pythob数据分析之函数

最新推荐文章于 2024-06-03 18:19:31 发布
最新推荐文章于 2024-06-03 18:19:31 发布
阅读量1k 收藏
点赞数 1
分类专栏： 数据分析 文章标签： numpy
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/shitou987/article/details/109508167
版权

1.numpy

1.1 介绍

Numpy:Numerical python的简称。
Numpy系统是python的一种开源的数值计算框架，这种工具可用来存储和处理大型矩阵，相当于python边成一种免费的更强大的MatLab系统

1.2 安装

pip install numpy
官方文档：
https://numpy.org/doc/stable/user/quickstart.html

1.3 具体使用

import numpy as np
# 1. 基本用法
# 创建数组array
# 一维数组
data1 = [1, 2, 8, 6]
data1_arr = np.array(data1)
print(data1_arr.ndim)
print(data1_arr.itemsize)
print(data1_arr)  # [1 2 8 6]
print(type(data1_arr))  # <class 'numpy.ndarray'>
 
# 二维数组
data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]
data2_arr = np.array(data2)
print(data2_arr)
# 数组维度
print(data2_arr.ndim)
# 一个一维数组的元素个数
print(data2_arr.itemsize)
# 数组中的所有元素个数
print(data2_arr.size)
"""
[[1 2 3 4]
 [5 6 7 8]]
"""
 
# dtype数据类型
print(data2_arr.dtype)  # int32
# shape属性
print(data2_arr.shape)  # (2, 4):2行4列的数组
 
# 指定数据类型创建数组
arr3 = np.array(data2, dtype=np.int64)
print(arr3.dtype)  # int64
 
# 创建浮点类型数组
data4 = [6, 1.5, 8, 9.6]
data4_arr = np.array(data4)
print(data4_arr.dtype)  # float64
 
# 创建复数数组
c = np.array([ [1, 0 + 2j], [3, 1 + 4j] ], dtype=complex)
print(c)
# 转换数据类型
arr5 = data4_arr.astype(np.int64)
print(arr5)  # [6 1 8 9]
print(arr5.dtype)  # int64
 
# ones生成全为1的数组
arr6 = np.ones(10)
print(arr6)  # [1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
print(np.ones((4, 5)))
"""
[[1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]]
"""
# zeros生成全为0的数组
arr7 = np.zeros(10) 
print(arr7)  # [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
print(np.zeros((2, 3)))
"""
[[0. 0. 0.]
 [0. 0. 0.]]
"""
 
# 数组与标量之间的运算
# 对数组元素进行运算
# 特性：大小相等的数组之间的任何运算都会应用到元素级
# 使得我们不用编写循环即可对数组中的元素执行批量运算
 
nd = np.array([1, 2, 3, 4])
print(nd * 2)  # [2 4 6 8]
print(nd * nd)  # [ 1  4  9 16]
print(nd ** 2)  # [ 1  4  9 16]
print(nd + 1)  # [2 3 4 5]
print(nd - 1)  # [0 1 2 3]
print(nd / 2)  # [0.5 1.  1.5 2. ]
print(nd + nd)  # [2 4 6 8]
# 取倒数
print(1 / nd)  # [1.         0.5        0.33333333 0.25      ]
 
# 2. 基本的索引和切片
# arage: 相当于range函数的数组版
print(np.arange(5))  # [0 1 2 3 4]
nd1 = np.arange(1, 20, 2) 
print(nd1)  # [ 1  3  5  7  9 11 13 15 17 19]
# 通过索引获取元素
# 一维
print(nd1[1])  # 3
print(nd1[2:5])  # [5 7 9]
# 二维
nd2 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(nd2[1, 1])  # 6,第一行，第一列 （从0开始）
print(nd2[1])  # [5,6,7,8]
print(nd2[:1])  # [[1 2 3 4]]
# 通过索引赋值
# 一维
nd1[2:5] = 10
print(nd1)  # [ 1  3 10 10 10 11 13 15 17 19]
# 多维
nd2[1] = 10
print(nd2)
"""
[[ 1  2  3  4]
 [10 10 10 10]]
"""
nd2[0][1:3] = 5
print(nd2)
"""
[[ 1  5  5  4]
 [10 10 10 10]]
"""
# 3. 花式索引
# 指的是利用整数数据进行索引
# reshape
nd = np.arange(12)
print(nd)  # [ 0  1  2  3  4  5  6  7  8  9 10 11]
nd1 = np.reshape(nd, (3, 4))  # 将一维数据变为二维数组：3行4列
print(nd1)
"""
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
"""
#ravel：恢复一维数组
print(123456)
print(nd1.ravel())  #
#转置矩阵
print(nd1.T)
"""
[[ 0  4  8]
 [ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]]
"""
 
