 17.28 120.1
1 2 篮网 0.494 43.1 87.3 0.392 14.2 36.1 0.804 18.1 22.5 44.4 8.9 35.5 26.8 13.54 6.72 5.26 19.04 118.6
2 3 奇才 0.475 43.2 90.9 0.351 10.2 29.0 0.769 20.1 26.2 45.2 9.7 35.5 25.5 14.40 7.33 4.13 21.60 116.6
3 4 爵士 0.468 41.3 88.1 0.389 16.7 43.0 0.799 17.2 21.5 48.3 10.6 37.6 23.7 14.21 6.58 5.15 18.54 116.4
4 5 开拓者 0.453 41.3 91.1 0.385 15.7 40.8 0.823 17.8 21.6 44.5 10.6 33.9 21.3 11.10 6.89 5.04 18.92 116.1
5 6 太阳 0.490 43.3 88.3 0.378 13.1 34.6 0.834 15.6 18.7 42.9 8.8 34.2 26.9 12.53 7.18 4.33 19.08 115.3
6 7 步行者 0.474 43.3 91.2 0.364 12.3 34.0 0.792 16.4 20.7 42.7 9.0 33.7 27.4 13.54 8.49 6.39 20.18 115.3
7 8 掘金 0.485 43.2 89.2 0.377 12.9 34.2 0.803 15.7 19.5 44.4 10.5 33.9 26.8 13.50 8.08 4.49 19.08 115.1
8 9 鹈鹕 0.477 42.5 89.1 0.348 10.6 30.4 0.729 19.0 26.1 47.4 11.7 35.7 26.0 14.61 7.57 4.38 17.99 114.6
9 10 快船 0.482 41.8 86.7 0.411 14.3 34.7 0.839 16.2 19.3 44.2 9.4 34.7 24.4 13.19 7.07 4.10 19.21 114.0
10 11 勇士 0.468 41.3 88.2 0.376 14.6 38.7 0.785 16.6 21.1 43.0 8.0 35.1 27.7 15.00 8.15 4.75 21.19 113.7
11 12 老鹰 0.468 40.8 87.2 0.373 12.4 33.4 0.812 19.7 24.2 45.6 10.6 35.1 24.1 13.24 6.99 4.75 19.33 113.7
12 13 国王 0.481 42.6 88.6 0.364 12.1 33.3 0.745 16.4 22.0 41.4 9.4 32.0 25.5 13.38 7.54 4.97 19.44 113.7
13 14 76人 0.476 41.4 86.9 0.374 11.3 30.1 0.767 19.6 25.5 45.1 10.0 35.0 23.7 14.44 9.10 6.21 20.22 113.6
14 15 灰熊 0.467 42.8 91.8 0.356 11.2 31.4 0.771 16.4 21.3 46.5 11.2 35.3 26.9 13.29 9.10 5.06 18.74 113.3
15 16 凯尔特人 0.466 41.5 88.9 0.374 13.6 36.4 0.775 16.1 20.8 44.3 10.6 33.6 23.5 14.06 7.72 5.32 20.43 112.6
16 17 独行侠 0.470 41.1 87.3 0.362 13.8 38.1 0.778 16.5 21.2 43.3 9.1 34.2 22.9 12.07 6.25 4.32 19.39 112.4
17 18 森林狼 0.448 40.7 90.9 0.349 13.1 37.6 0.761 17.6 23.1 43.5 10.5 33.0 25.6 14.26 8.78 5.53 20.93 112.1
18 19 猛龙 0.448 39.7 88.7 0.368 14.5 39.3 0.815 17.4 21.3 41.6 9.4 32.1 24.1 13.22 8.58 5.40 21.19 111.3
19 20 马刺 0.462 41.9 90.5 0.350 9.9 28.4 0.792 17.4 22.0 43.9 9.3 34.6 24.4 11.40 7.01 5.08 17.96 111.1
20 21 公牛 0.476 42.2 88.6 0.370 12.6 34.0 0.791 13.8 17.5 45.0 9.6 35.3 26.8 15.13 6.69 4.22 18.92 110.7
21 22 湖人 0.472 40.6 86.1 0.354 11.1 31.2 0.739 17.2 23.3 44.2 9.7 34.6 24.7 15.21 7.81 5.36 19.13 109.5
22 23 黄蜂 0.455 39.9 87.8 0.369 13.7 37.0 0.761 15.9 20.9 43.8 10.6 33.2 26.8 14.85 7.85 4.78 18.03 109.5
23 24 火箭 0.444 39.2 88.5 0.339 13.8 40.6 0.740 16.5 22.3 42.6 9.3 33.3 23.6 14.72 7.58 5.01 19.54 108.8
24 25 热火 0.468 39.2 83.7 0.358 12.9 36.2 0.790 16.7 21.1 41.5 8.0 33.5 26.3 14.07 7.90 3.97 18.93 108.1
25 26 尼克斯 0.456 39.4 86.5 0.392 11.8 30.0 0.784 16.4 20.9 45.1 9.7 35.5 21.4 12.94 7.04 5.07 20.46 107.0
26 27 活塞 0.452 38.7 85.6 0.351 11.6 32.9 0.759 17.8 23.4 42.7 9.6 33.1 24.2 14.93 7.38 5.15 20.51 106.6
27 28 雷霆 0.441 38.8 88.0 0.339 11.9 35.1 0.725 15.5 21.3 45.6 9.9 35.7 22.1 16.14 7.00 4.39 18.13 105.0
28 29 魔术 0.429 38.2 89.2 0.343 10.9 31.8 0.775 16.6 21.4 45.4 10.4 35.1 21.8 12.83 6.89 4.42 17.18 104.0
29 30 骑士 0.450 38.6 85.8 0.336 10.0 29.7 0.743 16.7 22.4 42.8 10.4 32.3 23.8 15.47 7.76 4.51 18.17 103.8

