python学习7-数据获取与整理3

最新推荐文章于 2024-10-03 09:02:12 发布
最新推荐文章于 2024-10-03 09:02:12 发布
阅读量994 收藏 15
点赞数 28
文章标签： python 学习 开发语言
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/woyebuzhidao321/article/details/141529128
版权

Pandas基础

Pandas 是一个强大的 Python 数据分析工具包，非常适合用于处理和分析输入数据，常用于数据清洗和准备。它建立在 NumPy 的基础上，让数据预处理、清洗、分析工作变得更快更简单。Pandas 引入了两个主要的数据结构：Series 和 DataFrame。

Series

Series 是一个一维标记数组，能够保存任何数据类型（整数、字符串、浮点数、Python 对象等）。轴标签统称为索引。


import pandas as pd

# 创建 Series
s = pd.Series([1, 3, 5, np.nan, 6, 8])

# 显示 Seriesprint(s)

DataFrame

DataFrame 是一个二维标记数据结构，可以将其想象为一个电子表格或 SQL 表，或一个 Series 对象的字典。它通常是使用 CSV 文件、SQL 数据库或其他数据源创建的。


# 使用字典创建 DataFrame
df = pd.DataFrame({
    'A': 1.,
    'B': pd.Timestamp('20230101'),
    'C': pd.Series(1, index=list(range(4)), dtype='float32'),
    'D': np.array([3] * 4, dtype='int32'),
    'E': pd.Categorical(["test", "train", "test", "train"]),
    'F': 'foo'
})

# 显示 DataFrameprint(df)

查看数据


# 查看 DataFrame 头部数据
print(df.head())

# 查看 DataFrame 尾部数据
print(df.tail(3))

# 显示索引、列和底层 NumPy 数据
print(df.index)
print(df.columns)
print(df.values)

# 描述显示数据的快速统计概述print(df.describe())

# 数据转置print(df.T)

选择一个单独的列

这将返回一个 Series，等同于 df.A。


print(df['A'])

通过 [] 进行选择，这将切片行


print(df[0:3])
print(df['20230102':'20230104'])

使用标签选择数据


# 获取特定的标签值
print(df.loc[:, ['A', 'B']])

# 标签切片
print(df.loc['20230102':'20230104', ['A', 'B']])

# 获取特定标签的标量值
print(df.loc['20230101', 'A'])

# 快速访问一个标量（与上一个方法等价）
print(df.at['20230101', 'A'])

使用位置选择数据


print(df.iloc[3])

# 通过整数切片
print(df.iloc[3:5, 0:2])

# 通过整数位置的列表
print(df.iloc[[1, 2, 4], [0, 2]])

# 明确切片行print(df.iloc[1:3, :])

# 明确切片列print(df.iloc[:, 1:3])

# 获取特定值print(df.iloc[1, 1])

# 快速访问标量（与上一个方法等价）print(df.iat[1, 1])

布尔索引


# 使用单个列的值选择数据
print(df[df['A'] > 0])

# 使用 where 操作选择数据
print(df[df > 0])

# 使用 isin() 方法进行筛选
df2 = df.copy()
df2['E'] = ['one', 'one', 'two', 'three', 'four', 'three']
print(df2[df2['E'].isin(['two', 'four'])])

设置数据


# 设置新列自动对齐数据索引
s1 = pd.Series([1, 2, 3, 4, 5, 6], index=pd.date_range('20230102', periods=6))
df['F'] = s1

# 按标签设置值
df.at['20230101', 'A'] = 0# 按位置设置值
df.iat[0, 1] = 0# 使用 NumPy 数组设置一组新值
df.loc[:, 'D'] = np.array([5] * len(df))

# 带有 where 条件的设置操作
df2 = df.copy()
df2[df2 > 0] = -df2

缺失数据

Pandas 主要使用 np.nan 来表示缺失数据。计算时，默认不包括空值。


# 重建索引（reindex）可以改变/添加/删除指定轴的索引，并返回数据的副本
df1 = df.reindex(index=df.index[0:4], columns=list(df.columns) + ['E'])
df1.loc[df.index[0]:df.index[1], 'E'] = 1print(df1)

