首页 > 其他分享 >pandas 用户数据分析2

pandas 用户数据分析2

时间：2023-02-07 16:00:23浏览次数：46  
标签：数据分析 ... 01 1997 unactive df 用户 pandas 0.000

user_analysis    

第一部分:数据类型处理

数据加载

字段含义:
    user_id:用户ID
    order_dt:购买日期
    order_product:购买产品的数量
    order_amount:购买金额

观察数据

查看数据的数据类型
数据中是否存储在缺失值
将order_dt转换成时间类型
查看数据的统计描述
    计算所有用户购买商品的平均数量
    计算所有用户购买商品的平均花费
    在源数据中添加一列表示月份:astype(datetime64[M])
  In [ ]: 
# 加载数据，定义字段含义
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
pd.set_option('display.float_format', lambda x: '%.3f' % x)
df = pd.read_csv("./CDNOW_master.txt", header=None,
                 sep="\s+", names=["user_id", "order_dt", "order_product", "order_amount"])
df.head()
  Out[ ]:  
 user_idorder_dtorder_productorder_amount
0 1 19970101 1 11.770
1 2 19970112 1 12.000
2 2 19970112 5 77.000
3 3 19970102 2 20.760
4 3 19970330 2 20.760
  In [ ]: 
# 将order_dt转换成时间类型，格式化时间
df["order_dt"] = pd.to_datetime(df["order_dt"], format="%Y%m%d")
  In [ ]: 
# 添加month列
df["month"] = df["order_dt"].values.astype("datetime64[M]")
df.head(20)
  Out[ ]:  
 user_idorder_dtorder_productorder_amountmonth
0 1 1997-01-01 1 11.770 1997-01-01
1 2 1997-01-12 1 12.000 1997-01-01
2 2 1997-01-12 5 77.000 1997-01-01
3 3 1997-01-02 2 20.760 1997-01-01
4 3 1997-03-30 2 20.760 1997-03-01
5 3 1997-04-02 2 19.540 1997-04-01
6 3 1997-11-15 5 57.450 1997-11-01
7 3 1997-11-25 4 20.960 1997-11-01
8 3 1998-05-28 1 16.990 1998-05-01
9 4 1997-01-01 2 29.330 1997-01-01
10 4 1997-01-18 2 29.730 1997-01-01
11 4 1997-08-02 1 14.960 1997-08-01
12 4 1997-12-12 2 26.480 1997-12-01
13 5 1997-01-01 2 29.330 1997-01-01
14 5 1997-01-14 1 13.970 1997-01-01
15 5 1997-02-04 3 38.900 1997-02-01
16 5 1997-04-11 3 45.550 1997-04-01
17 5 1997-05-31 3 38.710 1997-05-01
18 5 1997-06-16 2 26.140 1997-06-01
19 5 1997-07-22 2 28.140 1997-07-01
  In [ ]: 
# 计算所有用户购买商品的平均数量 2.410040
# 计算所有用户购买商品的平均花费 35.893648
df.describe()[["order_product", "order_amount"]]
  Out[ ]:  
 order_productorder_amount
count 69659.000 69659.000
mean 2.410 35.894
std 2.334 36.282
min 1.000 0.000
25% 1.000 14.490
50% 2.000 25.980
75% 3.000 43.700
max 99.000 1286.010
   

第二部分:按月数据分析

用户每月花费的总金额

绘制曲线图展示

所有用户每月的产品购买量

所有用户每月的消费总次数

统计每月的消费人数

  In [ ]: 
# 用户每月花费的总金额，并绘制折线图
df.groupby(by="month")["order_amount"].sum().plot()
  Out[ ]: 
<AxesSubplot: xlabel='month'>
    In [ ]: 
# 所有用户每月的产品购买量
df.groupby(by="month")["order_product"].sum().plot()
  Out[ ]: 
<AxesSubplot: xlabel='month'>
    In [ ]: 
# 所有用户每月的消费总次数
df.groupby(by="month")["user_id"].count()
  Out[ ]: 
month
1997-01-01     8928
1997-02-01    11272
1997-03-01    11598
1997-04-01     3781
1997-05-01     2895
1997-06-01     3054
1997-07-01     2942
1997-08-01     2320
1997-09-01     2296
1997-10-01     2562
1997-11-01     2750
1997-12-01     2504
1998-01-01     2032
1998-02-01     2026
1998-03-01     2793
1998-04-01     1878
1998-05-01     1985
1998-06-01     2043
Name: user_id, dtype: int64
  In [ ]: 
# 统计每月的消费人数
df.groupby(by="month")["user_id"].nunique()
  Out[ ]: 
month
1997-01-01    7846
1997-02-01    9633
1997-03-01    9524
1997-04-01    2822
1997-05-01    2214
1997-06-01    2339
1997-07-01    2180
1997-08-01    1772
1997-09-01    1739
1997-10-01    1839
1997-11-01    2028
1997-12-01    1864
1998-01-01    1537
1998-02-01    1551
1998-03-01    2060
1998-04-01    1437
1998-05-01    1488
1998-06-01    1506
Name: user_id, dtype: int64
   

