Python酷库之旅-第三方库Pandas(072)

最新推荐文章于 2024-09-10 13:01:50 发布
最新推荐文章于 2024-09-10 13:01:50 发布
阅读量2.6k 收藏 92
点赞数 134
分类专栏： Myelsa的Python酷库之旅 文章标签： python pandas 开发语言 人工智能 标准库及第三方库 excel 学习与成长
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/ygb_1024/article/details/140952206
版权

目录

一、用法精讲

291、pandas.Series.dt.round函数

291-1、语法

291-2、参数

291-3、功能

291-4、返回值

291-5、说明

291-6、用法

291-6-1、数据准备

291-6-2、代码示例

291-6-3、结果输出

292、pandas.Series.dt.floor函数

292-1、语法

292-2、参数

292-3、功能

292-4、返回值

292-5、说明

292-6、用法

292-6-1、数据准备

292-6-2、代码示例

292-6-3、结果输出

293、pandas.Series.dt.ceil函数

293-1、语法

293-2、参数

293-3、功能

293-4、返回值

293-5、说明

293-6、用法

293-6-1、数据准备

293-6-2、代码示例

293-6-3、结果输出

294、pandas.Series.dt.month_name方法

294-1、语法

294-2、参数

294-3、功能

294-4、返回值

294-5、说明

294-6、用法

294-6-1、数据准备

294-6-2、代码示例

294-6-3、结果输出

295、pandas.Series.dt.day_name方法

295-1、语法

295-2、参数

295-3、功能

295-4、返回值

295-5、说明

295-6、用法

295-6-1、数据准备

295-6-2、代码示例

295-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

291、pandas.Series.dt.round函数
291-1、语法
# 291、pandas.Series.dt.round函数
pandas.Series.dt.round(*args, **kwargs)
Perform round operation on the data to the specified freq.

Parameters:
freq
str or Offset
The frequency level to round the index to. Must be a fixed frequency like ‘S’ (second) not ‘ME’ (month end). See frequency aliases for a list of possible freq values.

ambiguous
‘infer’, bool-ndarray, ‘NaT’, default ‘raise’
Only relevant for DatetimeIndex:

‘infer’ will attempt to infer fall dst-transition hours based on order

bool-ndarray where True signifies a DST time, False designates a non-DST time (note that this flag is only applicable for ambiguous times)

‘NaT’ will return NaT where there are ambiguous times

‘raise’ will raise an AmbiguousTimeError if there are ambiguous times.

nonexistent
‘shift_forward’, ‘shift_backward’, ‘NaT’, timedelta, default ‘raise’
A nonexistent time does not exist in a particular timezone where clocks moved forward due to DST.

‘shift_forward’ will shift the nonexistent time forward to the closest existing time

‘shift_backward’ will shift the nonexistent time backward to the closest existing time

‘NaT’ will return NaT where there are nonexistent times

timedelta objects will shift nonexistent times by the timedelta

‘raise’ will raise an NonExistentTimeError if there are nonexistent times.

Returns:
DatetimeIndex, TimedeltaIndex, or Series
Index of the same type for a DatetimeIndex or TimedeltaIndex, or a Series with the same index for a Series.

Raises:
ValueError if the
freq
cannot be converted.
Notes

If the timestamps have a timezone, rounding will take place relative to the local (“wall”) time and re-localized to the same timezone. When rounding near daylight savings time, use nonexistent and ambiguous to control the re-localization behavior.
291-2、参数

291-2-1、freq(必须)：str or DateOffset，指定要四舍五入到的时间频率，常见的频率字符串包括：

  • s：秒
  • min：分钟
  • h：小时
  • D：天
  • W：周
  • M：月
  • Q：季度
  • A：年

291-2-2、ambiguous(可选，默认值为'raise')：用于处理夏令时转换时的模棱两可的时间。默认情况下，如果时间不明确，会引发错误。可以选择以下选项之一：

  • 'raise'：如果遇到不明确的时间，则引发错误。
  • 'NaT'：将不明确的时间设置为NaT。
  • bool array：具有与时间戳相同长度的布尔数组，指示每个时间戳是否为夏令时。

291-2-3、nonexistent(可选，默认值为'raise')：用于处理不存在的时间，例如从夏令时到标准时间的转换。默认情况下，如果时间不存在，会引发错误。可以选择以下选项之一：

  • 'raise'：如果遇到不存在的时间，则引发错误。
  • 'NaT'：将不存在的时间设置为NaT。
  • timedelta：使用给定的时间差调整不存在的时间。
291-3、功能

        用于将datetime数据四舍五入到最近的指定频率。例如，可以将datetime数据四舍五入到最近的秒、分钟、小时等，这对于需要标准化时间戳数据或进行时间间隔计算时非常有用。

291-4、返回值

        返回一个新的Series，其中包含四舍五入到指定频率的datetime数据。

291-5、说明

        使用场景：

291-5-1、数据标准化和对齐：在处理时间序列数据时，经常需要将时间戳对齐到统一的频率，以便进行进一步的分析和处理。例如，将不同时间戳对齐到最近的整点、整分或整秒，以便对不同时间序列进行比较或合并。

291-5-2、处理高频数据：在金融数据分析中，经常会处理高频交易数据，为了简化分析过程，可以将这些高频数据(如毫秒级别的交易数据)四舍五入到秒、分钟或小时级别，以便于观察趋势和模式。

291-5-3、生成时间窗口：在生成固定长度的时间窗口时，可以使用该方法将时间戳四舍五入到最近的窗口边界。例如，在生成按分钟分组的窗口时，可以将时间戳四舍五入到最近的分钟。

291-5-4、数据清理和预处理：在数据清理过程中，经常需要处理不精确的时间戳数据，通过将时间戳四舍五入到最近的标准时间，可以消除小的误差，使数据更加整洁和一致。

291-5-5、数据聚合：在对时间序列数据进行聚合操作(如计算平均值、总和等)之前，通常需要将时间戳对齐到同一频率。例如，在按小时聚合数据时，可以先将时间戳四舍五入到最近的小时。

