WhyLW的博客

一、数据来源本节选用的是Python的第三方库seaborn自带的数据集，该小费数据集为餐饮行业收集的数据，其中total_bill为消费总金额、tip为小费金额、sex为顾客性别、smoker为顾客是否吸烟、day为消费的星期、time为聚餐的时间段、size为聚餐人数。import numpy as np from pandas import Series,DataFrame import pandas as pd import seaborn as sns #导入seaborn库 .

Python进行数据分析的核心库肯定是Pandas，该库差不多可以解决结构化数据的绝大部分处理需求。在《Python数据分析常用函数及参数详解，可以留着以备不时之需 》一文中也已经对该库的常用函数进行了详细介绍。但是Pandas是构建在Numpy的基础之上的，它的矢量化运算功能在处理数组和矩阵上具有着非常大的优势。虽然普通的数据分析任务可能很少用到Numpy库，但一旦你具有循环需求或是要处理数值型数据时，你应该首先想到该库。本文整理了该库的一些常用函数和基础知识，整理不易，希望觉得还不错的朋友可以不吝.

数据初探首先导入要使用的科学计算包numpy,pandas,可视化matplotlib,seaborn,以及机器学习包sklearn。import pandas as pdimport numpy as npimport seaborn as snsimport matplotlib as mplimport matplotlib.pyplot as pltfrom IPython.display import displayplt.style.use("fivethirtyeight")

Python是一门非常适合处理数据和自动化完成重复性工作的编程语言，我们在用数据训练机器学习模型之前，通常都需要对数据进行预处理，而Python就非常适合完成这项工作，比如需要重新调整几十万张图像的尺寸，用Python没问题！你几乎总是能找到一款可以轻松完成数据处理工作的Python库。然而，虽然Python易于学习，使用方便，但它并非运行速度最快的语言。默认情况下，Python程序使用一个CPU以单个进程运行。不过如果你是在最近几年配置的电脑，通常都是四核处理器，也就是有4个CPU。这就意味着在你苦苦等

脚本写的好，下班下得早！程序员的日常工作除了编写程序代码，还不可避免地需要处理相关的测试和验证工作。例如，访问某个网站一直不通，需要确定此地址是否可访问，服务器返回什么，进而确定问题在于什么。完成这个任务，如果一味希望采用编译型语言来编写这样的代码，实践中的时间和精力是不够的，这个时候就需要发挥脚本的神奇作用！毫不夸张的说，能否写出高效实用的脚本代码，直接影响着一个程序员的幸福生活[下班时间]。1.解决 linux 下 unzip 乱码的问题import osimport sysimport .

安装lxmlpip install lxml代码import requestsfrom bs4 import BeautifulSoup as bsimport timeimport lxml url = "https://bbs.hupu.com/bxj-postdate"useragent = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome

推导式comprehensions（又称解析式），是Python的一种独有特性。推导式是可以从一个数据序列构建另一个新的数据序列的结构体。 共有三种推导，在Python2和3中都有支持：列表(list)推导式字典(dict)推导式集合(set)推导式一、列表推导式1、使用[]生成list基本格式variable = [out_exp_res for out_exp in input_list if out_exp == 2] out_exp_res:　　列表生成元素表达式，可以是有返回值的

前言最近A股市场行情火爆，对股民们来说，选到一只强势股是梦寐以求的事情，因为只有强势股才能让自己的收益跑赢大盘，不然只能眼巴巴看着指数不断上涨，而手上的股票却不动声色，懊恼不已！相信大家都听说了量化交易这个东西了吧！不过目前国内外介绍量化的书籍、课程之类的，大多是金融背景的人编写的，所以他们的角度和我们普通股民会有些不同。偏研究分析的模型算法可能我们看不懂、用不到，有些量化系统针对于机构操盘搭建的，也不适合小资金的普通股民。那么，什么才是普通股民所适合的量化交易打开方式呢？本文就用一个接地气的选股场景