Pandas学习——综合练习

最新推荐文章于 2024-01-12 22:10:24 发布
最新推荐文章于 2024-01-12 22:10:24 发布
阅读量2.3k 收藏 2
点赞数
分类专栏： 数据分析与挖掘
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/sosososoon/article/details/112078112
版权

任务一：企业收入的多样性

一个企业的产业收入多样性可以仿照信息熵的概念来定义收入熵指标：
I = − ∑ i p ( x i ) log ⁡ ( p ( x i ) ) \rm I=-\sum_{i}p(x_i)\log(p(x_i)) I=−i∑​p(xi​)log(p(xi​))
其中 p ( x i ) \rm p(x_i) p(xi​)是企业该年某产业收入额占该年所有产业总收入的比重。在 company.csv 中存有需要计算的企业和年份，在 company_data.csv 中存有企业、各类收入额和收入年份的信息。现请利用后一张表中的数据，在前一张表中增加一列表示该公司该年份的收入熵指标。

df1 = pd.read_csv('G:/代码/joyful-pandas-master/lx/company.csv')
df1.head()
证券代码日期
0#0000072014
1#0004032015
2#0004082016
3#0004082017
4#0004262015
df2 = pd.read_csv('G:/代码/joyful-pandas-master/lx/company_data.csv')
df2.head()
证券代码日期收入类型收入额
012008/12/3111.084218e+10
112008/12/3121.259789e+10
212008/12/3131.451312e+10
312008/12/3141.063843e+09
412008/12/3158.513880e+08
# 把df1和df2的格式统一，方便后面做连接
# 把df1的'证券代码'转成和df2一样的格式
df1['证券代码'] = df1['证券代码'].str[1:].astype('int')
# 提取df2的日期里的年份
df2['日期'] = df2['日期'].str[:4].astype('int')  

# 按照日期和证券代码分组，求出每年中每个证券的总收入额
tep1 = df2.groupby(['证券代码','日期']).sum()
tep1 = tep1.reset_index(['证券代码']) 
tep1.head()
证券代码收入类型收入额
日期
200811057.284498e+10
20091364.771900e+10
20101789.940944e+10
201117412.762728e+11
201213512.775925e+11
# 按照日期分组，求出每年所有证券的总收入额
tep2 = df2[['日期','收入额']].groupby(['日期']).sum()
tep2.head()
收入额
日期
20088.254845e+13
20091.423517e+14
20101.893949e+14
20112.857002e+14
20123.888834e+14
# 通过以日期为主键的连接，将每年总收入额加到tep1
tep = tep1.merge(tep2,on=['日期'],how='left',suffixes=['','_总'])  
# 计算P(x_i)
tep['P'] = tep['收入额']/tep['收入额_总']
tep.head()
证券代码收入类型收入额收入额_总P
日期
200811057.284498e+108.254845e+130.000882
20091364.771900e+101.423517e+140.000335
20101789.940944e+101.893949e+140.000525
201117412.762728e+112.857002e+140.000967
201213512.775925e+113.888834e+140.000714
# 按照证券代码和日期进行分组，在每个组利用熵公式计算每个证券代码对应的熵
tep = tep[['证券代码','P']].groupby(['证券代码','日期']).agg(lambda x:-sum(x*np.log2(abs(x)))) 
# 此处取绝对值是因为存在收入为负的异常值，考虑到收入不可能为负，故取绝对值
tep.head()
P
证券代码日期
120080.008954
20090.003869
20100.005719
20110.009684
20120.007461
# 将计算得到的结果以证券代码为主键与df做连接
df1.merge(tep, on=['证券代码','日期'], how='left').rename(columns = {'P':'I'}).head()
证券代码日期I
0720140.000176
140320150.000359
240820160.001492
34082017NaN
442620150.000676