4 )-只选取 “得分” 这一列

In [28]:

NBA2019['得分']

Out[28]:

0     120.1
1     118.6
2     116.6
3     116.4
4     116.1
5     115.3
6     115.3
7     115.1
8     114.6
9     114.0
10    113.7
11    113.7
12    113.7
13    113.6
14    113.3
15    112.6
16    112.4
17    112.1
18    111.3
19    111.1
20    110.7
21    109.5
22    109.5
23    108.8
24    108.1
25    107.0
26    106.6
27    105.0
28    104.0
29    103.8
Name: 得分, dtype: float64

5 )- 有多少球队参与了比赛？

In [29]:

NBA2019['球队'].nunique

Out[29]:

<bound method IndexOpsMixin.nunique of 0       雄鹿
1       篮网
2       奇才
3       爵士
4      开拓者
5       太阳
6      步行者
7       掘金
8       鹈鹕
9       快船
10      勇士
11      老鹰
12      国王
13     76人
14      灰熊
15    凯尔特人
16     独行侠
17     森林狼
18      猛龙
19      马刺
20      公牛
21      湖人
22      黄蜂
23      火箭
24      热火
25     尼克斯
26      活塞
27      雷霆
28      魔术
29      骑士
Name: 球队, dtype: object>

6 )-该数据集中一共有多少列(columns)?