# 选取特定的行子集    #花式索引，传入一个数组进行索引
print(nd1[[0, 2]])  # 得到第一行和第三行
"""
[[ 0  1  2  3]
 [ 8  9 10 11]]
"""
print(nd1[[0, 2][1]])  # [ 8  9 10 11]
 
# 选取多行，多列交叉处元素(类比坐标)
print(nd1[[0, 2, 1], [1, 1, 2]])  # [1 9 6]
"""
(0,1)---1
(2,1)---9
(1,2)---6
"""
# 选取矩形区域的两种方法
"""
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
"""
# 1.
print(nd1[[0, 1]][:, [1, 2]])
"""
[[1 2]
 [5 6]]
"""
# 2. np.ix_
print(nd1[np.ix_([0, 1], [1, 2])])
"""
[[1 2]
 [5 6]]
"""
 
# 4.通用函数
# nfunc(universal functions)是一种对ndarray中的数据执行元素级别运算的函数，如sqrt,exp
# sqrt开根号
nd = np.arange(9)
nd1 = nd ** 2
print(nd1)  # [ 0  1  4  9 16 25 36 49 64]
print(np.sqrt(nd1))  # [0. 1. 2. 3. 4. 5. 6. 7. 8.]

#exp:自然常数e为底的指数函数
print(np.exp(np.array([1,2])))  #[2.71828183 7.3890561 ]

# add:相加
a = np.arange(3)  # 0,1,2
b = np.array([1, -1, 2])
c = np.add(a, b)
print(c)  # [1 0 4]
 
# maximum:比较对应元素,取最大值
print(np.maximum(a, b))  # [1 1 2]


#vstack:按照垂直方向堆栈数组
a = np.array([[0,1],[2,3]])
b = np.array([[4,5],[6,7]])
print(np.vstack((a,b)))
"""
[[0 1]
 [2 3]
 [4 5]
 [6 7]]
"""
#hstack：按照水平方向堆栈数组
print(np.hstack((a,b)))
"""
[[0 1 4 5]
 [2 3 6 7]]
"""
 
# 5.常用的数学和统计方法
# 一维
# 生成随机数组
nd = np.random.randn(9)
print(nd)  # [ 0.57073301 -0.69598833 -0.20702626 -0.86582638 -0.09858326  0.08781526 0.25506694  1.58026149  0.35448699]
# max最大值
print(np.max(nd))  # 1.5802614926823562
# 最小值
print(np.min(nd))  # -1.4584447066232877
# 求均值
print(np.mean(nd))
# 求和
print(np.sum(nd))
# 排序
print(np.sort(nd))
 
# 二维
# nd = np.random.randn(5,3)
# print(nd)
arr = np.array([[1, 5, 0, 3], [5, 8, 12, 9], [0, 0, -9, 55]])
print(np.max(arr))  # 55
print(np.sort(arr))  # 每行按照升序排列
"""
[[ 0  1  3  5]
 [ 5  8  9 12]
 [-9  0  0 55]]
"""
print(np.sort(arr, axis=0))  # 按照列排序
"""
[[ 0  0 -9  3]
 [ 1  5  0  9]
 [ 5  8 12 55]]
"""
 
# linspace等分区间
arr = np.linspace(0, 10, 2)
print(arr)  # [ 0. 10.]
arr = np.linspace(0, 10, 3)
print(arr)  # [ 0.  5. 10.]
# 生成0~10之间均匀分布的11个数
arr = np.linspace(0, 10, 11)
print(arr)  # [ 0.  1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]
 