任务二：组队学习信息表的变换

请把组队学习的队伍信息表变换为如下形态，其中“是否队长”一列取1表示队长，否则为0
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8oAVaXhf-1609603332854)(attachment:image.png)]

df = pd.read_excel('G:/代码/joyful-pandas-master/lx/Team_Pandas.xlsx')
df.head()
所在群队伍名称队长编号队长_群昵称队员1 编号队员_群昵称队员2 编号队员_群昵称.1队员3 编号队员_群昵称.2...队员6 编号队员_群昵称.5队员7 编号队员_群昵称.6队员8 编号队员_群昵称.7队员9 编号队员_群昵称.8队员10编号队员_群昵称.9
0Pandas数据分析你说的都对队5山枫叶纷飞6蔡7.0安慕希8.0信仰...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
1Pandas数据分析熊猫人175鱼呲呲44Heaven37.0吕青50.0余柳成荫...25.0Never say never55.0K120.0Y.28.0X.Y.Q151.0swrong
2Pandas数据分析中国移不动107Y's124🥕75.0Vito146.0张小五...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
3Pandas数据分析panda11太下真君35柚子108.0My42.0星星点灯...157.0Zys158.0不器102.0嘉平佑染NaNNaNNaNNaN
4Pandas数据分析一路向北13黄元帅15化16.0未期18.0太陽光下...23.0🚀169.0听风189.0CappuccinoNaNNaNNaNNaN

5 rows × 24 columns

pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name=‘value’, col_level=None)

  • frame:要处理的数据集。

  • id_vars:不需要被转换的列名。

  • value_vars:需要转换的列名，如果剩下的列全部都要转换，就不用写了。

  • var_name和value_name是自定义设置对应的列名。

  • col_level :如果列是MultiIndex，则使用此级别。

tep1 = df.melt(id_vars = ['所在群', '队伍名称'],
                value_vars = [ '队长编号', '队员1 编号', '队员2 编号','队员3 编号', '队员4 编号', '队员5 编号', '队员6 编号',  '队员7 编号', '队员8 编号','队员9 编号','队员10编号'],
                var_name = '是否队长',
                value_name = '编号')
tep1['是否队长']=tep1['是否队长'].apply(lambda x: 1 if x=='队长编号' else 0)
tep1.head()
所在群队伍名称是否队长编号
0Pandas数据分析你说的都对队15.0
1Pandas数据分析熊猫人1175.0
2Pandas数据分析中国移不动1107.0
3Pandas数据分析panda111.0
4Pandas数据分析一路向北113.0
tep2 = df.melt(id_vars = ['所在群', '队伍名称'],
                value_vars = [ '队长_群昵称', '队员_群昵称','队员_群昵称.1',  '队员_群昵称.2', '队员_群昵称.3','队员_群昵称.4','队员_群昵称.5', '队员_群昵称.6','队员_群昵称.7','队员_群昵称.8','队员_群昵称.9'],
                var_name = '昵称类型',
                value_name = '昵称')
tep2.head()
所在群队伍名称昵称类型昵称
0Pandas数据分析你说的都对队队长_群昵称山枫叶纷飞
1Pandas数据分析熊猫人队长_群昵称鱼呲呲
2Pandas数据分析中国移不动队长_群昵称Y's
3Pandas数据分析panda队长_群昵称太下真君
4Pandas数据分析一路向北队长_群昵称黄元帅
df=pd.concat([tep1,tep2[['昵称']]],axis=1)
df.head()
所在群队伍名称是否队长编号昵称
0Pandas数据分析你说的都对队15.0山枫叶纷飞
1Pandas数据分析熊猫人1175.0鱼呲呲
2Pandas数据分析中国移不动1107.0Y's
3Pandas数据分析panda111.0太下真君
4Pandas数据分析一路向北113.0黄元帅
df = df[['是否队长','队伍名称','昵称','编号']]
df.sort_values(by=['队伍名称','是否队长'],ascending=False,inplace=True)
df.dropna(inplace=True)
df['编号']=df['编号'].astype(int)
df.head()
是否队长队伍名称昵称编号
131鲲鲲玩Python木南居士26
340鲲鲲玩Python冻草莓187
550鲲鲲玩PythonShawn61
51西部战车老狼149
260西部战车Robin or Michael51