# 删除所有含有缺失数据的行print(df1.dropna(how='any'))

# 填充缺失数据print(df1.fillna(value=5))

数据输入输出

Pandas 支持多种数据源的读写操作。


# CSV
df.to_csv('my_dataframe.csv')
pd.read_csv('my_dataframe.csv')

# Excel
df.to_excel('my_dataframe.xlsx', sheet_name='Sheet1')
pd.read_excel('my_dataframe.xlsx', 'Sheet1', index_col=None, na_values=['NA'])

Pandas的series

在Python的数据分析库pandas中，Series是一个非常基础也是非常重要的数据结构。我们来逐步详细讲解它。

  1. Series是什么？
    在pandas中，Series可以被看作是一维的数组结构，与NumPy中的一维ndarray相似，但它除了可以存储数据以外，还可以为数据索引附上标签。Series可以存储任何类型的数据，如整数、浮点数、字符串、Python对象等。
  2. Series的创建
    Series可以通过多种方式创建，最简单的是从列表创建。

import pandas as pd

# 从列表创建Series
data = [1, 2, 3, 4]
series = pd.Series(data)
print(series)

当你创建一个Series时，如果不指定索引，pandas会默认提供一个从0开始的数值索引。你也可以指定索引：


# 指定索引
series_with_index = pd.Series(data, index=['a', 'b', 'c', 'd'])
print(series_with_index)

此外，你还可以从字典、NumPy数组等创建Series。
3.Series的索引
在Series中，索引是数据的关键。你可以通过索引的方式选取单个元素，也可以选取一组元素。


# 通过索引获取元素
print(series_with_index['a'])

# 切片访问
print(series_with_index['a':'c'])
  1. Series的操作
    你可以对Series进行各种操作，比如数学运算、统计分析等。

# 数学运算
print(series + 100)

# 统计分析
print(series.mean())
  1. Series的向量化操作
    与NumPy数组类似，Series支持向量化操作，这意味着你可以不用编写循环即可对数据进行批量处理。

# 向量化加法
new_series = series_with_index + series_with_index
print(new_series)
  1. Series的缺失数据处理
    Series有一套自己的方法来处理缺失数据。

# 假设我们有缺失数据的Series
series_with_nan = pd.Series([1, None, 3, None, 5])

# 判断数据是否是缺失值print(series_with_nan.isnull())

# 填充缺失值print(series_with_nan.fillna(0))
  1. Series与DataFrame的关系
    在pandas中，DataFrame是一个二维的表格型数据结构。你可以把DataFrame看作是多个Series的集合，即它的每一列都可以是一个Series。

# 创建一个DataFrame
df = pd.DataFrame({'column1': series, 'column2': series_with_index})
print(df)
  1. Series的转换
    你可以将Series转换成其他类型的数据结构，比如列表或字典。

# Series转列表
list_from_series = series.tolist()

# Series转字典
dict_from_series = series_with_index.to_dict()

DataFrame

DataFrame是Pandas库中最常用的数据结构，也是大多数数据分析任务的中心。下面我将从多个角度详细解释DataFrame的概念和用法。

  1. DataFrame是什么？
    DataFrame是一个二维大小可变的表格型数据结构，具有可变的列类型，你可以把它想象成一个Excel表格或者SQL表。每一列称为一个Series，可以包含任意类型的数据（整数、字符串、浮点数、Python对象等）。DataFrame既有行索引也有列索引，是一个非常强大的数据操作工具。
  2. DataFrame的创建

从字典创建DataFrame

最常见的方法是从一个字典创建：


import pandas as pd

# 字典的键将成为列名
data = {
    'Column1': [1, 2, 3, 4],
    'Column2': ['a', 'b', 'c', 'd']
}

df = pd.DataFrame(data)
print(df)

从列表创建DataFrame

你也可以从一个列表的列表创建DataFrame：


# 每个子列表将成为一行
data = [
    [1, 'a'],
    [2, 'b'],
    [3, 'c'],
    [4, 'd']
]

df = pd.DataFrame(data, columns=['Column1', 'Column2'])
print(df)
  1. 访问DataFrame的数据

通过列名访问数据

你可以通过列名来访问数据，这将返回一个Series：


print(df['Column1'])

通过行号访问数据

你可以使用.iloc通过行号访问数据：


# 返回第一行
print(df.iloc[0])

通过行标签访问数据

如果你的DataFrame有明确的行标签（index），你可以使用.loc通过行标签访问数据：


# 假设我们的DataFrame有行标签
df.index = ['Row1', 'Row2', 'Row3', 'Row4']
print(df.loc['Row1'])
  1. DataFrame的操作
    DataFrame支持多种操作，包括但不限于：
  • 数据选择与过滤
  • 数据添加与删除
  • 排序
  • 分组
  • 合并与连接
  • 统计分析
  • 数据转换
  1. 数据选择与过滤