# 计算
print("***")
a = np.arange(1,25, 2).reshape(3,4)
c = np.arange(5,17).reshape(3,4)
b = a > 4
print(b)
"""
[[False False False False]
 [False  True  True  True]
 [ True  True  True  True]]
 """
#所有超过4的元素都改为0
a[b] = 0
print(a)
 
#对应元素比较
print(a>c)
"""
[[False False False False]
 [False  True  True  True]
 [ True  True  True  True]]
"""
# 线性代数
# 矩阵乘法 dot
a = np.array([[1, 2, 3], [4, 5, 6]])  # 2*3
print(a)
"""
[[1 2 3]
 [4 5 6]]
"""
b = np.array([[0, 1], [2, 3], [-1, 6]])  # 3*2
print(b)
"""
[[ 0  1]
 [ 2  3]
 [-1  6]]
"""
print(a.dot(b))
"""
[[ 1 25]
 [ 4 55]]
"""
d1 = 1 * 0 + 2 * 2 + 3 * -1
d2 = 1 * 1 + 2 * 3 + 3 * 6
d3 = 4 * 0 + 5 * 2 + 6 * -1
d4 = 4 * 1 + 5 * 3 + 6 * 6
print(d1)
print()
 
# 矩阵求逆:inv
from numpy.linalg import inv
a = np.array([[4, 2], [3, 1]])  # 2*3
print(a)
"""
[[1 2 3]
 [4 5 6]]
"""
b = inv(a)
print(b)
"""
[[-0.5  1. ]
 [ 1.5 -2. ]]
"""
 
# cumsum:累计求和
b = np.arange(12).reshape(3,4)
print(b.cumsum(1))  #各行累计合计
"""
[[ 0  1  3  6]
 [ 4  9 15 22]
 [ 8 17 27 38]]
"""
print(b.cumsum(0))  #各列求和
"""
[[ 0  1  2  3]
 [ 4  6  8 10]
 [12 15 18 21]]
 """
# 7.随机数的生成
from numpy import random
# normal
arr = random.normal(size=(4, 4))
print(arr)
"""
[[-0.6731776  -0.77674242  0.15674769  0.65875012]
 [ 0.47656572  0.7074826  -0.59584356 -0.10902432]
 [-0.18324892 -0.93819386 -0.16716246  1.84150379]
 [-1.53836002  0.95684367  1.44417437 -2.43975145]]
"""
# randint给帝国上下限范围内的随机选取整数
arr = random.randint(0, 8)
print(arr)

2. pandas

import numpy as np
import pandas as pd
from pandas import Series

#pandas数据结构
#创建Series序列
s1 = Series([4,7,-5,3])
print(s1)   #前面是索引，后面为值
"""
0    4
1    7
2   -5
3    3
dtype: int64
"""
#获取index
print(s1.index)     #RangeIndex(start=0, stop=4, step=1)

#获取values
print(s1.values)    #[ 4  7 -5  3]

#指定index
s2 = Series([4,7,-5,3], index=["3月1日","3月2日","3月3日","3月4日"])
print(s2)
"""
3月1日    4
3月2日    7
3月3日   -5
3月4日    3
dtype: int64
"""
#通过索引获取值
print(s2["3月2日"])   #7

#通过条件筛选
print(s2[s2>0])
"""
3月1日    4
3月2日    7
3月4日    3
dtype: int64
"""

#in
print("3月2日" in s2) #True

#通过字典创建Series
dict1 = {"user1":4,
         "user2":7,
         "user3":-5,
         "user4":3}
s3 = Series(dict1)
print(s3)
"""
user1    4
user2    7
user3   -5
user4    3
dtype: int64
"""

#DataFrame 数据框架
from pandas import DataFrame
#创建数据框
positions = ["产品经理","数据分析师","UI","产品经理"]
companys = ["百度","三星","腾讯","华为"]

df = DataFrame([positions,companys])
print(df)
"""
    0      1       2         3
0  产品经理      数据分析师      UI      产品经理
1    百度         三星                  腾讯                华为
"""
#转置
job_info = DataFrame([positions,companys]).T
print(job_info)
"""
    0       1
0   产品经理          百度
1  数据分析师      三星
2     UI    腾讯
3   产品经理          华 为
"""

