首页 > 其他分享 >Pandas数据处理

Pandas数据处理

时间：2024-07-03 14:55:59浏览次数：1  
标签：df DataFrame print pd 数据处理 data Pandas columns

Pandas数据处理

1.操作行名和列名

(1)设置某一列为行名

df.set_index(列名,drop=布尔值)
# drop表示是否删除这一列

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df = df.set_index("编号", drop=True)
print(df)

(2)重置行名

df.reset_index(drop=布尔值)

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df = df.sample(5)
df=df.reset_index(drop=False)
print(df)

(3)修改行名和列名

df.index=列表
df.columns=列表
df.rename(index=字典,columns=字典)

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df.columns = ["id", "fruit", "price", "producer"]
df = df.rename(
    index={0: "000", 1: "001", 2: "002", 3: "003", 4: "004", 5: "005", 6: "006", 7: "007", 8: "008", 9: "009",
           10: "010"})
print(df)

2.类型转换

(1)转换为字典

df.to_dict()

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
dic = df.to_dict()
print(dic)
print(type(dic))

(2)转换为数组

np.array(df)

import numpy as np
import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
arr = np.array(df)
print(arr)
print(type(arr))

(3)转换为列表

先将DataFrame转换为数组，再将数组转换为列表

import numpy as np
import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
arr = np.array(df)
lis = arr.tolist()
print(lis)
print(type(lis))

(4)针对某一列转换

df[列名].astype(类型)

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df["价格"] = df["价格"].astype(float)
print(df)

3.行列转置

df.T

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df = df.T
print(df)

4.大小排序

df.sort_values(by=列表,ascending=布尔值)
# ascending 设置升序或降序，True为升序，False为降序，默认为升序

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df = df.sort_values(by=["价格"], ascending=True)
print(df)

5.数据排名

df[列名].rank(ascending=布尔值,method=值)

method排序值如下

取值 说明
average 平均值排名（默认值）
max 最大值排名
min 最小值排名
first 按值在原始数据中出现的顺序进行排名 
import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df["排名"] = df["价格"].rank(ascending=False, method="max")
print(df)

6.数据替换

df.replace(字典)

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df = df.replace({4: 6})
print(df)

7.数据移动

df.shift(n)
# n为正数，是向后移动,n为负数，是向前移动

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川'],
    ["0011", None, None, None],
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df = df.shift(1)
print(df)

8.数据清洗

(1)缺失值

A.判断缺失值

df.isnull()

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", None, 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川'],
    ["0011", None, None, None],
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
res = df.isnull()
print(res)

B.删除缺失值

df.dropna(axis=0或1,how="any"或"all")
# any:当这一行有任意一个空白，那就删除这行
# all:当这一行全都是空白，才将这一行删除

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", None, 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川'],
    ["0011", None, None, None],
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df = df.dropna(axis=0, how="any")
print(df)

C.填充缺失值

df.fillna(value=字典,method=填充方式)

method的值如下

取值 说明
ffill 使用前值填充
bfill 使用后值填充 
import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", None, 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川'],
    ["0011", None, None, None],
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df = df.fillna(value={"水果": "椰子"})
print(df)

(2)重复值

A.判断重复值

df.duplicated()

import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '菠萝', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
res = df.duplicated()
print(res)

B.删除重复值

df.drop_duplicates(subset=列表,keep=值)
# subset用于指定对那些列进行判断

keep的取值如下

取值 说明
first 保留第一次出现的重复行，删除后面的重复行（默认值）
last 保留最后一次出现的重复行，删除其他的重复行
False 删除所以的重复行 
import pandas as pd

data = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁'],
    ["0006", '葡萄', 8, '云南'],
    ["0007", '菠萝', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川'],
    ["0010", '桃子', 5, '四川']
]
df = pd.DataFrame(data, columns=["编号", "水果", "价格", "产地"])
df = df.drop_duplicates(subset="水果",keep="first")
print(df)

9.数据合并

方法 说明
concat() 轴向合并
merge() 主键合并
join() 行列连接
append() 纵向合并

(1)concat()

pd.concat(列表,axis=0或1,join=连接方式,ignore_index=布尔值)

A.axis

axis用于设置维度,0表示沿纵轴,1表示沿横轴

import pandas as pd

data1 = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁']
]
data2 = [
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df1 = pd.DataFrame(data1, columns=["编号", "水果", "价格", "产地"])
df2 = pd.DataFrame(data2, columns=["编号", "水果", "价格", "产地"])
res1 = pd.concat([df1, df2], axis=0, ignore_index=True)
res2 = pd.concat([df1, df2], axis=1, ignore_index=True)
print(res1)
print("=======================")
print(res2)