任务三:美国大选投票情况

两张数据表中分别给出了美国各县（county）的人口数以及大选的投票情况，请解决以下问题：

  • 有多少县满足总投票数超过县人口数的一半
  • 把州（state）作为行索引，把投票候选人作为列名，列名的顺序按照候选人在全美的总票数由高到低排序，行列对应的元素为该候选人在该州获得的总票数
    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YehtvgCq-1609603332860)(attachment:image.png)]
  • 每一个州下设若干县，定义拜登在该县的得票率减去川普在该县的得票率为该县的BT指标，若某个州所有县BT指标的中位数大于0，则称该州为Biden State，请找出所有的Biden State
df1 = pd.read_csv('G:/代码/joyful-pandas-master/lx/county_population.csv')
df1.head()
US CountyPopulation
0.Autauga County, Alabama55869
1.Baldwin County, Alabama223234
2.Barbour County, Alabama24686
3.Bibb County, Alabama22394
4.Blount County, Alabama57826
df2 = pd.read_csv('G:/代码/joyful-pandas-master/lx/president_county_candidate.csv')
df2['US County'] = '.'+df2['county']+', '+df2['state'] 
# 把州和县组合起来生成唯一的US County值，因为存在重名的县
df2.head()
statecountycandidatepartytotal_voteswonUS County
0DelawareKent CountyJoe BidenDEM44552True.Kent County, Delaware
1DelawareKent CountyDonald TrumpREP41009False.Kent County, Delaware
2DelawareKent CountyJo JorgensenLIB1044False.Kent County, Delaware
3DelawareKent CountyHowie HawkinsGRN420False.Kent County, Delaware
4DelawareNew Castle CountyJoe BidenDEM195034True.New Castle County, Delaware

有多少县满足总投票数超过县人口数的一半

# 从US County中提取出州和县的信息，方便后面统计按州或县信息
df1['state'] = df1['US County'].str.split(",").apply(lambda x:x[1]) 
df1['county'] = df1['US County'].str.split(",").apply(lambda x:x[0][1:]) 
df1.head()
US CountyPopulationstatecounty
0.Autauga County, Alabama55869AlabamaAutauga County
1.Baldwin County, Alabama223234AlabamaBaldwin County
2.Barbour County, Alabama24686AlabamaBarbour County
3.Bibb County, Alabama22394AlabamaBibb County
4.Blount County, Alabama57826AlabamaBlount County
# 求出每个县的总投票数
tep = df2[['US County','total_votes']].groupby(['US County']).sum() 
# 因为存在存在重名的县，所以按照州和县的组合US County来进行分组求和
tep.head()
total_votes
US County
.Abbeville County, South Carolina12433
.Abbot, Maine417
.Abington, Massachusetts9660
.Acadia Parish, Louisiana28425
.Accomack County, Virginia16962
# 把计算得到的每个县的total_votes与df1连接
tep1 = df1.merge(tep,on=['US County'],how='left')
tep1.head()
US CountyPopulationstatecountyJoe BidenDonald TrumpBT
0.Autauga County, Alabama55869AlabamaAutauga County7503.019838.0-12335.0
1.Baldwin County, Alabama223234AlabamaBaldwin County24578.083544.0-58966.0
2.Barbour County, Alabama24686AlabamaBarbour County4816.05622.0-806.0
3.Bibb County, Alabama22394AlabamaBibb County1986.07525.0-5539.0
4.Blount County, Alabama57826AlabamaBlount County2640.024711.0-22071.0
# 对满足条件的县进行计数
tep1[tep1['total_votes']>0.5*tep1['Population']].count()[0]  

1434

重新排序

# 以州为行索引，以候选人为列索引，计算出总得票数
tep = df2.pivot_table(index='state', columns='candidate', values='total_votes',aggfunc = 'sum')  
tep = tep.fillna(0)
tep.head()
candidateNone of these candidatesWrite-insAlyson KennedyBill HammonsBlake HuberBrian CarrollBrock PierceBrooke PaigeChristopher LaFontaineConnie Gammon...Mark CharlesPhil CollinsPresident BoddiePrincess Jacob-FambroRichard DuncanRicki Sue KingRocky De La FuenteSheila Samm TittleTom HoeflingZachary Scalf
state
Alabama0.07312.00.00.00.00.00.00.00.00.0...0.00.00.00.00.00.00.00.00.00.0
Alaska0.034210.00.00.00.00.0825.00.00.00.0...0.00.00.00.00.00.0318.00.00.00.0
Arizona0.02032.00.00.00.00.00.00.00.00.0...0.00.00.00.00.00.00.00.00.00.0
Arkansas0.00.00.00.00.01713.02141.00.00.01475.0...0.02812.00.00.00.00.01321.00.00.00.0
California0.080.00.00.00.00.00.00.00.00.0...0.00.00.00.00.00.060155.00.00.00.0

