努力让自己发光，对的人才能迎着光而来

专栏导读 一、Bokeh是什么？ 二、安装与导入 三、Bokeh接口介绍 四、创建图表 五、添加自定义渲染器 切换主题 添加图例 图例位置 图例方向 图例背景和边界 图例文本的外观 行列布局 网格布局

一、Seaborn介绍 1.1 介绍 1.2 安装 1.3 风格设置 1.3.1 style（风格） 1.3.2 context（环境设置） 1.4 调色盘设置 1.5 数据集下载 二、Relational plots（关系图） 2.1 scatterplot（散点图） 2.2 lineplot（线图） 2.3 rel

1. 雷达图 1）介绍 2）参数说明2. 基本雷达图3. 堆叠雷达图4. 六边形战士5. 多个雷达图6. 雷达图矩阵7. 极坐标雷达图

一、热力图介绍 1. 介绍 2. 参数说明二、绘制热力图 1. 普通热力图 2. 添加坐标轴和标题 3. 添加热力标尺 4. 添加色块数值 5. 修改热力图颜色 6. 突出特殊数据三、应用场景 1. 适用场景 2. 不适用场景

专栏导读 1. 气泡图介绍 1）介绍 2）参数说明 2. 普通气泡图 3. 网格气泡图 4. 自定义气泡图颜色 5. 不同颜色气泡图 6. 钟型气泡图 7. 交互气泡图 8. 打卡气泡图 9. 动态气泡图

专栏导读 1. 直方图介绍 1）介绍 2）直方图的五种形态 （1）标准型 （2）孤岛型 （3）双峰型 （4）折齿型 （5）陡壁型 3）参数说明 2. 单变量直方图 3. 多变量直方图 4. 堆叠直方图 5. 分组直方图 6. 多个子图的直方图 7. 折线直方图 8. 正态

1. 箱形图介绍 1）箱形图介绍 2）怎么看箱型图？ 3）参数说明2. 普通箱型图 1）绘图 2）解释说明3. 水平箱形图4. 带有缺口的箱形图5. 群组箱形图6. 堆叠箱形图7. 核密度估计箱形图8. 小提琴箱形图

1. 参数说明2. 两主特征：二维散点图 1）普通散点图 2）文字标签散点图 3）带颜色映射的散点图 4）ArcGIS散点图 5）气泡图 6）分类散点图 7）线性拟合散点图 8）分类+线性拟合散点图3. 三主特征：三维散点图 1）三维散点图 2）三维分类散点图 3）三维波浪分类散点图4. 多主特征：二维散点图矩阵 1）二维散点图矩阵 2）二维分类散点图矩阵

专栏导读 0. 前言 1. 参数说明 2. 普通饼图 3. 百分比饼图 4. 突出某一块的饼图 5. 自定义颜色的饼图 6. 多个子图 7. 圆环饼图 8. 圆环分离饼图 9. 饼图+圆环图组合 10. 多层圆环饼图

0. 专栏导读 1. 普通柱状图 2. 簇状柱形图 3. 堆积柱形图 4. 横向柱状图 5. 横向双向柱状图 6. 百分比堆积柱形图 7. 3D柱形图 8. 3D堆积柱形图 9. 3D百分比堆积柱形图

0. 专栏导读 1. 普通折线图 2. 网格折线图 3. 趋势折线图 4. 对比折线图 5. 百分比折线图 6. 多条折线图 7. 多坐标子图 8. 堆积折线图 9. 百分比堆积折线图 10. 3D折线图

一、课程介绍 为什么要学习matplotlib 什么是matplotlib二、绘制折线图 基础绘图 设置图片大小和分辨率 调整X或者Y轴上的刻度 设置中文显示 坐标轴添加描述信息 绘制网格 双折线图 添加图例 自定义绘制图形的风格 保存图片三、绘制散点图 普通绘图 双散点图四、绘制条形图 绘制竖着条形图 绘制横着条形图 绘制多条形图五、直方图：his