选择列


# 选择单列
column1 = df['Column1']

# 选择多列
columns = df[['Column1', 'Column2']]

选择行


# 通过条件选择行
rows = df[df['Column1'] > 2]
  1. 添加与删除列

添加列


df['Column3'] = [5, 6, 7, 8]

删除列


df.drop('Column3', axis=1, inplace=True)

8. 分组


# 按某列的值进行分组
grouped = df.groupby('Column2')

9. 合并与连接


# 连接两个DataFrame
other_df = pd.DataFrame({'Column3': [5, 6, 7, 8]})
df_merged = pd.concat([df, other_df], axis=1)

10. 统计分析


# 描述性统计
df.describe()

# 求平均值
df.mean()

11. 数据转换

p
# 应用函数到列
df['Column1'] = df['Column1'].apply(lambda x: x * 10)

Pandas索引与数据选择

Pandas中的索引和数据选择是数据分析过程中最常用的操作之一。理解如何高效地选择所需的数据是进行数据分析的关键。以下是使用Pandas进行索引和数据选择的一些基本方法：

  1. 基于列的选择
    选择DataFrame中的列非常直接。可以通过列名以字典方式进行选择。

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
})

# 选择单列
a = df['A']

# 选择多列
b_and_c = df[['B', 'C']]
  1. 基于行的选择

使用 loc 和 iloc

Pandas 提供了 loc 和 iloc 两个强大的方法，用于基于行和列的标签或位置进行选择。

  • loc: 基于标签的索引，即使用列名或行标签来选择数据。
  • iloc: 基于位置的索引，即使用列和行的整数位置（从0开始）来选择数据。

# 使用 loc 选择第一行数据
first_row = df.loc[0]

# 使用 loc 选择 A 列的所有行
a_column = df.loc[:, 'A']

# 使用 loc 同时选择特定的行和列
sub_data = df.loc[0:1, ['A', 'B']]

# 使用 iloc 选择第一行第一列的数据
first_item = df.iloc[0, 0]

# 使用 iloc 选择前两行的数据
first_two_rows = df.iloc[0:2]
  1. 条件选择
    你可以使用条件表达式选择满足条件的数据。

# 选择 'A' 列中大于 1 的所有行
condition = df['A'] > 1
filtered_df = df[condition]

# 可以用更简洁的方式来写
filtered_df = df[df['A'] > 1]

# 多个条件可以结合使用 &（和）, |（或）
filtered_df = df[(df['A'] > 1) & (df['B'] < 6)]
  1. at 和 iat 方法
    如果你要选择一个单一的标量值，Pandas 提供了 at 和 iat 方法。它们分别对应 loc 和 iloc，但是专门用于快速访问单个值。

# 使用 at 获取特定的单一值
specific_value = df.at[0, 'A']

# 使用 iat 获取特定的单一值
specific_value = df.iat[0, 0]
  1. 切片
    切片操作与Python列表类似，但在Pandas中更加强大。

# 选择前两行
first_two_rows = df[0:2]

# 使用切片与 loc 结合来选择行
first_two_rows = df.loc[0:1]

# 使用切片与 iloc 结合来选择行和列
subset = df.iloc[0:2, 0:2]
  1. 布尔索引
    Pandas 允许使用布尔向量直接索引数据。这在处理复杂条件时特别有用。

# 创建一个布尔向量
bools = [True, False, True]
filtered_df = df[bools]

Pandas信息统计

Pandas 是一个专门用于数据分析和处理的强大Python库。它为数据统计提供了非常丰富的功能，能帮助我们快速了解数据集的特点、分布情况、相关性以及其他统计学信息。接下来，我们将详细讨论Pandas在数据统计方面的一些常用方法和应用。