291-6、用法
291-6-1、数据准备
无
291-6-2、代码示例
# 291、pandas.Series.dt.round方法
# 291-1、天气数据分析
import pandas as pd
# 创建示例天气数据
weather_data = pd.DataFrame({
    'timestamp': pd.to_datetime([
        '2024-08-07 14:35:29', '2024-08-07 14:35:45', '2024-08-07 14:36:12'
    ]),
    'temperature': [25.3, 25.5, 25.7]
})
# 将时间戳四舍五入到最近的分钟
weather_data['rounded_timestamp'] = weather_data['timestamp'].dt.round('min')
# 按照四舍五入后的时间戳计算每分钟的平均温度
average_temperature_per_minute = weather_data.groupby('rounded_timestamp')['temperature'].mean().reset_index()
print("每分钟的平均温度:")
print(average_temperature_per_minute, end='\n\n')

# 291-2、交通流量分析
import pandas as pd
# 创建示例交通流量数据
traffic_data = pd.DataFrame({
    'timestamp': pd.to_datetime([
        '2024-08-07 08:15:12', '2024-08-07 08:16:45', '2024-08-07 08:17:59'
    ]),
    'vehicle_count': [15, 20, 25]
})
# 将时间戳四舍五入到最近的小时
traffic_data['rounded_timestamp'] = traffic_data['timestamp'].dt.round('h')
# 按照四舍五入后的时间戳计算每小时的车流量总数
vehicle_count_per_hour = traffic_data.groupby('rounded_timestamp')['vehicle_count'].sum().reset_index()
print("每小时的车流量总数:")
print(vehicle_count_per_hour, end='\n\n')

# 291-3、股票交易数据分析
import pandas as pd
# 创建示例股票交易数据
trade_data = pd.DataFrame({
    'timestamp': pd.to_datetime([
        '2024-08-07 09:00:01.123', '2024-08-07 09:00:02.456', '2024-08-07 09:00:03.789'
    ]),
    'trade_amount': [1000, 1500, 2000]
})
# 将时间戳四舍五入到最近的秒
trade_data['rounded_timestamp'] = trade_data['timestamp'].dt.round('s')
# 按照四舍五入后的时间戳计算每秒的交易总金额
trade_amount_per_second = trade_data.groupby('rounded_timestamp')['trade_amount'].sum().reset_index()
print("每秒的交易总金额:")
print(trade_amount_per_second, end='\n\n')

# 291-4、制造业生产数据分析
import pandas as pd
# 创建示例制造业生产数据
production_data = pd.DataFrame({
    'timestamp': pd.to_datetime([
        '2024-08-07 10:12:34', '2024-08-07 10:45:21', '2024-08-07 11:02:45'
    ]),
    'quantity': [100, 200, 150]
})
# 将时间戳四舍五入到最近的小时
production_data['rounded_timestamp'] = production_data['timestamp'].dt.round('h')
# 按照四舍五入后的时间戳计算每小时的生产数量
quantity_per_hour = production_data.groupby('rounded_timestamp')['quantity'].sum().reset_index()
print("每小时的生产数量:")
print(quantity_per_hour, end='\n\n')

# 291-5、网站访问数据分析
import pandas as pd
# 创建示例网站访问数据
visit_data = pd.DataFrame({
    'timestamp': pd.to_datetime([
        '2024-08-07 15:03:45', '2024-08-07 15:04:15', '2024-08-07 15:04:35'
    ]),
    'user_id': [101, 102, 103]
})
# 将时间戳四舍五入到最近的分钟
visit_data['rounded_timestamp'] = visit_data['timestamp'].dt.round('min')
# 按照四舍五入后的时间戳计算每分钟的访问量
visit_count_per_minute = visit_data.groupby('rounded_timestamp')['user_id'].count().reset_index()
print("每分钟的访问量:")
print(visit_count_per_minute, end='\n\n')

# 291-6、电力消耗数据分析
import pandas as pd
# 创建示例电力消耗数据
power_consumption_data = pd.DataFrame({
    'timestamp': pd.to_datetime([
        '2024-08-07 01:45:00', '2024-08-07 13:30:00', '2024-08-08 02:15:00'
    ]),
    'power_consumption': [120, 150, 130]
})
# 将时间戳四舍五入到最近的一天
power_consumption_data['rounded_timestamp'] = power_consumption_data['timestamp'].dt.round('D')
# 按照四舍五入后的时间戳计算每天的电力消耗总量
daily_power_consumption = power_consumption_data.groupby('rounded_timestamp')['power_consumption'].sum().reset_index()
print("每天的电力消耗总量:")
print(daily_power_consumption)
291-6-3、结果输出
# 291、pandas.Series.dt.round方法
# 291-1、天气数据分析
# 每分钟的平均温度:
#     rounded_timestamp  temperature
# 0 2024-08-07 14:35:00         25.3
# 1 2024-08-07 14:36:00         25.6

# 291-2、交通流量分析
# 每小时的车流量总数:
#     rounded_timestamp  vehicle_count
# 0 2024-08-07 08:00:00             60

# 291-3、股票交易数据分析
# 每秒的交易总金额:
#     rounded_timestamp  trade_amount
# 0 2024-08-07 09:00:01          1000
# 1 2024-08-07 09:00:02          1500
# 2 2024-08-07 09:00:04          2000

# 291-4、制造业生产数据分析
# 每小时的生产数量:
#     rounded_timestamp  quantity
# 0 2024-08-07 10:00:00       100
# 1 2024-08-07 11:00:00       350

# 291-5、网站访问数据分析
# 每分钟的访问量:
#     rounded_timestamp  user_id
# 0 2024-08-07 15:04:00        2
# 1 2024-08-07 15:05:00        1

# 291-6、电力消耗数据分析
# 每天的电力消耗总量:
#   rounded_timestamp  power_consumption
# 0        2024-08-07                120
# 1        2024-08-08                280
292、pandas.Series.dt.floor函数
292-1、语法
# 292、pandas.Series.dt.floor函数
pandas.Series.dt.floor(*args, **kwargs)
Perform floor operation on the data to the specified freq.

Parameters:
freq
str or Offset
The frequency level to floor the index to. Must be a fixed frequency like ‘S’ (second) not ‘ME’ (month end). See frequency aliases for a list of possible freq values.

ambiguous
‘infer’, bool-ndarray, ‘NaT’, default ‘raise’
Only relevant for DatetimeIndex:

‘infer’ will attempt to infer fall dst-transition hours based on order

bool-ndarray where True signifies a DST time, False designates a non-DST time (note that this flag is only applicable for ambiguous times)

‘NaT’ will return NaT where there are ambiguous times

‘raise’ will raise an AmbiguousTimeError if there are ambiguous times.

nonexistent
‘shift_forward’, ‘shift_backward’, ‘NaT’, timedelta, default ‘raise’
A nonexistent time does not exist in a particular timezone where clocks moved forward due to DST.