第三部分: 用户个体消费数据分析

用户消费总金额和消费总次数的统计描述

用户消费金额和消费次数的散点图

各个用户消费总金额的直方分布图(消费金额在1000之内的分布)

各个用户消费的总数量的直方分布图(消费商品的数量在100次之内的分布)

  In [ ]: 
# 用户消费总金额
df.groupby(by="user_id")["order_amount"].sum()
  Out[ ]: 
user_id
1        11.770
2        89.000
3       156.460
4       100.500
5       385.610
          ...  
23566    36.000
23567    20.970
23568   121.700
23569    25.740
23570    94.080
Name: order_amount, Length: 23570, dtype: float64
  In [ ]: 
# 用户消费总次数
df.groupby(by="user_id")["order_amount"].count()
  Out[ ]: 
user_id
1         1
2         2
3         6
4         4
5        11
         ..
23566     1
23567     1
23568     3
23569     1
23570     2
Name: order_amount, Length: 23570, dtype: int64
  In [ ]: 
# 用户消费金额和消费次数的散点图
# 用户消费金额
money = df.groupby(by="user_id")["order_amount"].sum()
# 用户消费次数
times = df.groupby(by="user_id")["order_product"].count()
# 绘图
plt.scatter(times, money)
  Out[ ]: 
<matplotlib.collections.PathCollection at 0x25588bbaed0>
    In [ ]: 
# 各个用户消费总金额的直方分布图(消费金额在1000之内的分布)
df.groupby(by='user_id').sum().query("order_amount < 1000")["order_amount"].hist()
    
C:\Users\chenh\AppData\Local\Temp\ipykernel_22864\701786761.py:2: FutureWarning: The default value of numeric_only in DataFrameGroupBy.sum is deprecated. In a future version, numeric_only will default to False. Either specify numeric_only or select only columns which should be valid for the function.
  df.groupby(by='user_id').sum().query("order_amount < 1000")["order_amount"].hist()
Out[ ]: 
<AxesSubplot: >
    In [ ]:     In [ ]: 
# 各个用户消费的总数量的直方分布图(消费商品的数量在100次之内的分布)
df.groupby(by="user_id").sum().query("order_product < 100")["order_product"].hist()
    
C:\Users\chenh\AppData\Local\Temp\ipykernel_22864\2679188117.py:2: FutureWarning: The default value of numeric_only in DataFrameGroupBy.sum is deprecated. In a future version, numeric_only will default to False. Either specify numeric_only or select only columns which should be valid for the function.
  df.groupby(by="user_id").sum().query("order_product < 100")["order_product"].hist()
Out[ ]: 
<AxesSubplot: >
     

第四部分: 用户消费行为分析

用户第一次消费的月份分布，和人数统计

绘制线形图

用户最后一次消费的时间分布，和人数统计

绘制线形图

新老客户的占比

消费一次为新用户
消费多次为老用户
    分析出每一个用户的第一个消费和最后一次消费的时间
    agg(['func1func2]):对分组后的结果进行指定聚合
    分析出新老客户的消费比例

用户分层

分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格rfm
RFM模型设计
    R表示客户最近一次交易时间的间隔
        /np.timedelta64(1，"D"):去除days。
    F表示客户购买商品的总数量,F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
    M表示客户交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。
    将R，F，M作用到rfm表中
根据价值分层，将用户分为:
    "重要价值客户"
    "重要保持客户"
    "重要挽留客户"
    "重要发展客户"
    "一般价值客户"
    "一般保持客户"
    "一般挽留客户"
    "一般发展客户"
        使用已有的分层模型rfm_func
  In [ ]: 
# 用户第一次消费的月份统计，和人数统计，绘制折线图
first_con = df.groupby(by="user_id")["month"].min().value_counts().plot()
      In [ ]: 
# 用户最后一次消费的月份统计和人数统计，绘制折线图
df.groupby(by="user_id")["month"].max().value_counts().plot()
  Out[ ]: 
<AxesSubplot: >
    In [ ]: 
# # 新老用户占比
# 消费一次新用户,消费多次老用户
# 如何获知用户是否为第一次消费? 可以根据用户的消费时间进行判定?
# 如果用户的第一次消费时间和最后一次消费时间一样，则该用户只消费了一次为新用户，否则为老用户

new_old_con_df = df.groupby(by="user_id")["order_dt"].agg(["min","max"])
new_old = new_old_con_df["min"] == new_old_con_df["max"].values
new = new_old.value_counts()[True]
old = new_old.value_counts()[False]
new_proportion = new / (new + old)
old_proportion = old / (new + old)