5 rows × 38 columns

# 求出候选人的得票总数，然后进行排序，把排序的结果作为tep的列
L = df2.groupby('candidate').sum().sort_values(by='total_votes', ascending=False).index
L 

Index(['Joe Biden', 'Donald Trump', 'Jo Jorgensen', 'Howie Hawkins',
       ' Write-ins', 'Rocky De La Fuente', 'Gloria La Riva', 'Kanye West',
       'Don Blankenship', 'Brock Pierce', 'Brian Carroll',
       ' None of these candidates', 'Alyson Kennedy', 'Bill Hammons',
       'Jerome Segal', 'Dario Hunter', 'Jade Simmons', 'Phil Collins',
       'Joe McHugh', 'Jesse Ventura', 'Mark Charles', 'Sheila Samm Tittle',
       'Connie Gammon', 'John Richard Myers', 'Brooke Paige',
       'President Boddie', 'Christopher LaFontaine', 'Kyle Kopitke',
       'Tom Hoefling', 'Ricki Sue King', 'Princess Jacob-Fambro',
       'Blake Huber', 'Richard Duncan', 'Joseph Kishore', 'Jordan Scott',
       'Gary Swing', 'Keith McCormic', 'Zachary Scalf'],
      dtype='object', name='candidate')

tep.reindex(columns=L).head()
candidateJoe BidenDonald TrumpJo JorgensenHowie HawkinsWrite-insRocky De La FuenteGloria La RivaKanye WestDon BlankenshipBrock Pierce...Tom HoeflingRicki Sue KingPrincess Jacob-FambroBlake HuberRichard DuncanJoseph KishoreJordan ScottGary SwingKeith McCormicZachary Scalf
state
Alabama849648.01441168.025176.00.07312.00.00.00.00.00.0...0.00.00.00.00.00.00.00.00.00.0
Alaska153405.0189892.08896.00.034210.0318.00.00.01127.0825.0...0.00.00.00.00.00.00.00.00.00.0
Arizona1672143.01661686.051465.00.02032.00.00.00.00.00.0...0.00.00.00.00.00.00.00.00.00.0
Arkansas423932.0760647.013133.02980.00.01321.01336.04099.02108.02141.0...0.00.00.00.00.00.00.00.00.00.0
California11109764.06005961.0187885.081025.080.060155.051036.00.00.00.0...0.00.00.00.00.00.00.00.00.00.0

5 rows × 38 columns

找出所有的Biden State

# 以县为行索引，以候选人为列索引，计算出总得票数
tep = df2.pivot_table(index='US County', columns='candidate', values='total_votes',aggfunc = 'sum')[['Joe Biden','Donald Trump']]  
tep = tep.fillna(0)
tep.head()
candidateJoe BidenDonald Trump
US County
.Abbeville County, South Carolina4101.08215.0
.Abbot, Maine121.0288.0
.Abington, Massachusetts5209.04236.0
.Acadia Parish, Louisiana5443.022596.0
.Accomack County, Virginia7578.09172.0
# 计算BT指标
tep['BT'] = tep['Joe Biden']-tep['Donald Trump'] 
tep
tep.head()
candidateJoe BidenDonald TrumpBT
US County
.Abbeville County, South Carolina4101.08215.0-4114.0
.Abbot, Maine121.0288.0-167.0
.Abington, Massachusetts5209.04236.0973.0
.Acadia Parish, Louisiana5443.022596.0-17153.0
.Accomack County, Virginia7578.09172.0-1594.0
tep = tep.reset_index(['US County'])  
tep['state'] = tep['US County'].str.split(",").apply(lambda x:x[1])
tep.head()
candidateUS CountyJoe BidenDonald TrumpBTstate
0.Abbeville County, South Carolina4101.08215.0-4114.0South Carolina
1.Abbot, Maine121.0288.0-167.0Maine
2.Abington, Massachusetts5209.04236.0973.0Massachusetts
3.Acadia Parish, Louisiana5443.022596.0-17153.0Louisiana
4.Accomack County, Virginia7578.09172.0-1594.0Virginia
sum(tep.groupby('state').agg('median')['BT']>0) 

