先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新Python全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Python知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024c (备注Python)
正文
| 11 | df.iloc[行位置,列位置] | 通过默认生成的数字索引查询指定的数据。 |
举例:按索引提取单行的数值
df_inner.loc[3]
四、DataFrame选取和重新组合数据的方法
序号 | 方法 | 说明 |
---|---|---|
1 | df[val] | 从DataFrame选取单列或一组列;在特殊情况下比较便利:布尔型数组(过滤行)、切片(行切片)、或布尔型DataFrame(根据条件设置值) |
2 | df.loc[val] | 通过标签,选取DataFrame的单个行或一组行 |
3 | df.loc[:,val] | 通过标签,选取单列或列子集 |
4 | df.1oc[val1,val2] | 通过标签,同时选取行和列 |
5 | df.iloc[where] | 通过整数位置,从DataFrame选取单个行或行子集 |
6 | df.iloc[where_i,where_j] | 通过整数位置,同时选取行和列 |
7 | df.at[1abel_i,1abel_j] | 通过行和列标签,选取单一的标量 |
8 | df.iat[i,j] | 通过行和列的位置(整数),选取单一的标量 |
9 | reindex | 通过标签选取行或列 |
10 | get_value | 通过行和列标签选取单一值 |
11 | set_value | 通过行和列标签选取单一值 |
举例:使用iloc按位置区域提取数据
df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称,而是数据所在的位置,从0开始,前三行,前两列。
五、排序
序号 | 函数 | 说明 |
---|---|---|
1 | .sort_index(axis=0, ascending=True) | 根据指定轴索引的值进行排序 |
2 | Series.sort_values(axis=0, ascending=True) | 只能根据0轴的值排序。 |
3 | DataFrame.sort_values(by, axis=0, ascending=True) | 参数by为axis轴上的某个索引或索引列表。 |
举例:按照索引列排序
df_inner.sort_index()
六、相关分析和统计分析
序号 | 方法 | 说明 |
---|---|---|
1 | .idxmin() | 计算数据最小值所在位置的索引(自定义索引) |
2 | .idxmax() | 计算数据最大值所在位置的索引(自定义索引) |
3 | .argmin() | 计算数据最小值所在位置的索引位置(自动索引) |
4 | .argmax() | 计算数据最大值所在位置的索引位置(自动索引) |
5 | .describe() | 针对各列的多个统计汇总,用统计学指标快速描述数据的概要 |
6 | .sum() | 计算各列数据的和 |
7 | .count() | 非NaN值的数量 |
8 | .mean( ) | 计算数据的算术平均值 |
9 | .median() | 计算算术中位数 |
10 | .var() | 计算数据的方差 |
11 | .std() | 计算数据的标准差 |
12 | .corr() | 计算相关系数矩阵 |
13 | .cov() | 计算协方差矩阵 |
14 | .corrwith() | 利用DataFrame的corrwith方法,可以计算其列或行跟另一个Series或DataFrame之间的相关系数。 |
15 | .min() | 计算数据的最小值 |
16 | .max() | 计算数据的最大值 |
17 | .diff() | 计算一阶差分,对时间序列很有效 |
18 | .mode() | 计算众数,返回频数最高的那(几)个 |
19 | .mean() | 计算均值 |
20 | .quantile() | 计算分位数(0到1) |
21 | .isin() | 用于判断矢量化集合的成员资格,可用于过滤Series中或DataFrame列中数据的子集 |
22 | .unique() | 返回一个Series中的唯一值组成的数组。 |
23 | .value_counts() | 计算一个Series中各值出现的频率。 |
举例:判断city列的值是否为北京
df_inner[‘city’].isin([‘beijing’])
七、分组的方法
序号 | 方法 | 说明 |
---|---|---|
1 | DataFrame.groupby() | 分组函数 |
2 | pandas.cut() | 根据数据分析对象的特征,按照一定的数值指标,把数据分析对象划分为不同的区间部分来进行研究,以揭示其内在的联系和规律性。 |
举例:.groupby用法
group_by_name=salaries.groupby(‘name’) print(type(group_by_name))
输出结果为:
<class ‘pandas.core.groupby.DataFrameGroupBy’>
八、读写文本格式数据的方法
序号 | 方法 | 说明 |
---|---|---|
1 | read_csv | 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为逗号 |
2 | read_table | 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为制表符(t) |
3 | read_ fwf | 读取定宽列格式数据(也就是说,没有分隔符) |
4 | read_clipboard | 读取剪贴板中的数据,可以看做read_table的剪贴板版。再将网页转换为表格时很有用 |
5 | read_excel | 从ExcelXLS或XLSXfile 读取表格数据 |
6 | read_hdf | 读取pandas写的HDF5文件 |
7 | read_html | 读取HTML文档中的所有表格 |
8 | read_json | 读取JSON字符串中的数据 |
9 | read_msgpack | 二进制格式编码的pandas数据 |
10 | read_pickle | 读取Python pickle格式中存储的任意对象 |
11 | read_sas | 读取存储于SAS系统自定义存储格式的SAS数据集 |
12 | read_sql | 读取SQL 查询结果为pandas的DataFrame |
13 | read_stata | 读取Stata文件格式的数据集 |
14 | read_feather | 读取 Feather二进制文件格式 |
举例:导入CSV或者xlsx文件
df = pd.DataFrame(pd.read_csv(‘name.csv’,header=1))df = pd.DataFrame(pd.read_excel(‘name.xlsx’))
九、处理缺失数据
序号 | 方法 | 说明 |
---|---|---|
1 | .fillna(value,method,limit,inplace) | 填充缺失值 |
2 | .dropna() | 删除缺失数据 |
3 | .info() | 查看数据的信息,包括每个字段的名称、非空数量、字段的数据类型 |
4 | .isnull() | 返回一个同样长度的值为布尔型的对象(Series或DataFrame),表示哪些值是缺失的 |
举例:查看数据表基本信息(维度、列名称、数据格式等等)
df.info()
十、数据转换
序号 | 方法 | 说明 |
---|---|---|
1 | .replace(old, new) | 用新的数据替换老的数据,如果希望一次性替换多个值,old和new可以是列表。默认会返回一个新的对象,传入inplace=True可以对现有对象进行就地修改。 |
2 | .duplicated() | 判断各行是否是重复行,返回一个布尔型Series。 |
3 | .drop_duplicates() | 删除重复行,返回删除后的DataFrame对象。 |
举例:删除后出现的重复值:
df[‘city’].drop_duplicates()
结语
文章中总结的是都是一些Pandas常用的方法,至于一些基础的概念还需要你学到Pandas的时候去理解,例如Series是什么?DataFrame是什么?如果你已经清楚了Pandas的这些基础东西之后,搭配上文章中的这些方法,那你用Pandas去做数据处理和分析必然会游刃有余。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)
[外链图片转存中…(img-f6AFKfic-1713711807196)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!