"老用户占比：{:.2f}%".format(old_proportion*100),"新用户占比：{:.2f}%".format(new_proportion*100)
  Out[ ]: 
('老用户占比：48.86%', '新用户占比：51.14%')
  In [ ]: 
# 分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格rfm 用透视表
rfm = df.pivot_table(index="user_id", aggfunc={"order_product":"sum", "order_amount": "sum", "order_dt":"max"})
  In [ ]: 
# R表示用户最近一次交易时间的间隔
# R = df中最大的日期 - 每个用户最后一次交易的日期
# 去除days用 /np.timedelta64(1，"D")
today = df["order_dt"].max()
rfm["R"] = (today - df.groupby(by="user_id")["order_dt"].max()) / np.timedelta64(1,"D")
  In [ ]: 
# 删除order_dt字段
rfm.drop("order_dt", axis=1, inplace=True)
  In [ ]: 
# 重命名字段名为MRF
rfm.columns = ["M", "F", "R"]
rfm
  Out[ ]:  
 MFR
user_id   
1 11.770 1 545.000
2 89.000 6 534.000
3 156.460 16 33.000
4 100.500 7 200.000
5 385.610 29 178.000
... ... ... ...
23566 36.000 2 462.000
23567 20.970 1 462.000
23568 121.700 6 434.000
23569 25.740 2 462.000
23570 94.080 5 461.000

23570 rows × 3 columns

  In [ ]: 
# RFM模型
def rfm_func(x):
    level = x.map(lambda x: "1" if x >= 0 else "0")
    label = level.R + level.F + level.M
    d = {
        "111": "重要价值客户",
        "011": "重要保持客户",
        "101": "重要挽留客户",
        "001": "重要发展客户",
        "110": "一般价值客户",
        "010": "一般保持客户",
        "100": "一般挽留客户",
        "000": "一般发展客户"
    }
    result = d[label]
    return result
  In [ ]: 
# 将rfm_func计算的结果返回给新建label列 (lambda x: x - x.mean()).rfm_func
rfm["label"] = rfm.apply(lambda x: x - x.mean()).apply(rfm_func, axis=1)
rfm.head()
  Out[ ]:  
 MFRlabel
user_id    
1 11.770 1 545.000 一般挽留客户
2 89.000 6 534.000 一般挽留客户
3 156.460 16 33.000 重要保持客户
4 100.500 7 200.000 一般发展客户
5 385.610 29 178.000 重要保持客户
   

第五部分: 用户的生命周期

将用户划分为活跃用户和其他用户

统计每个用户每个月的消费次数
统计每个用户每个月是否消费，消费记录为1否则记录为0
    知识点: DataFrame的apply和applymap的区别
        applymap:返回df
            将函数做用于DataFrame中的所有元素(elements)
        apply:返回Series
            apply()将一个函数作用于DataFrame中的每个行或者列

将用户按照每一个月份分成:

unreg:观望用户(前两月没买，第三个月才第一次买,则用户前两个月为观望用户)。
unactive:首月购买后，后序月份没有购买则在没有购买的月份中该用户的为非活用户。 
new:当前月就进行首次购买的用户在当前月为新用户
active:连续月份购买的用户在这些月中为活跃用户
return:购买之后间隔n月再次购买的第一个月份为该月份的回头客
  In [ ]: 
# 统计每个用户每个月的消费次数 用透视 var:user_month_count_df
user_month_count_df = df.pivot_table(index="user_id",values="order_dt",aggfunc="count", columns="month").fillna(value=0)
user_month_count_df
  Out[ ]:  
month1997-01-011997-02-011997-03-011997-04-011997-05-011997-06-011997-07-011997-08-011997-09-011997-10-011997-11-011997-12-011998-01-011998-02-011998-03-011998-04-011998-05-011998-06-01
user_id                  
1 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
2 2.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
3 1.000 0.000 1.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000 2.000 0.000 0.000 0.000 0.000 0.000 1.000 0.000
4 2.000 0.000 0.000 0.000 0.000 0.000 0.000 1.000 0.000 0.000 0.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000
5 2.000 1.000 0.000 1.000 1.000 1.000 1.000 0.000 1.000 0.000 0.000 2.000 1.000 0.000 0.000 0.000 0.000 0.000
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
23566 0.000 0.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
23567 0.000 0.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
23568 0.000 0.000 1.000 2.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
23569 0.000 0.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
23570 0.000 0.000 2.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