基本统计方法

首先，我们讨论几个最基础的统计方法：

  1. 计数 (count): 返回非NA/NaN的值的数量。
  2. 求和 (sum): 返回数值类型列的和。
  3. 均值 (mean): 计算数值类型列的算术平均值。
  4. 中位数 (median): 计算数值类型列的中位数值。
  5. 众数 (mode): 返回数据中出现次数最多的值。
  6. 最小值 (min): 计算数值类型列的最小值。
  7. 最大值 (max): 计算数值类型列的最大值。
  8. 标准差 (std): 计算数值类型列的标准差。
  9. 方差 (var): 计算数值类型列的方差。
  10. 累积求和 (cumsum): 返回累积和。
  11. 累积最大值 (cummax): 返回累积最大值。
  12. 累积最小值 (cummin): 返回累积最小值。
  13. 累积乘积 (cumprod): 返回累积乘积。
  14. 乘机 (prod): 返回数值类型列的所有值的乘积。

import pandas as pd
import numpy as np

# 假设有以下DataFrame：
df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, np.nan, 8], # numpy.nan是一个特殊的浮点值
    'C': [9, 10, 11, 12]
})

# 调用基本统计方法
print(df.count())  # 计数
print(df.sum())    # 求和
print(df.mean())   # 均值# ...以此类推

描述性统计

Pandas的 describe() 方法提供了数据列的多个统计汇总。默认情况下，它会返回数值列的计数、均值、标准差、最小值、25%、50%、75%分位数和最大值。


# 描述性统计
print(df.describe())

相关性分析

相关性分析是统计学中的一个重要部分，它可以帮助我们理解不同数值变量之间的线性关系。Pandas提供了 corr() 方法来计算列与列之间的相关系数，默认计算的是皮尔逊相关系数。


# 计算相关系数矩阵
print(df.corr())

数据排名

Pandas的 rank() 方法可以为每个元素在其所在列中的排名。默认情况下，rank() 为元素分配平均排名，但你可以修改方法来使用不同的排名策略，例如最小排名、最大排名等。

# 计算排名
print(df.rank())

唯一值、值计数和成员资格

  • unique() 方法可以得到列中的唯一值数组。
  • value_counts() 方法计算一个Series中各值出现的频率。
  • isin() 方法可以用来过滤数据集，把参数中存在的值设为True，不存在的设为False。

# 唯一值
print(df['A'].unique())

# 值计数
print(df['B'].value_counts())

# 成员资格
print(df['A'].isin([1, 3]))

使用统计方法处理缺失数据

Pandas在计算统计时默认忽略缺失值。例如，求和或均值的计算将不包括NaN或None值。如果需要修改这种行为，可以使用参数来调整。

# 计算均值时忽略NaN
print(df.mean())

# 如果想要包括NaN，可以通过参数skipna=False来修改
print(df.mean(skipna=False))

求和 (Sum)

total = df['A'].sum()

Pandas应用函数

当你在处理pandas DataFrame时，你会遇到许多情况，需要对数据进行转换或者应用函数。pipe(), apply(), 和 applymap() 是三个常用的方法，它们使得这些操作变得更加便捷。下面我将逐一详细解释这些方法，并展示如何使用它们。

pipe()

pipe() 方法允许你对整个 DataFrame 应用一个函数。它通常用于链式调用，你可以将前一个方法的输出作为下一个方法的输入。这是一种优雅的数据处理方式，因为它可以使代码更加简洁和可读。
举个例子，假设你有一个数据处理过程，其中需要先对数据进行清洗，然后计算一些统计数据，最后输出结果。你可以将这个过程分解成一系列的函数，然后用 pipe() 将它们链接起来。

import pandas as pd

# 假设这些是你的数据处理函数
def clean_data(df):
    # 数据清洗逻辑
    return df

def calculate_stats(df):
    # 计算统计数据
    return df

def output_results(df):
    # 输出结果
    return df

# 创建一个 DataFrame
df = pd.DataFrame(data)

# 使用 pipe 链接你的函数
result = df.pipe(clean_data).pipe(calculate_stats).pipe(output_results)

apply()

apply() 方法可以沿着DataFrame的某个轴应用一个函数，例如，对每一列或每一行应用一个函数。


import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6]
})

# 定义一个简单的函数，比如计算最大值和最小值的差
def range_diff(x):
    return x.max() - x.min()

# 对每一列应用函数
col_range = df.apply(range_diff, axis=0)

# 对每一行应用函数
row_range = df.apply(range_diff, axis=1)

applymap()

applymap() 是 DataFrame 中的方法，用于对每个元素应用一个给定的函数。这对于元素级的操作非常有用。


import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6]
})