1. 什么是数据可视化？ 2. 为什么会用数据可视化？ 3. 数据可视化的好处？ 4. 如何使用数据可视化？ 5. Python数据可视化常用工具 1）Matplotlib绘图 2）Seaborn绘图 3）Bokeh绘图 6. 常用图表介绍及其应用场景 1）折线图 2）柱状图 3）饼图 4）散点图 5）箱形图 6）区域

一、to_numeric参数说明 0. 介绍 1. arg 1）接收列表 2）接收一维数组 3）接收Series对象 2. errors 1）`errors='coerce'` 2）`errors = 'ignore'` 3. downcast 1）downcast='integer' 2）downcast='signed' 3）downcast=

专栏导读 1. 数据标准化是什么？ 2. 数据标准化的作用 3. 数据标准化的方法 4. 离差标准化 5. 标准差标准化 6. 小数定标标准化

一、添加标签前后缀 1. add_prefix('str') 2. add_suffix('str')二、标签重命名 1. set_axis() 1）修改行标签 2）修改列标签 2. rename() 1）直接替换标签名 2）用字符串函数处理标签名三、标签排序 1. reset_index 2. reindex() 1）默认情况修改行标签排列顺序 2）

一、Python字符串内置方法 1. 文本查找 2. 文本替换 3. 文本拼接 4. 正则提取二、Pandas实现文本查找 1. str.startswith(字符串) 2. str.endswith(字符串) 3. str.index(字符串, start=0, end=len(string)) 4. str.rindex(字符串, start=0, end=len(string)) 5. str.find(字符串, star

一、Python字符串内置方法1. 判断类型2. 去除空白字符3. 拆分和连接二、Pandas判断类型 1. str.isspace() 2. str.isalnum() 3. str.isalpha() 4. str.isdecimal() 5. str.isdigit() 6. str.isnumeric() 7. str.istitle() 8. str.islower() 9. str.isupper()三、Pan

1. 文本数据类型介绍 1）类型介绍 2）类型转换 3）类型区别 区别1：统计字符串时 区别2：检查字符串时2. Python字符串内置方法 1) 大小写转换 2) 文本对齐 3）获取长度 4）获取出现次数 5）编码3. Pandas怎么使用内置方法？ 1) 大小写转换 2) 文本对齐 3）获取长度 4）获取出现次数 5）编码4. 注意事项

一、按索引排序：sort_index() 1. Series类型排序 1）升序 2）降序 2. DataFrame类型排序 1）按行索引排序 2）按列索引排序二、按值排序：sort_values() 1. Series类型排序 1）升序 2）降序 2. DataFrame类型排序 1）单列排序 2）多列排序 3）排序算法

一、布尔索引二、between()三、isin() 1. 单列筛选 2. 多列筛选 3. 通过字典的形式传递多个条件 4. 删除异常值所在行 5. isnotin实现四、loc、iloc（重要） 0. 创建DataFrame 1. 提取行数据 2. 提取列数据 3. 提取多列数据 4. 提取指定行、指定列数据 5. 提取所有数据 6. 提取指定数据行

一、drop()：删除指定行列 1. 删除指定行 2. 删除指定列 二、del()：删除指定列 三、isnull()：判断是否为缺失 1. 判断是否为缺失 2. 判断哪些列存在缺失 3. 统计缺失个数 四、notnull()：判断是否不为缺失 五、dropna()：删除缺失值 1. 导入数据 2. 删除含有NaN值的所有行 3. 删除含有Na

一、数据连接（pd.merge） 1. left、right 2. how 3. on 4. left_on、right_on 5. sort 6. suffixes 7. left_index、right_index 二、数据合并（pd.concat） 1. index 没有重复的情况 2. index 有重复的情况 3. Data

一、透视表基础参数说明+实战案例 0. 导入Excel数据 1. data 2. index 3. values 4. columns 5. aggfunc 6. fill_value 7. dropna 8. margins 9. margins_name 10. observed 11. sort

一、聚合 (aggregation) 1. 内置的聚合函数 2. 可自定义函数，传入agg方法中 3. 应用多个聚合函数 4. 对不同的列分别作用不同的聚合函数，使用dict 二、数据的分组运算 1. merge 2. transform 三、groupby.apply(func) 1. 产生层级索引：外层索引是分组名，内层索引是df_obj的行索引 2.