23570 rows × 18 columns

  In [ ]: 
# 统计每个用户每个月是否消费，消费记录为1否则记录为0  var:df_purchase
df_purchase = user_month_count_df.applymap(lambda x : 1 if x >=1 else 0 )
df_purchase
  Out[ ]:  
month1997-01-011997-02-011997-03-011997-04-011997-05-011997-06-011997-07-011997-08-011997-09-011997-10-011997-11-011997-12-011998-01-011998-02-011998-03-011998-04-011998-05-011998-06-01
user_id                  
1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 1 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0
4 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0
5 1 1 0 1 1 1 1 0 1 0 0 1 1 0 0 0 0 0
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
23566 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
23567 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
23568 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
23569 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
23570 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

23570 rows × 18 columns

  In [ ]: 
# 用户生命周期模型，固定算法
def active_status(data):
    status = []
    for i in range(18):
        # 若本月没有消费
        if data[i] == 0:
            if len(status) > 0:
                if status[i-1] == "unreg":
                    status.append("unreg")
                else:
                    status.append("unactive")
            else:
                status.append("unreg")

        # 若本月消费
        else:
            if len(status) == 0:
                status.append("new")
            else:
                if status[i-1] == "unactive":
                    status.append("return")
                elif status[i-1] == "ureg":
                    status.append("new")
                else:
                    status.append("active")
    return status
  In [ ]: 
# 将df_purchase中的原始数据0和1修改为new,unactive...返回新var:df_purchase_new
df_purchase_new = df_purchase.apply(active_status,axis=1)
df_purchase_new
  Out[ ]: 
user_id
1        [new, unactive, unactive, unactive, unactive, ...
2        [new, unactive, unactive, unactive, unactive, ...
3        [new, unactive, return, active, unactive, unac...
4        [new, unactive, unactive, unactive, unactive, ...
5        [new, active, unactive, return, active, active...
                               ...                        
23566    [unreg, unreg, active, unactive, unactive, una...
23567    [unreg, unreg, active, unactive, unactive, una...
23568    [unreg, unreg, active, active, unactive, unact...
23569    [unreg, unreg, active, unactive, unactive, una...
23570    [unreg, unreg, active, unactive, unactive, una...
Length: 23570, dtype: object
  In [ ]: 
# 将pivoted_status的values转成list，再将list转成DataFrame
# 将df_purchase的index作为df_pruchase的index，columns相同
# var:df_puechase_new
df_purchase_new1 = pd.DataFrame(data=df_purchase_new.to_list(),index=df_purchase.index, columns=df_purchase.columns)
df_purchase_new1.head()
  Out[ ]:  
month1997-01-011997-02-011997-03-011997-04-011997-05-011997-06-011997-07-011997-08-011997-09-011997-10-011997-11-011997-12-011998-01-011998-02-011998-03-011998-04-011998-05-011998-06-01
user_id                  
1 new unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive
2 new unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive unactive
3 new unactive return active unactive unactive unactive unactive unactive unactive return unactive unactive unactive unactive unactive return unactive
4 new unactive unactive unactive unactive unactive unactive return unactive unactive unactive return unactive unactive unactive unactive unactive unactive
5 new active unactive return active active active unactive return unactive unactive return active unactive unactive unactive unactive unactive
  In [ ]: 
# 将每月不同活跃用户进行计数 var:purchase_status_ct
purchase_status_ct = df_purchase_new1.apply(lambda x : pd.value_counts(x),axis=0).fillna(0)
purchase_status_ct.head()
  Out[ ]:  
month1997-01-011997-02-011997-03-011997-04-011997-05-011997-06-011997-07-011997-08-011997-09-011997-10-011997-11-011997-12-011998-01-011998-02-011998-03-011998-04-011998-05-011998-06-01
active 0.000 9633.000 8929.000 1773.000 852.000 747.000 746.000 604.000 528.000 532.000 624.000 632.000 512.000 472.000 571.000 518.000 459.000 446.000
new 7846.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
return 0.000 0.000 595.000 1049.000 1362.000 1592.000 1434.000 1168.000 1211.000 1307.000 1404.000 1232.000 1025.000 1079.000 1489.000 919.000 1029.000 1060.000
unactive 0.000 6689.000 14046.000 20748.000 21356.000 21231.000 21390.000 21798.000 21831.000 21731.000 21542.000 21706.000 22033.000 22019.000 21510.000 22133.000 22082.000 22064.000
unreg 15724.000 7248.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
  In [ ]: 
# 转置
t_purchase_status_ct = purchase_status_ct.T
t_purchase_status_ct
  Out[ ]:  
 activenewreturnunactiveunreg
month     
1997-01-01 0.000 7846.000 0.000 0.000 15724.000
1997-02-01 9633.000 0.000 0.000 6689.000 7248.000
1997-03-01 8929.000 0.000 595.000 14046.000 0.000
1997-04-01 1773.000 0.000 1049.000 20748.000 0.000
1997-05-01 852.000 0.000 1362.000 21356.000 0.000
1997-06-01 747.000 0.000 1592.000 21231.000 0.000
1997-07-01 746.000 0.000 1434.000 21390.000 0.000
1997-08-01 604.000 0.000 1168.000 21798.000 0.000
1997-09-01 528.000 0.000 1211.000 21831.000 0.000
1997-10-01 532.000 0.000 1307.000 21731.000 0.000
1997-11-01 624.000 0.000 1404.000 21542.000 0.000
1997-12-01 632.000 0.000 1232.000 21706.000 0.000
1998-01-01 512.000 0.000 1025.000 22033.000 0.000
1998-02-01 472.000 0.000 1079.000 22019.000 0.000
1998-03-01 571.000 0.000 1489.000 21510.000 0.000
1998-04-01 518.000 0.000 919.000 22133.000 0.000
1998-05-01 459.000 0.000 1029.000 22082.000 0.000
1998-06-01 446.000 0.000 1060.000 22064.000 0.000