‘shift_forward’ will shift the nonexistent time forward to the closest existing time

‘shift_backward’ will shift the nonexistent time backward to the closest existing time

‘NaT’ will return NaT where there are nonexistent times

timedelta objects will shift nonexistent times by the timedelta

‘raise’ will raise an NonExistentTimeError if there are nonexistent times.

Returns:
DatetimeIndex, TimedeltaIndex, or Series
Index of the same type for a DatetimeIndex or TimedeltaIndex, or a Series with the same index for a Series.

Raises:
ValueError if the
freq
cannot be converted.
Notes

If the timestamps have a timezone, flooring will take place relative to the local (“wall”) time and re-localized to the same timezone. When flooring near daylight savings time, use nonexistent and ambiguous to control the re-localization behavior.
292-2、参数

292-2-1、freq(必须)：str or DateOffset，指定要四舍五入到的时间频率，常见的频率字符串包括：

  • s：秒
  • min：分钟
  • h：小时
  • D：天
  • W：周
  • M：月
  • Q：季度
  • A：年

292-2-2、ambiguous(可选，默认值为'raise')：用于处理夏令时转换时的模棱两可的时间。默认情况下，如果时间不明确，会引发错误。可以选择以下选项之一：

  • 'raise'：如果遇到不明确的时间，则引发错误。
  • 'NaT'：将不明确的时间设置为NaT。
  • bool array：具有与时间戳相同长度的布尔数组，指示每个时间戳是否为夏令时。

292-2-3、nonexistent(可选，默认值为'raise')：用于处理不存在的时间，例如从夏令时到标准时间的转换。默认情况下，如果时间不存在，会引发错误。可以选择以下选项之一：

  • 'raise'：如果遇到不存在的时间，则引发错误。
  • 'NaT'：将不存在的时间设置为NaT。
  • timedelta：使用给定的时间差调整不存在的时间。
292-3、功能

        将每个时间戳向下取整到指定的时间频率。例如，如果我们有一系列时间戳，并希望将它们对齐到最近的小时，我们可以使用floor('h')。

292-4、返回值

        返回一个新的pandas.Series对象，其中的每个时间戳都被向下取整到指定频率，原始的Series对象不会被修改。

292-5、说明

        使用场景：

292-5-1、时间对齐：在进行时间序列分析时，数据可能来自不同的源，并且时间戳不完全一致，使用floor方法可以将这些时间戳对齐到统一的时间间隔，从而简化数据的合并和比较。

292-5-2、数据聚合：当需要对时间序列数据进行聚合分析时，如按小时、天、周等频率计算平均值或总和，floor方法可以帮助将时间戳对齐到这些频率，之后可以使用groupby和聚合函数进行分析。

292-5-3、异常值处理：在处理时间序列数据时，可能会遇到一些不规则的时间戳，使用floor方法可以将这些不规则的时间戳对齐到标准的时间间隔，便于后续的异常值处理。

292-5-4、缺失值填充：通过将时间序列对齐到固定的时间间隔，可以方便地识别和填充缺失值。例如，可以使用reindex方法创建一个完整的时间索引，然后填充缺失的数据。

292-5-5、滚动窗口计算：在时间序列分析中，经常需要计算滚动窗口统计量(如滚动平均值)，floor方法可以帮助将时间对齐，从而简化滚动窗口计算的过程。

292-5-6、实时数据流处理：在处理实时数据流时，经常需要将数据按固定的时间间隔进行处理，floor方法可以帮助将实时数据对齐到固定的时间窗口，从而简化实时数据的处理逻辑。

292-6、用法
292-6-1、数据准备
无
292-6-2、代码示例
# 292、pandas.Series.dt.floor函数
# 292-1、时间对齐
import pandas as pd
# 示例数据
timestamps = pd.Series(pd.to_datetime(['2024-08-07 10:15:30', '2024-08-07 10:45:15', '2024-08-07 11:05:45']))
floored_hours = timestamps.dt.floor('h')
print(floored_hours, end='\n\n')

# 292-2、数据聚合
import pandas as pd
# 示例数据
data = {
    'timestamp': pd.to_datetime(['2024-08-07 10:15:30', '2024-08-07 10:45:15', '2024-08-07 11:05:45']),
    'value': [10, 20, 30]
}
df = pd.DataFrame(data)
df['floored_hour'] = df['timestamp'].dt.floor('h')
aggregated = df.groupby('floored_hour')['value'].sum()
print(aggregated, end='\n\n')

# 292-3、异常值处理
import pandas as pd
# 示例数据
timestamps = pd.Series(pd.to_datetime(['2024-08-07 10:15:30', '2024-08-07 10:45:15', '2024-08-07 11:05:45']))
floored_minutes = timestamps.dt.floor('min')
print(floored_minutes, end='\n\n')

# 292-4、缺失值填充
import pandas as pd
# 示例数据
timestamps = pd.date_range('2024-08-07 10:00:00', periods=3, freq='h')
values = [10, None, 30]
df = pd.DataFrame({'timestamp': timestamps, 'value': values})
df.set_index('timestamp', inplace=True)
df = df.reindex(pd.date_range('2024-08-07 10:00:00', '2024-08-07 12:00:00', freq='h'))
df['value'].fillna(method='ffill', inplace=True)
print(df, end='\n\n')

# 292-5、滚动窗口计算
import pandas as pd
# 示例数据
data = pd.Series([10, 20, 30], index=pd.to_datetime(['2024-08-07 10:15:30', '2024-08-07 10:45:15', '2024-08-07 11:05:45']))
floored_data = data.groupby(data.index.floor('h')).sum()
rolling_mean = floored_data.rolling(window=2).mean()
print(rolling_mean, end='\n\n')

# 292-6、实时数据流处理
import pandas as pd
import numpy as np
# 模拟实时数据流
timestamps = pd.Series(pd.to_datetime(['2024-08-07 10:15:30', '2024-08-07 10:45:15', '2024-08-07 11:05:45']))
values = pd.Series(np.random.randn(len(timestamps)))
# 对齐到最近的分钟
floored_minutes = timestamps.dt.floor('min')
real_time_df = pd.DataFrame({'timestamp': floored_minutes, 'value': values})
print(real_time_df)
292-6-3、结果输出
# 292、pandas.Series.dt.floor函数
# 292-1、时间对齐
# 0   2024-08-07 10:00:00
# 1   2024-08-07 10:00:00
# 2   2024-08-07 11:00:00
# dtype: datetime64[ns]