# 设置列名
job_info.columns = ["职位","公司"]
print(job_info)

#设置序号
job_info.index = ["a","b","c","d"]
print(job_info)

#重置index
job_info.reset_index(drop=True)
print(job_info)

#展示数据条数
print(job_info.head(2))

#tail显示后面几条数据
print(job_info.tail(2))

#获取某列的值
print(job_info["职位"])
print(job_info.职位)

#获取某行的值(索引名)
print(job_info.loc["c"])
#获取某行的值(索引序号)
print(job_info.iloc[2])

#返回固定频率的日期索引
dates = pd.date_range('20201101', periods=6)
print(dates)
print(dates[0])

df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))
print(df)
"""
                   A         B         C         D
2020-11-01  0.511831  1.902508 -0.601631 -1.275379
2020-11-02  0.081817 -0.734119  1.201803  0.148207
2020-11-03 -0.746071  0.550262 -0.035730 -1.275730
2020-11-04  2.014247  0.066116  0.581703  0.361273
2020-11-05  0.131509  0.122587  1.049349 -0.761779
2020-11-06  0.395198 -0.587009  0.216365 -0.853146
"""

#常用方法
data = np.arange(16).reshape((4,4))
print(data)
df = DataFrame(data=data,index=['a','b','c','d'], columns=list('ABCD'))
print(df)
"""
    A   B   C   D
a   0   1   2   3
b   4   5   6   7
c   8   9  10  11
d  12  13  14  15
"""
#删除指定轴上的项
df1 = df.drop('b')  #删除索引是b的行
print(df1)
"""
    A   B   C   D
a   0   1   2   3
c   8   9  10  11
d  12  13  14  15
"""
df1 = df.drop('C', axis=1)  #删除索引是C的列,axis=1b=表示按列执行
print(df1)
"""
    A   B   D
a   0   1   3
b   4   5   7
c   8   9  11
d  12  13  15
"""
#查找列D，值为11的行内容
print(df[df["D"]==11])
"""
   A  B   C   D
c  8  9  10  11
"""
print(df[df>5])
"""
      A     B     C     D
a   NaN   NaN   NaN   NaN
b   NaN   NaN   6.0   7.0
c   8.0   9.0  10.0  11.0
d  12.0  13.0  14.0  15.0
"""
df['E'] = [2,5,9,45]    #新增或修改列
print(df)
"""
    A   B   C   D   E
a   0   1   2   3   2
b   4   5   6   7   5
c   8   9  10  11   9
d  12  13  14  15  45
"""
#删除没有数值的数据NaN
print("****************")
df2 = df[df>9]
"""
      A     B     C     D     E
a   NaN   NaN   NaN   NaN   NaN
b   NaN   NaN   NaN   NaN   NaN
c   NaN   NaN  10.0  11.0   NaN
d  12.0  13.0  14.0  15.0  45.0
"""
print(df2.dropna(how='any'))
"""
      A     B     C     D     E
d  12.0  13.0  14.0  15.0  45.0
"""
#填充缺失的数据
print(df2.fillna(value=13))
"""
      A     B     C     D     E
a  13.0  13.0  13.0  13.0  13.0
b  13.0  13.0  13.0  13.0  13.0
c  13.0  13.0  10.0  11.0  13.0
d  12.0  13.0  14.0  15.0  45.0
"""

#判断数值是否为NaN
print(pd.isna(df2))
"""
       A      B      C      D      E
a   True   True   True   True   True
b   True   True   True   True   True
c   True   True  False  False   True
d  False  False  False  False  False
"""
#唯一值，unique
obj = Series([1,2,2,5,6,3,5])
print(obj.unique())     #[1 2 5 6 3]

#频率统计。value_counts
print(obj.value_counts())   #按照品=频率降序排列，如果不做排序，obj.value_counts(sort=False)
"""
5    2
2    2
6    1
3    1
1    1
dtype: int64
"""