In [30]:

NBA2019.shape[1]

Out[30]:

20

7 )- 将数据集中的列“投篮命中率”、“投篮命中”和“投篮出手”单独存为一个名叫“投篮”的数据框

In [31]:

shots=NBA2019[['投篮命中率','投篮命中','投篮出手']]
shots

Out[31]:

投篮命中率 投篮命中 投篮出手
0 0.487 44.7 91.8
1 0.494 43.1 87.3
2 0.475 43.2 90.9
3 0.468 41.3 88.1
4 0.453 41.3 91.1
5 0.490 43.3 88.3
6 0.474 43.3 91.2
7 0.485 43.2 89.2
8 0.477 42.5 89.1
9 0.482 41.8 86.7
10 0.468 41.3 88.2
11 0.468 40.8 87.2
12 0.481 42.6 88.6
13 0.476 41.4 86.9
14 0.467 42.8 91.8
15 0.466 41.5 88.9
16 0.470 41.1 87.3
17 0.448 40.7 90.9
18 0.448 39.7 88.7
19 0.462 41.9 90.5
20 0.476 42.2 88.6
21 0.472 40.6 86.1
22 0.455 39.9 87.8
23 0.444 39.2 88.5
24 0.468 39.2 83.7
25 0.456 39.4 86.5
26 0.452 38.7 85.6
27 0.441 38.8 88.0
28 0.429 38.2 89.2
29 0.450 38.6 85.8

In [32]:

NBA2019.columns

Out[32]:

Index(['排名', '球队', '投篮命中率', '投篮命中', '投篮出手', '三分命中率', '三分命中', '三分出手', '罚球命中率',
       '罚球命中', '罚球出手', '总篮板', '进攻', '防守', '助攻', '失误', '抢断', '盖帽', '犯规', '得分'],
      dtype='object')

8 ) - 对数据框“投篮”按照先“投篮命中率”再“投篮出手”进行排序

In [33]:

shots.sort_values(['投篮命中率','投篮出手'],ascending=[False,False])

Out[33]:

投篮命中率 投篮命中 投篮出手
1 0.494 43.1 87.3
5 0.490 43.3 88.3
0 0.487 44.7 91.8
7 0.485 43.2 89.2
9 0.482 41.8 86.7
12 0.481 42.6 88.6
8 0.477 42.5 89.1
20 0.476 42.2 88.6
13 0.476 41.4 86.9
2 0.475 43.2 90.9
6 0.474 43.3 91.2
21 0.472 40.6 86.1
16 0.470 41.1 87.3
10 0.468 41.3 88.2
3 0.468 41.3 88.1
11 0.468 40.8 87.2
24 0.468 39.2 83.7
14 0.467 42.8 91.8
15 0.466 41.5 88.9
19 0.462 41.9 90.5
25 0.456 39.4 86.5
22 0.455 39.9 87.8
4 0.453 41.3 91.1
26 0.452 38.7 85.6
29 0.450 38.6 85.8
17 0.448 40.7 90.9
18 0.448 39.7<
最低0.47元/天 解锁文章
种豆得瓜er
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Pandas 100题 -- 这十套练习，教你如何使用Pandas做数据分析
m0_52829559的博客
10-13 2933
这段时间，把网上流传的Pandas的100题做完了，总体感觉就是巩固了一些知识，也学习到了一些，难点还是理解题意吧。 题目和答案来自科赛网 https://www.heywhale.com/mw/project/59e77a636d213335f38daec2： 这十套练习，教你如何使用Pandas做数据分析 我的练习思路是这样的：将所有题目复制到jupyter中，按照题目要求写代码，写一题切换一个cell（jupyter切分一个cell的快捷键是：ctrl + shift + 减号） 下面是习题用到
pandas练习---100题-和鲸kesci版
Croyance_M的博客
10-31 9863
https://www.kesci.com/home/project/59e77a636d213335f38daec2/code 题目来源于此网站，数据可以从此网站上下载。 觉得pandas和numpy的知识点都很琐碎，所以简单看了一下，开始做题。 这题目有些和答案写的不一样，有些题目出得模棱两可，就按照自己的想法写了。 练习一：探索Chipotle快餐数据 1. 导入 Pandas ...
Python-玩转数据-Pandas练习
s_unbo的博客
02-28 2256
1、了解你的数据 模拟测试数据 导入数据处理库pandas import pandas as pd 利用pandas库读取csv文件赋值给容器chipo chipo = pd.read_csv("工作簿1.csv",encoding='gbk') 读取文件前3行数据,并打印出数据 print(chipo.head(3)) 查看数据集中有多少个列并打印 print(chipo.shape[1]) 查看数据集中有多少行并打印 print(chipo.shape[0]) x = np.array([[1
Python科学计算之Pandas
01-27
在我看来，对于Numpy以及Matplotlib，Pandas可以帮助创建一个非常牢固的用于数据挖掘与分析的基础。而Scipy（会在接下来的帖子中提及）当然是另一个主要的也十分出色的科学计算库，但是我认为前三者才是真正的Python科学计算的支柱。我们首先要导入我们的演出明星——Pandas。 这是导入Pandas的标准方式。显然，我们不希望每时每刻都在程序中写’pandas’，但是保持代码简洁、避免命名冲突还是相当重要的。因而我们折衷一下，用‘pd’代替“pandas’。如果你仔细查看其他人使用Pandas的代码，你会发现这条导入语句
100-pandas-puzzles:大熊猫的100个数据难题，范围从简短到简单到超级棘手（完成60％）
04-13
100个熊猫拼图 受到启发，这里有100个简短的谜题，用于测试您对力量的了解。 由于pandas是一个大型图书馆，具有许多不同的专家特征和功能，因此这些练习主要集中在利用核心DataFrame和Series对象来处理数据（索引，分组，聚合，清理）的基础上。 这里的许多练习很简单，因为解决方案只需要几行代码（在pandas或NumPy中-不要使用纯Python！）。 基本目标是选择正确的方法并遵循最佳实践。 练习分为几部分。 每个部分都有一个难度等级； 这些等级当然是主观的，但是应该被视为关于所需解决方案的详细程度的粗略指南。 祝您解决难题！ *拼图列表尚未完成！ 欢迎提出其他练习，更正和改进的请求或建议。 拼图概述 部门名称 描述 困难 进口大熊猫 入门并检查您的熊猫设置 简单的 DataFrame基础 在DataFrames中选择，排序，添加和聚合数据的一些基本例程 简单的 Da
B站 Python Pandas 数据分析，编程练习100例
02-25
#目前更新到视频 69 原视频链接 https://www.bilibili.com/video/BV1
pandas 100题
qq_35911309的博客
12-01 974
pandas100题
Pandas 100 题
热门推荐
AvalancheM的博客
07-30 1万+
Pandas 百题大冲关 实验介绍 Pandas 是基于 NumPy 的一种数据处理工具，该工具为了解决数据分析任务而创建。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的函数和方法。Pandas 的数据结构：Pandas 主要有 Series（一维数组），DataFrame（二维数组），Panel（三维数组），Panel4D（四维数组），PanelND（更多维数组...