# 定义一个简单的函数，比如将每个元素乘以 2
def multiply_by_two(x):
    return x * 2# 对 DataFrame 的每个元素应用函数
df_transformed = df.applymap(multiply_by_two)

Pandas重建索引

在Pandas中，重建索引（reindexing）是指根据新的索引对原始DataFrame或Series的数据进行重新排列的过程。如果新索引中有原来不存在的标签，会引入缺失数据（通常用NaN表示）。这个过程对于数据的清洗和准备是非常有用的，特别是在你希望对数据集的索引顺序进行改变或者将两个不同索引的数据集合并时。
让我们通过一些例子来详细了解如何使用 reindex 方法。
首先，导入pandas库并创建一个简单的DataFrame:

import pandas as pd

# 创建一个简单的DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
}, index=['a', 'b', 'c'])

print(df)
"""

   A  B  C
a  1  4  7
b  2  5  8
c  3  6  9
"""

重建索引

假设我们想要根据一个新的索引对df进行重建索引：


# 新的索引
new_index = ['c', 'b', 'a', 'd']

# 重建索引
df_reindexed = df.reindex(new_index)
print(df_reindexed)
"""

     A    B    C
c  3.0  6.0  9.0
b  2.0  5.0  8.0
a  1.0  4.0  7.0
d  NaN  NaN  NaN
"""