9
sosososoon
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
Pandas学习之综合练习
qq_26982913的博客
07-01 223
一、端午节的淘宝粽子交易 1.删除最后一列为缺失值的行，并求所有在杭州发货的商品单价均值 删除某列为缺失值的行，有两种方法： 第一种方法 利用notna()函数，筛选出该列不为空值的行，则相当于把该列为空值的行删除掉了 import numpy as np import pandas as pd df = pd.read_csv("E:/data/ZongZi.csv",names=['A','B','C','D','E']).convert_dtypes() df.head()
Part12:Pandas的Merge语法(内含设置行名方法)
qq_46044325的博客
09-15 1035
比如(学号，[语文成绩、数学成绩、英语成绩])merge (学号，[篮球、足球、乒乓球)-比如(学号，姓名) merge(学号，[语文成绩、数学成绩、英语成绩]). one-to-many:一对多关系，左边唯一key，右边不唯一key。. many-to-many : [多对多关系，左边右边都不是唯一的。. one-to-one:—对一关系，关联的key都是唯一的。左边的都会出现在结果里，右边的如果无法匹配则为Null。右边的都会出现在结果里，左边的如果无法匹配则为Nul。-结果条数为:1*1。
Pandas十大练习题，掌握常用方法
最新发布
weixin_44911248的博客
01-12 1999
总结了十道pandas常用方法的练习题，适合pandas库的入门以及训练基础
Pandas系列(十)Merge语法
小小何先生的学习之旅
08-15 3771
文章目录Merge语法数据集介绍merge实现理解merge时数量的对齐关系one-to-one 一对一关系的mergeone-to-many 一对多关系的mergemany-to-many 多对多关系的merge理解left join、right join、inner join、outer join的区别如果出现非Key的字段重名怎么办   如何把不同的DataFrame数据Merge成一个大表?Pandas的Merge，相当于Sql的Join，将不同的表按key关联到一个表。 Merge语法 pd.me
数据分析 | Pandas 200道练习题，每日10道题，学完必成大神（2）
小鱼干儿的博客
10-27 3954
DataFrame存储为Excel，查看数据行列数,提取popularity列中值大于3小于7的行、交换两列的位置、提取popularity列最大的行所在行、查看最后3行数据、删除最后一行数据、添加一行数据、队数据按照popularity列的值的大小进行排序、统计grammer列每个字符串的长度
python 数据分析--数据处理工具Pandas(2)
一颗青梅换你一壶老酒
04-03 1119
数据处理模块--Pandas4. Pandas处理字符串和日期数据5. Pandas 数据清洗5.1 重复观测处理5.2 缺失值处理5.2.1 删除法5.2.2 替换法5.3 异常值处理6. 获取数据子集7. 透视表、合并与连接、分组聚合7.1 透视表7.2 多表合并7.3 多表连接7.4 分组聚合 在前面的学习中主要了解了Pandas如何构造序列和数据框，如何读取和写入各种格式的数据，以及如何对...
中国大学MOOC课程学习练习代码和作业
09-06
【标题】"中国大学MOOC课程学习练习代码和作业"主要涵盖了Python3编程语言的学习实践内容，由嵩天、黄天羽、礼欣三位教师在清华大学主办的在线教育平台——中国大学MOOC（https://www.icourse163.org/）上进行讲授。...
机器学习专业化：我使用Scikit-Learn，Pandas，Numpy和Scipy进行的Coursera机器学习专业化作业
02-05
通过不断练习和学习，你将在机器学习领域建立起坚实的基础，为未来的数据科学项目做好准备。在实际项目中，你可能会遇到更复杂的数据集和问题，但有了这些工具和经验，你将有能力应对挑战，构建出能够解决实际问题的...
数据分析练习资料-01
07-20
这份名为"数据分析练习资料-01"的压缩包提供了一些基础的数据集，帮助初学者或经验丰富的分析师实践和提升技能。其中包含两个CSV文件——"airport-ontime.csv"和"FullData.csv"，它们分别代表不同的数据集，可能涵盖...
python学习资料
05-23
自学者通常需要全面且结构化的学习路径，因此这些资料可能包括逐步的教学、实践练习和解决问题的策略。 "python study pdf"标签进一步明确了资源的形式——PDF文档，这是一种常见的电子书格式，常用于技术文档和...