# 292-2、数据聚合
# floored_hour
# 2024-08-07 10:00:00    30
# 2024-08-07 11:00:00    30
# Name: value, dtype: int64

# 292-3、异常值处理
# 0   2024-08-07 10:15:00
# 1   2024-08-07 10:45:00
# 2   2024-08-07 11:05:00
# dtype: datetime64[ns]

# 292-4、缺失值填充
#                      value
# 2024-08-07 10:00:00   10.0
# 2024-08-07 11:00:00   10.0
# 2024-08-07 12:00:00   30.0

# 292-5、滚动窗口计算
# 2024-08-07 10:00:00     NaN
# 2024-08-07 11:00:00    30.0
# dtype: float64

# 292-6、实时数据流处理
#             timestamp     value
# 0 2024-08-07 10:15:00 -1.294484
# 1 2024-08-07 10:45:00 -1.846297
# 2 2024-08-07 11:05:00 -2.314171
293、pandas.Series.dt.ceil函数
293-1、语法
# 293、pandas.Series.dt.ceil函数
pandas.Series.dt.ceil(*args, **kwargs)
Perform ceil operation on the data to the specified freq.

Parameters:
freq
str or Offset
The frequency level to ceil the index to. Must be a fixed frequency like ‘S’ (second) not ‘ME’ (month end). See frequency aliases for a list of possible freq values.

ambiguous
‘infer’, bool-ndarray, ‘NaT’, default ‘raise’
Only relevant for DatetimeIndex:

‘infer’ will attempt to infer fall dst-transition hours based on order

bool-ndarray where True signifies a DST time, False designates a non-DST time (note that this flag is only applicable for ambiguous times)

‘NaT’ will return NaT where there are ambiguous times

‘raise’ will raise an AmbiguousTimeError if there are ambiguous times.

nonexistent
‘shift_forward’, ‘shift_backward’, ‘NaT’, timedelta, default ‘raise’
A nonexistent time does not exist in a particular timezone where clocks moved forward due to DST.

‘shift_forward’ will shift the nonexistent time forward to the closest existing time

‘shift_backward’ will shift the nonexistent time backward to the closest existing time

‘NaT’ will return NaT where there are nonexistent times

timedelta objects will shift nonexistent times by the timedelta

‘raise’ will raise an NonExistentTimeError if there are nonexistent times.

Returns:
DatetimeIndex, TimedeltaIndex, or Series
Index of the same type for a DatetimeIndex or TimedeltaIndex, or a Series with the same index for a Series.

Raises:
ValueError if the
freq
cannot be converted.
Notes

If the timestamps have a timezone, ceiling will take place relative to the local (“wall”) time and re-localized to the same timezone. When ceiling near daylight savings time, use nonexistent and ambiguous to control the re-localization behavior.
293-2、参数

293-2-1、freq(必须)：str or DateOffset，指定要四舍五入到的时间频率，常见的频率字符串包括：

  • s：秒
  • min：分钟
  • h：小时
  • D：天
  • W：周
  • M：月
  • Q：季度
  • A：年

293-2-2、ambiguous(可选，默认值为'raise')：用于处理夏令时转换时的模棱两可的时间。默认情况下，如果时间不明确，会引发错误。可以选择以下选项之一：

  • 'raise'：如果遇到不明确的时间，则引发错误。
  • 'NaT'：将不明确的时间设置为NaT。
  • bool array：具有与时间戳相同长度的布尔数组，指示每个时间戳是否为夏令时。

293-2-3、nonexistent(可选，默认值为'raise')：用于处理不存在的时间，例如从夏令时到标准时间的转换。默认情况下，如果时间不存在，会引发错误。可以选择以下选项之一：

  • 'raise'：如果遇到不存在的时间，则引发错误。
  • 'NaT'：将不存在的时间设置为NaT。
  • timedelta：使用给定的时间差调整不存在的时间。
293-3、功能

        用于将时间序列中的每个时间戳向上取整到最近的指定频率。例如，如果将一个时间序列取整到小时，那么所有分钟和秒的信息都会被抹去，每个时间戳都会向上取整到下一个整点小时。

293-4、返回值

        返回值是一个pandas.Series对象，包含了将原时间序列的每个时间戳向上取整到最近频率的时间戳。

293-5、说明

        使用场景：

293-5-1、数据预处理：在处理时间序列数据时，有时候需要将时间戳标准化为相同的频率，以便进行后续分析。比如，将交易数据、传感器数据等按小时或天进行汇总分析。

293-5-2、时间间隔对齐：在计算时间间隔时，可能需要将时间戳向上取整到最近的频率，以确保时间间隔的一致性。例如，在计算每日、每小时的平均值、总和等统计数据时，可以使用该函数将时间戳对齐到整点。

293-5-3、可视化：在进行时间序列数据的可视化时，将时间戳向上取整到最近的频率可以使图表更易读。例如，将数据按小时或天进行聚合后再绘图，可以减少图表的复杂度，提高可读性。

293-5-4、数据合并：在合并多个时间序列数据时，可能需要将时间戳对齐到相同的频率，以便进行合并和比较。例如，将不同来源的传感器数据合并到同一个时间轴上，可以使用该函数将所有时间戳对齐到最近的整点。

293-6、用法
293-6-1、数据准备
无
293-6-2、代码示例
# 293、pandas.Series.dt.ceil函数
# 293-1、数据预处理
import pandas as pd
# 示例数据：传感器数据
data = {
    'timestamp': [
        '2024-08-07 08:45:00', '2024-08-07 08:50:00', '2024-08-07 09:05:00',
        '2024-08-07 09:15:00', '2024-08-07 10:05:00'
    ],
    'value': [10, 12, 13, 15, 20]
}
df = pd.DataFrame(data)
df['timestamp'] = pd.to_datetime(df['timestamp'])
# 将时间戳向上取整到最近的小时
df['rounded_timestamp'] = df['timestamp'].dt.ceil('h')
# 按小时汇总数据
hourly_summary = df.groupby('rounded_timestamp')['value'].sum().reset_index()
print(hourly_summary, end='\n\n')

# 293-2、时间间隔对齐
import pandas as pd
# 示例数据：交易数据
trade_data = {
    'trade_time': [
        '2024-08-07 10:15:25', '2024-08-07 10:15:35', '2024-08-07 10:15:45',
        '2024-08-07 10:16:00', '2024-08-07 10:16:20'
    ],
    'price': [100, 101, 102, 103, 104]
}
trade_df = pd.DataFrame(trade_data)
trade_df['trade_time'] = pd.to_datetime(trade_df['trade_time'])
# 将时间戳向上取整到最近的分钟
trade_df['aligned_time'] = trade_df['trade_time'].dt.ceil('min')
print(trade_df, end='\n\n')