90个Pandas案例
郑哥哥の博客
10-25 2881
90个Pandas案例 文章很长，高低要忍一下，如果忍不了，那就收藏吧，总会用到的 为了方便查找，先提供目录，一步定位！ 如何使用列表和字典创建 Series 使用列表创建 Series 使用 name 参数创建 Series 使用简写的列表创建 Series 使用字典创建 Series 如何使用 Numpy 函数创建 Series 如何获取 Series 的索引和值 如何在创建 Series 时指定索引 如何获取 Series 的大小和形状 如何获取 Series 开始或末
Pandas百题斩
Heitao5200的博客
03-27 1076
Pandas百题斩实验介绍知识点实验环境基础部分导入 Pandas 模块创建Series数据类型Series 基本操作Series 运算创建 DataFrame 数据类型DataFrame 基本操作字符串操作DataFrame 缺失值操作DataFrame 文件操作进阶部分时间序列索引Series 多重索引DataFrame 多重索引透视表绝对类型数据清洗数据预处理Pandas 绘图操作 实验介绍...
Python科学计算之Pandas详解
12-25
起步 Pandas最初被作为金融数据分析工具而开发出来，因此 pandas 为时间序列分析提供了很好的支持。 Pandas 的名称来自于面板数据（panel data）和python数据分析 （data analysis） 。panel data是经济学中关于多维数据集的一个术语，在Pandas中也提供了panel的数据类型。 在我看来，对于 Numpy 以及 Matplotlib ，Pandas可以帮助创建一个非常牢固的用于数据挖掘与分析的基础。而Scipy当然是另一个主要的也十分出色的科学计算库。 安装与导入 通过pip进行安装: pip install pandas 导入： im
Python-pandas基础习题与答案
07-06
Python中的pandas与matplotlib,numpy等库进行数据分析的一些基础代码。
pandas的练习数据
05-22
pandas的练习数据
Pandas——练习题二——数据集
07-25
博客中Pandas练习题数据集。user数据集与chipotle.csv数据集
Python科学计算：Pandas （一）
01-20
学习数据分析前首先了解Python的两个常用包：Numpy和Pandas。由于学习进度原因，今天先讲Pandas包，Numpy包的讲解之后补上。本模块主要目标是希望读者在碎片时间可以阅读本公众号进行学习。因此，每篇文章都尽量设置...
pandas dataframe函数_最全的pandas面试基础100题目
weixin_39682897的博客
11-21 1376
本文从读取数据到操作全部包含，你可以通过刷题的方式来完整学习pandas中数据处理的各种方法。阅读路线准备工作生成对象索引选择需要的数据运算合并(Merge)分组(Grouping)重塑(Reshaping)数据透视表(Pivot Tables)pandas DataFrame里的操作一、准备工作importnumpyasnpimportpandasaspd在进行下面的题目...
Pandas100个实用函数
qq_63202674的博客
01-23 240
比较常规的100个实用函数，这些函数大致可以分为六类，分别是统计汇总函数、数据清洗函数、数据筛选、绘图与元素级运算函数、时间序列函数和其他函数。数据分析中如需对变量中的数值做子集筛选时，可以巧妙的使用下表中的几个函数，其中部分函数既可以使用在序列身上，也基本可以使用在数据框对象中。数据分析过程中，必然要做一些数据的统计汇总工作，那么对于这一块的数据运算有哪些可用的函数可以帮助到我们呢？同样，数据清洗工作也是必不可少的工作，在如下表格中罗列了常有的数据清洗的函数。
Python数据分析练习（二）数据分析工具Pandas
weixin_61667879的博客
06-09 1995
'石家庄市','唐山市','邯郸市','秦皇岛市','郑州市','开封市','洛阳市','新乡市']])index=[['河北省','河北省','河北省','河北省', '河南省','河南省','河南省','河南省'],[7, 4, 2, 3], [3, 0, 5, 2]]) # 创建数组。col_data = np.array(['A', 'B', 'C', 'D']) # 创建数组。col_data = np.array(['A', 'B', 'C', 'D']) # 创建数组。
Pandas基础题一百道（前15）
Yangyuqing_的博客
04-01 3101
目录 1、使用List创建Series 2、使用Dict创建Series 3、将Series转换成List 4、将Series转换成DataFrame 5、借助Numpy创建Series 6、转换Series数据类型（要求转换为int） 7、给Series添加新的元素（要求添加物理与化学成绩） 8、Series转换为DataFrame（reset_index) 9、使用字典创建一个DataFrame 10、设置DataFrame索引列 11、生成一个月份的所有天（要求输出2...
python pandas 计算
最新发布
09-09
Python Pandas包在数据分析中的计算功能很强大。它提供了各种数据处理和计算的方法，可以帮助我们对数据进行规整、清洗和分析。下面是一些常用的计算功能： 1. 数据的读取和导入：Pandas可以读取各种格式的数据文件...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

种豆得瓜er

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值