#获取指定内容
print(df["A"])
"""
a     0
b     4
c     8
d    12
Name: A, dtype: int32
"""
#根据索引序号切片获取行
print(df[0:3])
"""
   A  B   C   D
a  0  1   2   3
b  4  5   6   7
c  8  9  10  11
"""

#根据索引切片获取行
print(df["b":"c"])
"""
   A  B   C   D
b  4  5   6   7
c  8  9  10  11
"""


#常用的数学和统计函数
#describe:一些数据的统计量
print(df.describe())
"""
               A          B          C          D
count   4.000000   4.000000   4.000000   4.000000
mean    6.000000   7.000000   8.000000   9.000000
std     5.163978   5.163978   5.163978   5.163978
min     0.000000   1.000000   2.000000   3.000000
25%     3.000000   4.000000   5.000000   6.000000
50%     6.000000   7.000000   8.000000   9.000000
75%     9.000000  10.000000  11.000000  12.000000
max    12.000000  13.000000  14.000000  15.000000
"""
#求和，sum,每列求和
print(df.sum())     #添加参数axis=1，每列求和
"""
A    24
B    28
C    32
D    36
dtype: int64
"""
#均值，mean
print(df.mean())
"""
A    6.0
B    7.0
C    8.0
D    9.0
dtype: float64
"""
#累计求和, cumsum
print(df.cumsum())  #每一列累计求和
"""
    A   B   C   D
a   0   1   2   3
b   4   6   8  10
c  12  15  18  21
d  24  28  32  36
"""

#最值
print(df.max()) #每列最大值
"""
A    12
B    13
C    14
D    15
dtype: int32
"""
#非数值的信息描述
positions = ["产品经理","数据分析师","UI","产品经理"]
companys = ["百度","三星","腾讯","华为"]

df = DataFrame([positions,companys])
print(df.describe())
"""
           0      1   2     3
count      2      2   2     2
unique     2      2   2     2
top     产品经理  数据分析师  UI  产品经理
freq       1      1   1     1        #频率
"""
#to_numpy,将Dataframe转换为一个小阵列。
data = df.to_numpy()
print(data)     
"""
[['产品经理' '数据分析师' 'UI' '产品经理']
 ['百度' '三星' '腾讯' '华为']]
"""

#按照某列排序
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))
print(df)
"""                A         B         C         D
2020-11-01  0.511831  1.902508 -0.601631 -1.275379
2020-11-02  0.081817 -0.734119  1.201803  0.148207
2020-11-03 -0.746071  0.550262 -0.035730 -1.275730
2020-11-04  2.014247  0.066116  0.581703  0.361273
2020-11-05  0.131509  0.122587  1.049349 -0.761779
2020-11-06  0.395198 -0.587009  0.216365 -0.853146
"""
print(df.sort_values(by='B'))
"""
                   A         B         C         D
2020-11-02 -0.299943 -0.627584  0.417651 -0.006916
2020-11-06 -0.583363 -0.056184  1.941390  1.350911
2020-11-04 -0.486949  0.160367  1.178660 -0.572378
2020-11-03  0.449339  0.772650 -0.106306 -0.964246
2020-11-05 -1.358415  1.033476 -0.218945 -1.207231
2020-11-01  1.818069  1.197937  1.800319 -0.017046
"""
print(df.sort_index(axis=1, ascending=False))