# 293-3、可视化
import matplotlib.pyplot as plt
# 示例数据：网页访问数据
visit_data = {
    'visit_time': [
        '2024-08-01 12:34:56', '2024-08-01 14:22:33', '2024-08-02 09:18:45',
        '2024-08-02 10:12:34', '2024-08-03 16:45:12'
    ],
    'visits': [1, 1, 1, 1, 1]
}
visit_df = pd.DataFrame(visit_data)
visit_df['visit_time'] = pd.to_datetime(visit_df['visit_time'])
# 将时间戳向上取整到最近的天
visit_df['day'] = visit_df['visit_time'].dt.ceil('D')
# 按天汇总数据
daily_visits = visit_df.groupby('day')['visits'].sum().reset_index()
# 可视化
plt.figure(figsize=(10, 5))
plt.plot(daily_visits['day'], daily_visits['visits'], marker='o')
plt.xlabel('Date')
plt.ylabel('Number of Visits')
plt.title('Daily Web Visits')
plt.grid(True)
plt.show()

# 293-4、数据合并
import pandas as pd
# 示例数据：传感器A数据
sensor_a_data = {
    'timestamp': [
        '2024-08-07 10:15:25', '2024-08-07 10:35:12', '2024-08-07 10:55:45'
    ],
    'sensor_a_value': [0.1, 0.3, 0.5]
}
sensor_a_df = pd.DataFrame(sensor_a_data)
sensor_a_df['timestamp'] = pd.to_datetime(sensor_a_df['timestamp'])
sensor_a_df['timestamp'] = sensor_a_df['timestamp'].dt.ceil('h')
# 示例数据：传感器B数据
sensor_b_data = {
    'timestamp': [
        '2024-08-07 11:05:21', '2024-08-07 11:22:33'
    ],
    'sensor_b_value': [0.6, 0.7]
}
sensor_b_df = pd.DataFrame(sensor_b_data)
sensor_b_df['timestamp'] = pd.to_datetime(sensor_b_df['timestamp'])
sensor_b_df['timestamp'] = sensor_b_df['timestamp'].dt.ceil('h')
# 合并数据
merged_df = pd.merge(sensor_a_df, sensor_b_df, on='timestamp', how='outer')
print(merged_df, end='\n\n')
293-6-3、结果输出
# 293、pandas.Series.dt.ceil函数
# 293-1、数据预处理
#     rounded_timestamp  value
# 0 2024-08-07 09:00:00     22
# 1 2024-08-07 10:00:00     28
# 2 2024-08-07 11:00:00     20

# 293-2、时间间隔对齐
#            trade_time  price        aligned_time
# 0 2024-08-07 10:15:25    100 2024-08-07 10:16:00
# 1 2024-08-07 10:15:35    101 2024-08-07 10:16:00
# 2 2024-08-07 10:15:45    102 2024-08-07 10:16:00
# 3 2024-08-07 10:16:00    103 2024-08-07 10:16:00
# 4 2024-08-07 10:16:20    104 2024-08-07 10:17:00

# 293-3、可视化
# 见图1

# 293-4、数据合并
#             timestamp  sensor_a_value  sensor_b_value
# 0 2024-08-07 11:00:00             0.1             NaN
# 1 2024-08-07 11:00:00             0.3             NaN
# 2 2024-08-07 11:00:00             0.5             NaN
# 3 2024-08-07 12:00:00             NaN             0.6
# 4 2024-08-07 12:00:00             NaN             0.7

图1：

294、pandas.Series.dt.month_name方法
294-1、语法
# 294、pandas.Series.dt.month_name方法
pandas.Series.dt.month_name(*args, **kwargs)
Return the month names with specified locale.

Parameters:
locale
str, optional
Locale determining the language in which to return the month name. Default is English locale ('en_US.utf8'). Use the command locale -a on your terminal on Unix systems to find your locale language code.

Returns:
Series or Index
Series or Index of month names.
294-2、参数

294-2-1、*args(可选)：其他位置参数，为后续扩展功能做预留。

294-2-2、**kwargs(可选)：其他关键字参数，为后续扩展功能做预留。

294-2-2-1、locale(可选)：指定返回的月份名称的语言环境。例如，“en”表示英语，“fr”表示法语。默认情况下，返回值是根据当前系统的默认语言环境生成的。

294-3、功能

        用于返回datetime类型的Series对象中每个日期的月份名称，且这些名称是以字符串的形式返回的，例如“January”、“February”等。

294-4、返回值

        返回一个pandas.Series对象，其中包含每个日期的月份名称。

294-5、说明

        使用场景：

294-5-1、数据可视化：在绘制时间序列图或统计图时，可以使用月份名称来标签和分类数据，使图表更具可读性。例如，绘制每个月的销售额图表时，使用月份名称作为 x 轴标签。

294-5-2、报告和分析：在生成数据报告时，可能需要按月份分组数据。将日期转换为月份名称可以帮助更直观地展示每个月的数据汇总和趋势。

294-5-3、数据清洗和预处理：在数据清洗过程中，可能需要将时间戳数据转换为更易于分析的格式，将日期转换为月份名称可以帮助将数据按月份进行聚合或分析。

294-5-4、市场分析：对于销售数据、用户活动数据等，可以按月份进行分析，以识别季节性趋势、销售高峰期或用户行为模式。

294-5-5、客户和用户行为分析：分析客户行为时，月份名称可以帮助识别客户在不同月份的活动模式或趋势，进而调整营销策略或活动计划。

294-5-6、财务和业务计划：企业在进行财务分析和业务计划时，需要按月份跟踪和预测各种财务指标，如收入、支出和利润等。

294-6、用法
294-6-1、数据准备
无
294-6-2、代码示例
# 294、pandas.Series.dt.month_name方法
# 294-1、数据可视化
import matplotlib.pyplot as plt
import pandas as pd
# 创建示例数据
data = {
    'date': pd.date_range(start='2024-01-01', periods=12, freq='ME'),
    'sales': [200, 220, 250, 270, 300, 320, 280, 310, 330, 340, 360, 380]
}
df = pd.DataFrame(data)
# 添加月份名称列
df['month'] = df['date'].dt.month_name()
# 绘制图表
plt.figure(figsize=(10, 6))
plt.plot(df['month'], df['sales'], marker='o', color='purple')
plt.xlabel('Month')
plt.ylabel('Sales')
plt.title('Monthly Sales')
plt.xticks(rotation=45)
plt.grid(True)
# 添加数据标签
for i, value in enumerate(df['sales']):
    plt.text(i, value + 5, str(value), ha='center', va='bottom', color='red', fontweight='bold')  # 在每个点上方显示标签并加粗
plt.show()