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-R语言忍者秘笈
08-10
《Python-R语言忍者秘笈》是一本独特的学习教程，旨在帮助读者掌握两种强大的编程语言——Python和R，成为数据科学领域的忍者。R语言以其强大的统计分析能力和丰富的图形生成能力而闻名，而Python则以其易学易用、...
pandas综合练习
qq_41358220的博客
01-01 373
练习题出处 参考博文 任务一.企业收入的多样性 数据链接 密码：u6fd import pandas as pd import numpy as np 读取文件 df1 = pd.read_csv('../data/company.csv') df2 = pd.read_csv('../data/company_data.csv') DataFrame展示 df1.head() - 证券代码 日期 0 #000007 2014 1 #000403 2015 2 #000408
PANDAS 数据合并与重塑（join/merge篇）
热门推荐
stevenkwong的博客
09-14 7万+
在上一篇文章中，我整理了pandas在数据合并和重塑中常用到的concat方法的使用说明。在这里，将接着介绍pandas中也常常用到的join 和merge方法mergepandas的merge方法提供了一种类似于SQL的内存链接操作，官网文档提到它的性能会比其他开源语言的数据操作（例如R）要高效。和SQL语句的对比可以看这里merge的参数on：列名，join用来对齐的那一列的名字，用到这个参数的
Pandas 练习题 [python]
yyying2016的博客
06-20 3005
Anscombe's quartetAnscombe's quartet comprises of four datasets, and is rather famous. Why? You'll find out in this exercise.In [4]:anascombe = pd.read_csv('data/anscombe.csv') anascombe.head() Out[4]...
Pandas 教程（下）综合练习
qq_39199884的博客
07-01 250
一、端午节的淘宝粽子交易 (1) 请删除最后一列为缺失值的行，并求所有在杭州发货的商品单价均值。 df_1 = pd.read_csv('../data/端午粽子数据.csv') df_1.head() # 结果可以看出有很多脏数据 df_1.info() <class 'pandas.core.frame.DataFrame'> RangeIndex: 4403 entries, 0 to 4402 Data columns (total 5 columns): # Column
Pandas 练习题 - 提高你的数据分析技能
CSDN人工智能头条
02-18 1549
本文总结了 pandas 的常用操作，并做成练习题，练习题附答案，并且有完整数据集，建议读者把练习题完成。作者认为，做完练习题，pandas 的基本操作没有问题了，以后碰...
pandas练习
Beeman_xia的世界
11-14 974
更多函数查阅http://pandas.pydata.org/pandas-docs/stable/10min.html import pandas as pd #两种数据结构 from pandas import Series,DataFrame #Series由一组数据和一组索引组成 # obj=Series([2,3,5,7,3,1]) # print(obj) #建立Series的时候
资金流入流出预测—数据探索与分析
sosososoon的博客
08-20 3752
数据探索与分析 赛题分析 赛题链接：资金流入流出预测 赛题数据主要包含四个部分，分别为用户基本信息数据、用户申购赎回数据、收益率表和银行间拆借利率表。 用户信息表：user_profile_table. 总共随机抽取了约 3 万用户，其中部分用户在 2014 年 9 月份第一次出现，这部分用户用作测试数据。训练集是约 2.8 万 个用户的基本数据，主要包含了用户的性别、城市和星座。具体的字段如下表： 列名 类型 含义 示例 user_id bigint 用户 ID 1234 Se
pandas库to——json
09-12
pandas库中的`to_json`函数可以将数据转换为JSON格式。您可以使用`to_json`函数将pandas的Series、DataFrame或Panel对象转换为JSON字符串或保存为JSON文件。以下是一个示例： ```python import pandas as pd # ...
评论 2
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