一、分组 (groupby) 1. GroupBy对象：DataFrameGroupBy，SeriesGroupBy 1）分组操作 2）分组运算 3）按自定义的key分组 2. GroupBy对象支持迭代操作 1）单层分组 2）多层分组 3. GroupBy对象可以转换成列表或字典 1）按列分组、按数据类型分组

一、Pandas自定义函数 1. pipe() 2. apply() 3. map() 4. applymap() 5. agg() 二、总结

一、常用统计方法与案例 1. 求和（sum） 2. 求平均值（mean） 3. 求最小值（min） 4. 求最大值（max） 5. 求中位数（median） 6. 求众数（mode） 7. 求方差（var） 8. 求标准差（std） 9. 求分布情况（describe） 10. 求相关系数（corr）

100天精通Python（数据分析篇）——第61天：Pandas.to_datetime函数（处理时间）一、to_datetime参数说明（代码实战） 1. arg 2. errors 3. dayfirst 4. yearfirst 5. utc 6. format 7. exact 8. unit 9. infer_datetime_format 10. origin 11. cache二、返回值

100天精通Python（数据分析篇）——第60天：Pandas读写xml文件（read_xml、to_xml）一、read_xml 1. path_or_buffer 2. xpath 3. namespaces 4. elems_only 5. attrs_only 6. names 7. encoding 8. parser 9. stylesheet 10. compression 11. storage_o

100天精通Python（数据分析篇）——第59天：Pandas读写json文件（read_json、to_json）一、read_json() 1. path_or_buf 2. orient 3. typ 4. dtype 5. convert_axes 6. convert_dates 7. keep_default_dates 8. numpy 9. precise_float 10. date_unit

100天精通Python（数据分析篇）——第58天：Pandas读写数据库（read_sql、to_sql） 一、read_sql() 1. sql 2. con 3. index_col 4. coerce_float 5. params 6. parse_dates 7. columns 8. chunksize二、to_sql() 1. name 2. con 3. schema 4. if

每篇前言 二、Excel文件 1. read_excel() io sheet_name header names index_col usecols squeeze skiprows 2. to_excel() excel_writer

100天精通Python（数据分析篇）——第56天：Pandas读写txt和csv文件（read_csv、to_csv）一、文本文件 1. read_csv() skiprows nrows index_col names 2. to_csv() sep na_rep columns header index

每篇前言 一、什么是DataFrame？ 二、创建DataFrame对象 1. list列表构建DataFrame 2. dict字典构建DataFrame 3. ndarray创建DataFrame 4. Series创建DataFrame 三、列索引操作 1. 读取单列 2. 读取不连续索引 3. 添加新列 4. 删除列 四、索引读取数据

一、什么是Series？二、创建Series 1. list构建Series 2. ndarray创建 3. dict字典对象创建 4. 指定索引创建 5. 设置 Series名称参数创建三、索引操作 1. 行索引 2. 切片索引 3. 不连续索引 4. 布尔索引四、层级索引 1. MultiIndex索引对象 2. 选取子集 3. 交换分层顺序五、对齐运算 1. 按行、索引对齐

一、初始pandas 1. 什么是pandas？ 2. 为什么要学习pandas？ 3. pandas的优势 4. 下载安装pandas二、Pandas的数据类型 1. Series 2. DataFrame

100天精通Python（数据分析篇）——第52天：numpy完结 每篇前言 一、拷贝 1. 赋值 2. 视图 3. 副本 4. 注意点copy和view 二、numpy常用方法 1. 小技巧 2. 生成随机数 三、numpy中的nan和inf

100天精通Python（数据分析篇）——第51天：numpy函数进阶1. 字符串函数2. 数学函数3. 算术函数4. 统计函数5. 排序函数6. 搜索函数

一、数组操作 1. 查看数据形状 2. 修改数组形状 3. 数组和数的计算 4. 数组和数组的计算 5. 数组中的转置 6. 数组的拼接 7. 数组的行列交换 8. 数组中的clip(裁剪) 9. 数组中数值的修改二、numpy常用方法 1. 小技巧 2. 生成随机数 3. 注意点copy和view.........