# 294-2、报告和分析
import pandas as pd
# 创建示例数据
data = {
    'date': pd.date_range(start='2024-01-01', periods=12, freq='ME'),
    'sales': [200, 220, 250, 270, 300, 320, 280, 310, 330, 340, 360, 380]
}
df = pd.DataFrame(data)
monthly_sales = df.groupby(df['date'].dt.month_name())['sales'].sum().reset_index()
monthly_sales.columns = ['Month', 'Total Sales']
print(monthly_sales, end='\n\n')

# 294-3、数据清洗和预处理
import pandas as pd
# 创建示例数据
data = {
    'date': pd.date_range(start='2024-01-01', periods=12, freq='ME'),
    'sales': [200, 220, 250, 270, 300, 320, 280, 310, 330, 340, 360, 380]
}
df = pd.DataFrame(data)
df['month_name'] = df['date'].dt.month_name()
print(df, end='\n\n')

# 294-4、市场分析
import pandas as pd
# 创建示例数据
data = {
    'date': pd.date_range(start='2024-01-01', periods=12, freq='ME'),
    'sales': [200, 220, 250, 270, 300, 320, 280, 310, 330, 340, 360, 380]
}
df = pd.DataFrame(data)
monthly_summary = df.groupby(df['date'].dt.month_name()).agg({
    'sales': ['mean', 'median', 'max']
}).reset_index()
print(monthly_summary, end='\n\n')

# 294-5、客户和用户行为分析
import pandas as pd
# 示例数据
user_data = {
    'activity_date': pd.date_range(start='2024-01-01', periods=30, freq='D'),
    'user_id': range(1, 31)
}
user_df = pd.DataFrame(user_data)
# 添加月份名称列
user_df['month'] = user_df['activity_date'].dt.month_name()
# 按月份统计用户活动次数
activity_summary = user_df.groupby('month').size().reset_index(name='activity_count')
print(activity_summary, end='\n\n')

# 294-6、财务和业务计划
import pandas as pd
# 示例财务数据
financial_data = {
    'date': pd.date_range(start='2024-01-01', periods=12, freq='ME'),
    'revenue': [1000, 1100, 1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900, 2000, 2100]
}
financial_df = pd.DataFrame(financial_data)
# 添加月份名称列
financial_df['month'] = financial_df['date'].dt.month_name()
# 按月份汇总收入
monthly_revenue = financial_df.groupby('month')['revenue'].sum().reset_index()
print(monthly_revenue)
294-6-3、结果输出
# 294、pandas.Series.dt.month_name方法
# 294-1、数据可视化
# 见图2

# 294-2、报告和分析
#         Month  Total Sales
# 0       April          270
# 1      August          310
# 2    December          380
# 3    February          220
# 4     January          200
# 5        July          280
# 6        June          320
# 7       March          250
# 8         May          300
# 9    November          360
# 10    October          340
# 11  September          330

# 294-3、数据清洗和预处理
#          date  sales month_name
# 0  2024-01-31    200    January
# 1  2024-02-29    220   February
# 2  2024-03-31    250      March
# 3  2024-04-30    270      April
# 4  2024-05-31    300        May
# 5  2024-06-30    320       June
# 6  2024-07-31    280       July
# 7  2024-08-31    310     August
# 8  2024-09-30    330  September
# 9  2024-10-31    340    October
# 10 2024-11-30    360   November
# 11 2024-12-31    380   December

# 294-4、市场分析
#          date  sales            
#                 mean median  max
# 0       April  270.0  270.0  270
# 1      August  310.0  310.0  310
# 2    December  380.0  380.0  380
# 3    February  220.0  220.0  220
# 4     January  200.0  200.0  200
# 5        July  280.0  280.0  280
# 6        June  320.0  320.0  320
# 7       March  250.0  250.0  250
# 8         May  300.0  300.0  300
# 9    November  360.0  360.0  360
# 10    October  340.0  340.0  340
# 11  September  330.0  330.0  330

# 294-5、客户和用户行为分析
#      month  activity_count
# 0  January              30

# 294-6、财务和业务计划
#         month  revenue
# 0       April     1300
# 1      August     1700
# 2    December     2100
# 3    February     1100
# 4     January     1000
# 5        July     1600
# 6        June     1500
# 7       March     1200
# 8         May     1400
# 9    November     2000
# 10    October     1900
# 11  September     1800

图2：

 

295、pandas.Series.dt.day_name方法
295-1、语法
# 295、pandas.Series.dt.day_name方法
pandas.Series.dt.day_name(*args, **kwargs)
Return the day names with specified locale.

Parameters:
locale
str, optional
Locale determining the language in which to return the day name. Default is English locale ('en_US.utf8'). Use the command locale -a on your terminal on Unix systems to find your locale language code.

Returns:
Series or Index
Series or Index of day names.
295-2、参数

295-2-1、*args(可选)：其他位置参数，为后续扩展功能做预留。

295-2-2、**kwargs(可选)：其他关键字参数，为后续扩展功能做预留。

295-2-2-1、locale(可选)：指定返回的月份名称的语言环境。例如，“en”表示英语，“fr”表示法语。默认情况下，返回值是根据当前系统的默认语言环境生成的。