标签：数据分析,...,01,1997,unactive,df,用户,pandas,0.000
From： https://www.cnblogs.com/thankcat/p/17098782.html

相关文章

  • Mobpush 促进用户活跃
    拉新、留存、促活是App运营的关键指标，除了运营手段，我们从用户体验角度出发，用技术手段也可以促进App用户活跃。从用户体验方面来说，第一次登陆App可以用微信、微博等第......
  • Mobpush 促进用户活跃
    拉新、留存、促活是App运营的关键指标，除了运营手段，我们从用户体验角度出发，用技术手段也可以促进App用户活跃。从用户体验方面来说，第一次登陆App可以用微信、微博等第......
  • 报表生成器 FastReport .Net 用户指南 2023（三）：配置Bands
    FastReport.Net是一款全功能的WindowsForms、ASP.NET和MVC报表分析解决方案，使用FastReport.NET可以创建独立于应用程序的.NET报表，同时FastReport.Net支持中文、英语等14......
  • 工程监测仪器振弦模拟信号采集仪VTN的用户接口
    工程监测仪器振弦模拟信号采集仪VTN的用户接口 按键VTN4XX提供了两个轻触按键，通过按键操作，可完成数据查看和参数修改工作。短按：在1秒内按压按键一次；长按：按住按键......
  • 工程监测仪器振弦模拟信号采集仪VTN的用户接口
    工程监测仪器振弦模拟信号采集仪VTN的用户接口按键VTN4XX提供了两个轻触按键，通过按键操作，可完成数据查看和参数修改工作。短按：在1秒内按压按键一次；长按：按住按键保......
  • elasticsearch添加自定义用户
    添加用户和角色curl--insecure-uelastic:Transfar@2022-XPOST'https://192.168.30.149:9200/_security/user/esuer?pretty'-H'Content-Type:application/json'......
  • 用户行为分析模型实践（三）——H5通用分析模型
    作者：vivo互联网大数据团队-ZhaoWei、TianFengbiao、LiXiong本文从提升用户行为分析效率角度出发，详细介绍了H5埋点方案规划，埋点数据采集流程，提供可借鉴的用户行为数据采......
  • 一款备受欢迎的用户脚本管理器插件TampermonKey-油猴脚本管理器安装与使用
    Tampermonkey简介Tampermonkey是一款备受欢迎的浏览器扩展和用户脚本管理器，它适用于目前各种主流浏览器。方便的脚本管理（正在运行的脚本和可以运行的脚本在图标处显示一......
  • Pandas库（一）
    Pandas库（一）Python中常用的数据分析库，开源，基于numpy库开发的一种工具导入库，并使用别名pd，同时导入numpy库，使用别名npimportpandasaspdimportnumpyasnp1.P......
  • OushuDB 用户指南之类型转换值存储
    要插入表中的数值也根据下面的步骤转换成目标列的数据类型。值存储数据类型解析1.查找与目标准确的匹配。2.否则，试着将表达式直接转换成目标类型。如果已知这两种类型之间......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99