#合并
df1 = DataFrame(np.random.randn(2, 4))
df2 = DataFrame(np.random.randn(3, 4))
print(pd.merge(df1,df2))
使用Python通过API访问美股市场数据的几种选项
weixin_41908924的博客
05-21 1683
【代码】使用Python通过API访问美股市场数据的几种选项。
有哪些美股量化接口？
qq1841085904的博客
08-23 1312
官方的美股量化接口​是有的，像是MATLAB +ib，Quantopian + IB都可以，不过有些现在好像都已经改版了，没有做了，具体还有其他的一些，也可以到富途或老虎证券上问问，应该也能找到合适的。这种代码可以帮助投资者在去股池中除价格最低的5只股票，然后选择市值最少的进行交易，每个月去调仓一次，而权重则是根据市值而定的。# universe 是一个dataframe， index 是股票池， column 是数据列。# 去除其中收盘价小于5的股票， 并取市值最小的10只股票。
tushare美股行情怎么获取？
1841085904的博客
12-05 668
接口：https://gitee.com/metatradeapi 描述：获取美股行情（未复权），包括全部股票全历史行情，以及重要的市场和估值指标 限量：单次最大6000行数据，可根据日期参数循环提取，开通正式权限后也可支持分页提取全部历史tushare美股行情怎么获取？输入参数输出参数接口示例 数据示例
沪深京A股实时行情数据API接口
2401_83242712的博客
05-15 932
沪深京A股实时行情数据API接口。指定交易所和股票代码，获取该只股票的实时行情（开、高、低、收、量）及盘口数据
Python｜一行代码获取股票数据
二哥为啥不像程序员？
06-28 7375
随着金融行业的发展，金融相关的数据变得越来越有价值。股票的历史数据就是一种非常重要的时间序列数据，本文介绍一个不需要自己动手写爬虫就能够获取各个公司的股票信息的Python库——yfinance。 yfinance的安装 yfinance作为一种数据分析中常用的数据获取库，自然需要一些前置库的安装，其前置库和本身的安装代码如下： pip install numpy pip install pandas pip install requests pip install yfinance yfinance的使
日本指数实时API接口
最新发布
2401_83241598的博客
06-03 525
日本指数实时API接口。指定指数代码，获取该指数的实时行情（开、高、低、收、量）
获取实时股票数据与股票数据接口API
10-27
获取实时股票数据与股票数据接口API,如果你要同时查询多个股票，那么在URL最后加上一个逗号，再加上股票代码就可以了；比如你要一次查询大秦铁路（601006）和大同煤业（601001）的行情，就这样使用URL： http://hq.sinajs.cn/list=sh601003,sh601001
python数据分析常用函数
09-29
转行数据分析近2个月啦，很感谢公司的领导能给像我这样转行的人一个机会，下面分享了我之前总结的数据分析流程和python相关的函数（pandas和numpy包里一些常用的操作），当做一个速查表吧，需要有需要的同学不必满...
python 数据分析与可视化
09-08
《Python数据分析与可视化》课程是针对数据处理和可视化的深入学习资源，涵盖了从Python编程基础知识到高级数据分析工具的广泛主题。课程旨在通过理论讲解、源代码实践和实验环节，帮助学员掌握利用Python进行数据...
Python数据分析实战与运用之数据分析篇
03-10
Python数据分析实战与运用之数据分析篇 Python数据分析实战与运用之数据分析篇是基于真实场景的数据Peter Li课程，课程定位三大方面：零基础学员或者有一定基础学员、大中院校学生、在职从事数据分析相关工作以及...
数据分析——python常用函数（数分入门级框架）
weixin_46452998的博客
10-31 1034
本文致力于理解【sql——>>python】思维的转化
使用python获取美股行情数据
kobebryantgc的博客
01-30 2967
使用python获取美股行情数据 工具包：pandas_datareader 环境安装 pip install pandas_datareader 使用 以获取GME（游戏驿站）为例 代码 import pandas_datareader as pdr import pandas as pd start_date = '2021-01-01'#设置查询的开始时间 end_date = '2021-01-30'#设置查询的结束时间 stock_name = 'GME'#股票名称 #从雅虎获取数据，是一个Da
python美国股票数据api_【美股量化00篇】Python获取新浪接口美股实时数据
weixin_39765280的博客
11-21 1406