295-3、功能

        提取日期时间数据中的星期几名称。如，给定一个日期 2024-08-08，它会返回"Thursday"。

295-4、返回值

        返回一个包含星期几名称的Series对象，字符串类型，例如"Monday"、"Tuesday"等。

295-5、说明

        使用场景：

295-5-1、数据分析：在进行时间序列分析时，提取星期几名称可以帮助识别数据的周期性模式。例如，销售数据可能在周末和工作日有不同的趋势。

295-5-2、可视化：当创建基于日期的图表时，使用星期几名称可以使图表更具可读性，便于观察不同星期几的表现。

295-5-3、报表生成：在生成日报或周报时，显示具体的星期几可以让读者更清晰地理解数据的上下文。

295-5-4、事件调度：在安排活动或任务时，了解每个日期是星期几可以帮助选择合适的时间。例如，某些活动可能更适合在周末进行。

295-5-5、数据清洗：在处理包含日期的原始数据时，可以通过提取星期几来过滤或标记特定日期的数据，以便后续分析。

295-5-6、用户行为分析：在分析用户行为时，了解用户在不同星期几的活动情况，可以帮助优化营销策略和产品推荐。

295-6、用法
295-6-1、数据准备
无
295-6-2、代码示例
# 295、pandas.Series.dt.day_name方法
# 295-1、数据分析
import pandas as pd
# 创建示例销售数据
data = {
    'date': pd.date_range(start='2024-08-01', periods=10),
    'sales': [200, 300, 250, 400, 500, 600, 700, 800, 900, 1000]
}
df = pd.DataFrame(data)
# 提取星期几名称
df['day_name'] = df['date'].dt.day_name()
# 按星期几汇总销售数据
sales_by_day = df.groupby('day_name')['sales'].sum().sort_index()
print(sales_by_day, end='\n\n')

# 295-2、可视化
import matplotlib.pyplot as plt
import pandas as pd
# 创建示例销售数据
data = {
    'date': pd.date_range(start='2024-08-01', periods=10),
    'sales': [200, 300, 250, 400, 500, 600, 700, 800, 900, 1000]
}
df = pd.DataFrame(data)
# 提取星期几名称
df['day_name'] = df['date'].dt.day_name()
# 使用前面的数据
sales_by_day = df.groupby('day_name')['sales'].sum().sort_index()
# 绘制柱状图
sales_by_day.plot(kind='bar',color='green')
plt.title('Sales by Day of the Week')
plt.xlabel('Day of the Week')
plt.ylabel('Total Sales')
plt.xticks(rotation=15, color='blue')
plt.show()

# 295-3、报表生成
import pandas as pd
# 创建示例销售数据
data = {
    'date': pd.date_range(start='2024-08-01', periods=10),
    'sales': [200, 300, 250, 400, 500, 600, 700, 800, 900, 1000]
}
df = pd.DataFrame(data)
# 创建日报
report = df[['date', 'sales']]
report['day_name'] = report['date'].dt.day_name()
# 打印日报
print(report, end='\n\n')

# 295-4、事件调度
import pandas as pd
# 假设我们有一组活动数据
events = {
    'event': ['Event A', 'Event B', 'Event C', 'Event D'],
    'date': pd.to_datetime(['2024-08-03', '2024-08-05', '2024-08-06', '2024-08-07'])
}
events_df = pd.DataFrame(events)
# 添加星期几名称
events_df['day_name'] = events_df['date'].dt.day_name()
# 过滤出周末的活动
weekend_events = events_df[events_df['day_name'].isin(['Saturday', 'Sunday'])]
print(weekend_events, end='\n\n')

# 295-5、数据清洗
import pandas as pd
# 假设我们有一组原始数据
raw_data = {
    'date': pd.date_range(start='2024-08-01', periods=10),
    'value': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
}
raw_df = pd.DataFrame(raw_data)
# 添加星期几名称
raw_df['day_name'] = raw_df['date'].dt.day_name()
# 添加一列标记周末
raw_df['is_weekend'] = raw_df['day_name'].isin(['Saturday', 'Sunday'])
print(raw_df, end='\n\n')

# 295-6、用户行为分析
import pandas as pd
# 假设我们有用户行为数据
user_activity = {
    'user_id': [1, 1, 2, 2, 3, 3],
    'activity_date': pd.to_datetime(['2024-08-01', '2024-08-02', '2024-08-03', '2024-08-04', '2024-08-05', '2024-08-06'])
}
activity_df = pd.DataFrame(user_activity)
# 添加星期几名称
activity_df['day_name'] = activity_df['activity_date'].dt.day_name()
# 按星期几汇总用户活动
activity_count = activity_df.groupby('day_name')['user_id'].count()
print(activity_count)
295-6-3、结果输出
# 295、pandas.Series.dt.day_name方法
# 295-1、数据分析
# day_name
# Friday       1200
# Monday        500
# Saturday     1250
# Sunday        400
# Thursday     1000
# Tuesday       600
# Wednesday     700
# Name: sales, dtype: int64

# 295-2、可视化
# 见图3

# 295-3、报表生成
#         date  sales   day_name
# 0 2024-08-01    200   Thursday
# 1 2024-08-02    300     Friday
# 2 2024-08-03    250   Saturday
# 3 2024-08-04    400     Sunday
# 4 2024-08-05    500     Monday
# 5 2024-08-06    600    Tuesday
# 6 2024-08-07    700  Wednesday
# 7 2024-08-08    800   Thursday
# 8 2024-08-09    900     Friday
# 9 2024-08-10   1000   Saturday

# 295-4、事件调度
#      event       date  day_name
# 0  Event A 2024-08-03  Saturday

# 295-5、数据清洗
#         date  value   day_name  is_weekend
# 0 2024-08-01      1   Thursday       False
# 1 2024-08-02      2     Friday       False
# 2 2024-08-03      3   Saturday        True
# 3 2024-08-04      4     Sunday        True
# 4 2024-08-05      5     Monday       False
# 5 2024-08-06      6    Tuesday       False
# 6 2024-08-07      7  Wednesday       False
# 7 2024-08-08      8   Thursday       False
# 8 2024-08-09      9     Friday       False
# 9 2024-08-10     10   Saturday        True

# 295-6、用户行为分析
# day_name
# Friday      1
# Monday      1
# Saturday    1
# Sunday      1
# Thursday    1
# Tuesday     1
# Name: user_id, dtype: int64

图3：

 