这里可以看到，根据新索引重建后，原来索引中的行保持了它们的数据，而新引入的索引’label’（如’d’）的行被填充了NaN。

缺失数据的填充

当你重建索引时，你可能不希望缺失值出现。你可以在调用reindex时使用fill_value参数指定一个默认填充值：

# 使用0填充缺失值
df_reindexed_with_fill = df.reindex(new_index, fill_value=0)
print(df_reindexed_with_fill)
"""

   A  B  C
c  3  6  9
b  2  5  8
a  1  4  7
d  0  0  0
"""
拾荒李
关注
Pandas处理excel自动化常用操作
afayeno1的博客
07-24 932
读取excel import pandas pandas.read_excel（io，sheet_name = 0，header = 0，names = None，index_col = None，usecols = None，squeeze = False,dtype = None, ...） 行列index从0开始 io：字符串，文件的路径对象。 sheet_name：None、string、int、字符串列表或整数列表，默认为0。字符串用于工作表名称,整数用于零索引工作表位置,字符串列表或
Python数据分析4-数据清洗与整理
qq_45112156的博客
09-19 2852
有效的数据是进行数据分析的依据，因此在数据分析中，数据的处理往往需要花费70%的时间，可见数据处理的重要性。本章将讲解在pandas中如何进行多数据清洗和处理并介绍针对多元数据的合并和链接，以及数据的重塑等内容。 4.1数据清洗 现实中通过各种方式收集到的数据都是“肮脏”的。本节将着重讲解数据清洗的工作，如缺失值的处理，重复数据的处理以及如何替代值等具体操作。 4.1.1处理缺失值 有时由于设备原因（设备故障或无法存入数据等）或人为原因（没有录入或故意...
python学习笔记（十二）
weixin_45680723的博客
08-12 266
pandas学习
Python的pandas库的用法（三）数据筛选
Ming_Dazhou
02-06 659
一、 eg.1 dates = pd.date_range('20190101',periods=6) df = pd.DataFrame(np.arange(24).reshape((6,4)),index=dates,columns=['A','B','C','D']) # 选取某列 print(df['A']) print(df.A) df.['A']和df.A的效果完全一样 ...
Python pandas数据分析中常用方法
热门推荐
心之所向
03-20 10万+
官方教程 读取写入文件 官方IO 读取 写入 read_csv 　　　　　　to_csv read_excel 　　　　　to_excel read_hdf 　　　　　　to_hdf read_sql 　　　　　　to_sql read_json　　　　　　to_json read_msgpack (experimenta...
pandas教程：pandas主要功能详解
好好学java
10-06 1432
pandas基本功能 将文件数据导入Pandas 通过pandas提供的read_xxx相关的函数可以读取文件中的数据，并形成DataFrame,常用的数据读取方法为：read_csv，主要可以读取文本类型的数据 df =pd.read_csv("Counts.csv", header=0) df.head() 选择/切片 df[‘column_name’] ，df[row_start_inde...
Python学习---课后练习整理(一)
程序猿学习记录
04-06 3万+
python课后练习 本学习的课程Python程序设计的练习在拼题A上完成，为了记录学习过程，对课后练习进行整理 Python练习–01 题目： 全新的界面设计 ，将会带来全新的写作体验； 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示； 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示； 全新的 KaTeX数学公式 语法； 增加了...
python 调用API接口 获取和解析 Json数据
12-17
从功能上看，该数据获取程序可以分为3个方法，即step1对应方法request_data()，step2对应方法parse_data()，step3对应data_to_db()。 第一轮，暂不考虑异常，只考虑正常状态下的功能实现。 1、先看request_da
37304-Python数据分析与应用-习题答案.rar.rar
06-01
这个压缩包“37304-Python数据分析与应用-习题答案.rar.rar”显然包含了针对该主题的学习资料，特别是习题解答，这对于学习者巩固和检验自己的理解非常有帮助。 首先，Python数据分析的核心库包括Pandas、NumPy和...
python数据分析之pandas数据选取：df[] df.loc[] df.iloc[] df.ix[] df.at[] df.iat[]
chb4715的博客
03-06 6222
1 引言 　　Pandas是作为Python数据分析著名的工具包，提供了多种数据选取的方法，方便实用。本文主要介绍Pandas的几种数据选取的方法。 　　Pandas中，数据主要保存为Dataframe和Series是数据结构，这两种数据结构数据选取的方式基本一致，本文主要以Dataframe为例进行介绍。 　　在Dataframe中选取数据大抵包括3中情况： 　　1)行(列)选取(单维...
Pandas常用数据预处理方法及指令
weixin_36711901的博客
01-23 1万+
1.前言 前一段时间，在小伙伴的怂恿下参加了京东的Jdata数据大赛（并以剪刀石头布的方式决定的组长，草率！ 不过非常感谢小伙伴们对我的信任，还有我们一起学习的热情让我一下恢复了对学习的xing趣了呢），作为一名小白，抱着学习的心态去的，所谓的万事开头难是真的，从来没接触过这种比赛或工作的我也是一头雾水，以前没上过数据处理和挖掘的课程，不知从何下手，就是在这样一穷二白的情况
Python Pandas常用功能速查
HUST_Yerdon的博客
05-08 780
选自pandas官方文档的一些常用功能速查，有利于新手快速入坟（bushi
pandas切片，loc和iloc
qq_38241583的博客
03-09 772
在DataFrame中的直接选取，如df[0:3]，是从第0行到第2行，左闭右开。 df.loc[0:3]选取第0行到第3行。 df.iloc[0:3]和df[0:3]一样。 loc 和 iloc 的区别： loc是根据索引来进行选取，iloc是根据位置进行索引。 ...
（笔记）第三期书生·浦语大模型实战营（十一卷王场）--书生入门岛通关第2关Python 基础知识
haidizym的博客
10-02 458
学员闯关手册：https://aicarrier.feishu.cn/wiki/ZcgkwqteZi9s4ZkYr0Gcayg1n1g?课程视频：https://www.bilibili.com/video/BV1mS421X7h4/课程文档：https://github.com/InternLM/Tutorial/tree/camp3/docs/L0/Python。
遥感影像-实例分割数据集：iSAID 从切图到YOLO格式数据集制作详细介绍
GIS潮流
09-30 1137
开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。
酷炫音乐盒: 使用Python和Tkinter配合Pygame打造自己的音乐播放器
宇宙第一小趴菜的博客
09-29 1221
Tkinter是一个功能强大且简单易用的库，适合构建轻量级的GUI应用程序。它在不同的操作系统上具有相同的外观和行为，因此可以实现跨平台的应用程序。当然，Tkinter还有更多的功能和细节，通过阅读官方文档和教程，你可以更深入地了解和学习如何运用Tkinter来创建各种GUI应用程序。
Python | Leetcode Python题解之第448题找到所有数组中消失的数字
Mopes__的博客
10-01 398
Python | Leetcode Python题解之第448题找到所有数组中消失的数字
Python编写的贪吃蛇小游戏
最新发布
WwLK123的博客
10-03 363
Python编写贪吃蛇小游戏。
Python界面辅助获取与划分深度学习图像数据集
在本代码提供的Python脚本中，除了数据的获取和清洗，还包含了数据集划分的功能。用户可以利用该脚本将整理后的数据集划分为训练集和验证集，而测试集的划分通常在模型的测试阶段进行。划分的目的是为了在模型训练...
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