1.本篇以BABA（阿里巴巴）为例，在浏览器地址栏输入以下url，即可获取个股数据：阿里巴巴(BABA)实时数据​hq.sinajs.cnimport requestsurl = 'http://hq.sinajs.cn/list=gb_baba' # 股票代码必须为小写字母res = requests.get(url).textprint(res) # 此处输出与浏览器页...
pythob mysql机器视觉_机器视觉算法与应用：2.5 三维图像采集设备
weixin_42497839的博客
02-05 212
2.5 三维图像采集设备三维重构基于两种基本原理：三角测量法和飞行时间测量法。三角测量法定理：对于一个三角形，已知两点的坐标及夹角，可计算出第三点的坐标。飞行时间测量法原理：摄像机发出辐射，测量辐射反射回传感器所经过的时间。1、进行三维重构前，必须标定摄像机以及确定摄像机之间的相对方位。2.5.1 立体视觉传感器视差：使用两台不同视角的摄像机采集同一场景时，距离摄像机某个距离的某个点会在会在两台摄...
python中字符串前面b什么意思?
12-12 3465
而字节字符串是以字节的形式表示文本数据，可以包含任意的字节值，包括ASCII字符和非ASCII字符。字节字符串是一种特殊类型的字符串，它由原始的字节序列组成，而不是Unicode字符序列。在上面的示例中，我们创建了一个字节字符串 data ，并演示了访问字节字符串的元素、将字节字符串转换为普通字符串以及将普通字符串转换为字节字符串的过程。需要注意的是，字节字符串与普通的Unicode字符串在操作和处理上有一些区别。使用字节字符串时，可以使用 b 前缀将字符串字面值标记为字节字符串。
Pandas实现股票分析
自成背后的博客
01-20 6144
需求：股票分析 使用tushare包获取某股票的历史行情数据。 输出该股票所有收盘比开盘上涨3%以上的日期。 输出该股票所有开盘比前日收盘跌幅超过2%的日期。 假如我从2015年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？ 准备工作： 先安装财经数据接口包tushare pip install tushare 我们以当下的热门个股九安医疗为例，九安医疗股票代码：002432 首先获取九安医疗股票的历史行情数据： 结果： … 这样在ju.
超实用！教你用 Python 获取并下载美股数据
cainiao_python的博客
05-24 6213
yfinance 是一个使用 Yahoo! 获取数据的 Python 第三方模块。它支持获取最细到1分钟级的历史数据及股票基本面数据，是免费获得美股分钟级及以上粒度数据的不二之选。1.准备请选择以下任一种方式输入命令安装依赖：1. Windows 环境 打开 Cmd (开始-运行-CMD)。2. MacOS 环境 打开 Terminal (command+空格输入Term...
【数据挖掘】使用移动平均预测道琼斯、纳斯达克、标准普尔指数——Python中的基本数据操作和可视化
白洞，白色的明天在等着我们
08-17 5543
本文将使用简单移动平均预测道琼斯、纳斯达克、标准普尔指数。 作为技术分析中⼀种分析时间序列的常⽤⼯具，常被应⽤于股票价格序列。移动平均可过滤⾼频噪声，反映出中⻓期低频趋势，辅助投资者做出投资判断。...............
python 数据分析常用函数
04-30
Python数据分析中常用的函数有很多，以下是一些常见的： 1. Pandas库中的函数：Pandas是Python中用于数据分析和数据处理的库，其中常用的函数有读取文件的read_csv、read_excel，数据合并的merge、concat，数据分组的groupby、agg，数据筛选的loc、iloc，数据排序的sort_values，数据统计的sum、mean、std等。 2. NumPy库中的函数：NumPy是Python中用于科学计算的库，其中常用的函数有生成数组的array、arange、linspace，数组形状变换的reshape、flatten，数组运算的add、subtract、multiply、divide，数组统计的sum、mean、std等。 3. Matplotlib库中的函数：Matplotlib是Python中用于绘图的库，其中常用的函数有绘制直线的plot、绘制散点图的scatter、绘制柱状图的bar、绘制饼图的pie等。 4. Seaborn库中的函数：Seaborn是Python中用于高级数据可视化的库，其中常用的函数有绘制散点图的scatterplot、绘制柱状图的barplot、绘制箱线图的boxplot、绘制热力图的heatmap等。 5. Scikit-learn库中的函数：Scikit-learn是Python中用于机器学习的库，其中常用的函数有数据预处理的StandardScaler、MinMaxScaler、OneHotEncoder，数据分割的train_test_split、KFold，模型训练的fit、predict等。
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
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