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页
神奇夜光杯
关注
  • 134
    点赞
  • 踩
  • 92
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 84
    评论
专栏目录
Python酷库之旅-第三方库Pandas(005)
07-05
Pandas_read_excel函数数据准备
Python酷库之旅-第三方库Pandas(069)
ygb_1024的博客
08-07 2384
第三方库Pandas(069)
Python酷库之旅-第三方库Pandas(046)
ygb_1024的博客
07-26 1451
第三方库Pandas(046)
Python酷库之旅-第三方库Pandas(064)
ygb_1024的博客
08-04 2319
第三方库Pandas(064)
Python酷库之旅-第三方库Pandas(059)
ygb_1024的博客
08-02 1851
第三方库Pandas(059)
Python酷库之旅-第三方库Pandas(062)
ygb_1024的博客
08-03 3448
第三方库Pandas(062)
Python库 | coconut-develop-2.0.0a0.dev23.tar.gz
03-01
你可以使用pip来安装和管理Coconut库，同时，它与其他Python库（如NumPy、Pandas等）无缝协作，这意味着你可以在使用Coconut的同时，充分利用Python丰富的第三方库资源。 Coconut库的源代码打包为`coconut-develop-...
Python库 | seleniumbase-1.38.6-py2.py3-none-any.whl
03-24
7. **集成第三方库**：`seleniumbase`能够与`unittest`、`pytest`等测试框架无缝集成，也可以与其他库如`pandas`和`requests`配合，实现更复杂的测试需求。 8. **可扩展性**：`seleniumbase`设计为模块化，用户可以...
python-3.12.1-amd64安装包
01-26
此外，Python的pip工具允许用户方便地安装、升级和管理第三方库，进一步扩展了Python的功能。 总之，"python-3.12.1-amd64.exe"是一个针对64位Windows系统的Python 3.12.1安装程序，包含了运行和开发Python应用所需...
python-3.8.9-amd64-window.exe.zip
11-17
7. **Python库**: Python有丰富的第三方库支持，如Numpy用于科学计算，Pandas用于数据处理，Django和Flask用于Web开发。安装Python后，用户可以通过pip（Python的包管理器）来安装这些库。 8. **Python IDEs**: ...
【python】—— Python爬虫实战：爬取珠海市2011-2023年天气数据并保存为CSV文件
weixin_63106307的博客
09-05 1135
本文将介绍如何使用Python编写一个简单的爬虫程序，以爬取珠海市2011年至2023年的天气数据，并将这些数据保存为CSV文件。
JS都有哪些操作数组的方法
ggq53219的博客
09-04 614
JavaScript 中操作数组的方法非常丰富，这些方法大致可以分为几类：创建和初始化数组、添加元素、删除元素、遍历数组、搜索元素、数组排序、数组映射和过滤等。
[Python]生成器和yield关键字
weixin_57336987的博客
09-07 398
概述:​ 它指的是 generator, 类似于以前学过的: 列表推导式, 集合推导式, 字典推导式…作用:​ 降低资源消耗, 快速(批量)生成数据.实现方式:​ 1.推导式写法.​ 2.yield写法.yield i # yield会记录每个生成的数据, 然后逐个的放到生成器对象中, 最终返回生成器对象.问题: 如何从生成器对象中获取数据?​ 答案:​ 1.for循环遍历​ 2.next()函数, 逐个获取.
基于人工智能的音乐情感分类系统
stm32d1219的博客
09-06 1128
音乐作为一种强烈的情感表达方式，不同的音调、节奏和和声传递着不同的情感信息。通过人工智能技术，能够自动识别音乐中的情感，为用户提供个性化的音乐推荐或情感分析服务。通过使用MFCC特征提取与神经网络分类算法，音乐情感分类系统可以有效地分析音乐中的情感信息，并根据不同情感对音乐进行分类。随着深度学习技术的进一步发展，音乐情感分类系统的准确性和应用范围将得到进一步提升。音乐情感分类是通过对音乐音频信号进行分析，识别出音乐传递的情感，如“愉快”、“悲伤”、“愤怒”等。问题讨论，人工智能的资料领取可以私信！
币安/OK现货合约量化系统APP开发
I592O929783的博客
09-08 550
后端：考虑系统需要处理大量实时数据和高频交易的特点，选择高性能的编程语言和技术框架，如Python的Django或Flask框架，Java的Spring Boot等。用户交互界面：设计直观易用的用户交互界面，包括交易界面、策略配置界面、风险管理界面等，方便用户进行交易操作、策略配置和风险管理。市场数据接入：开发市场数据接入模块，从币安等交易所或数据服务商获取实时的市场数据，包括行情数据、订单簿数据、成交数据等。前端：选择适合开发复杂界面的前端框架，如React、Vue.js等，以提供用户友好的交互界面。
数模原理精解【8】
最新发布
基础数学与物理学
09-10 926
假设有一个nnn维随机向量XX1X2XnTXX1​X2​Xn​T，它服从均值为μμ1μ2μnTμμ1​μ2​μn​T和协方差矩阵为ΣΣfXx12πn2∣Σ∣12exp⁡−12x−μTΣ−1x−μfX​x2πn/2∣Σ∣1/21​exp−21​x−μTΣ−1x−μxx1x2xnTxx1​x。
访问数组索引时超出边界引发 ArrayIndexOutOfBoundsException
Itmastergo的博客
09-05 1135
在 Java 中，数组是一种数据结构，用于存储固定数量的同类型元素。数组中的元素可以是基本数据类型（如intcharfloat等）或引用类型（如String、自定义类等）。数组是一种线性表数据结构，也就是说，数组中的元素可以通过一个整数索引来访问。数组的索引从0开始，这意味着对于长度为n的数组，合法的索引范围是从0到n-1。// 创建一个长度为 5 的整型数组在上面的例子中，numbers是一个包含 5 个整型元素的数组，索引从0到4。数组的大小在创建时就已经固定，因此无法动态扩展。
程序的格式框架与缩进
qq_57335683的博客
09-08 359
在上一课时中，我们介绍了 Python 的基本概念，并成功运行了第一个 Python 程序。本课时将深入探讨 Python 程序的基本结构、缩进的重要性，以及如何正确使用注释。通过本课时的学习，你将更好地理解 Python 代码的组织方式，并能够避免一些常见的编程错误。通过本课时的学习，你了解了 Python 程序的基本结构，认识到缩进在 Python 中的重要性，并学会了如何避免常见的缩进错误。缩进不仅是 Python 代码风格的一部分，而且是语法的一部分。这意味着如果缩进不正确，程序将无法正常运行。
可视化编程 制作在线点名程序，人工和随机生成两种模式
lfsysc的博客
09-06 831
"第一排第1位置","第一排第2位置","第一排第3位置","第一排第4位置","第一排第5位置","第一排第6位置",],["第四排第1位置","第四排第2位置","第四排第3位置","第四排第4位置","第四排第5位置","第四排第6位置",],["第五排第1位置","第五排第2位置","第五排第3位置","第五排第4位置","第五排第5位置","第五排第6位置",],["第六排第1位置","第六排第2位置","第六排第3位置","第六排第4位置","第六排第5位置","第六排第6位置",],
评论 84
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

打赏作者

神奇夜光杯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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