B.ignore_index

忽略索引则会忽略两个表格原来的索引，合并数据并重新编排数据

import pandas as pd

data1 = [
    ["0001", '苹果', 5, '山东'],
    ["0002", '香蕉', 3, '海南'],
    ["0003", '橙子', 6, '江西'],
    ["0004", '西瓜', 2, '新疆'],
    ["0005", '草莓', 10, '辽宁']
]
data2 = [
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df1 = pd.DataFrame(data1, columns=["编号", "水果", "价格", "产地"])
df2 = pd.DataFrame(data2, columns=["编号", "水果", "价格", "产地"])
res1 = pd.concat([df1, df2], axis=0, ignore_index=True)
res2 = pd.concat([df1, df2], axis=0, ignore_index=False)
print(res1)
print("=======================")
print(res2)

C.join

连接方式用如下两种

连接方式 说明
outer 外连接(默认值)
inner 内连接 
import pandas as pd

data1 = [
    ["0001", '苹果', 5, '山东', "秋季"],
    ["0002", '香蕉', 3, '海南', "夏季"],
    ["0003", '橙子', 6, '江西', "秋季"],
    ["0004", '西瓜', 2, '新疆', "夏季"],
    ["0005", '草莓', 10, '辽宁', "春季"]
]
data2 = [
    ["0006", '葡萄', 8, '云南'],
    ["0007", '芒果', 7, '广西'],
    ["0008", '菠萝', 4, '广东'],
    ["0009", '梨', 4, '河北'],
    ["0010", '桃子', 5, '四川']
]
df1 = pd.DataFrame(data1, columns=["编号", "水果", "价格", "产地", "季节"])
df2 = pd.DataFrame(data2, columns=["编号", "水果", "价格", "产地"])
res1 = pd.concat([df1, df2], axis=0, join="outer", ignore_index=True)
res2 = pd.concat([df1, df2], axis=0, join="inner", ignore_index=True)
print(res1)
print("=======================")
print(res2)

(2)merge()

pd.merge(df1,df2,how=连接方式)

how的取值如下

取值 说明
inner 内连接，求交集（默认值）
outer 外连接，求并集
left 左连接
right 右连接

A.内连接和外连接

import pandas as pd

data1 = [
    ["0001", '苹果', 5, '山东', "秋季"],
    ["0002", '香蕉', 3, '海南', "夏季"],
    ["0003", '橙子', 6, '江西', "秋季"],
    ["0004", '西瓜', 2, '新疆', "夏季"],
    ["0005", '草莓', 10, '辽宁', "春季"]
]
data2 = [
    ["0006", '葡萄', 8, '云南', '紫色'],
    ["0007", '芒果', 7, '广西', '黄色'],
    ["0008", '菠萝', 4, '广东', '黄色'],
    ["0009", '梨', 4, '河北', '黄色'],
    ["0010", '桃子', 5, '四川', '粉色']
]
df1 = pd.DataFrame(data1, columns=["编号", "水果", "价格", "产地", "季节"])
df2 = pd.DataFrame(data2, columns=["编号", "水果", "价格", "产地", "色泽"])
res1 = pd.merge(df1, df2, how="inner")
res2 = pd.merge(df1, df2, how="outer")
print(res1)
print("=======================")
print(res2)

因为df1和df2没有相同的一行，所以是空白的

B.左连接和右连接

import pandas as pd

data1 = [
    ["0001", '苹果', 5, '山东', "秋季"],
    ["0002", '香蕉', 3, '海南', "夏季"],
    ["0003", '橙子', 6, '江西', "秋季"],
    ["0004", '西瓜', 2, '新疆', "夏季"],
    ["0005", '草莓', 10, '辽宁', "春季"]
]
data2 = [
    ["0006", '葡萄', 8, '云南', '紫色'],
    ["0007", '芒果', 7, '广西', '黄色'],
    ["0008", '菠萝', 4, '广东', '黄色'],
    ["0009", '梨', 4, '河北', '黄色'],
    ["0010", '桃子', 5, '四川', '粉色']
]
df1 = pd.DataFrame(data1, columns=["编号", "水果", "价格", "产地", "季节"])
df2 = pd.DataFrame(data2, columns=["编号", "水果", "价格", "产地", "色泽"])
res1 = pd.merge(df1, df2, how="left")
res2 = pd.merge(df1, df2, how="right")
print(res1)
print("=======================")
print(res2)

left就会以df1为主，没有的数据会空着,right与之相反

(3)join()

df1.join(df2,on=行名或列名)

import pandas as pd

data1 = [
    ["0001", '苹果', 5, '山东', "秋季"],
    ["0002", '香蕉', 3, '海南', "夏季"],
    ["0003", '橙子', 6, '江西', "秋季"],
    ["0004", '西瓜', 2, '新疆', "夏季"],
    ["0005", '草莓', 10, '辽宁', "春季"]
]
data2 = [
    ["0006", '葡萄', 8, '云南', '紫色'],
    ["0007", '芒果', 7, '广西', '黄色'],
    ["0008", '菠萝', 4, '广东', '黄色'],
    ["0009", '梨', 4, '河北', '黄色'],
    ["0010", '桃子', 5, '四川', '粉色']
]
df1 = pd.DataFrame(data1, columns=["编号", "水果", "价格", "产地", "季节"]).set_index(["编号", "水果", "价格", "产地"])
df2 = pd.DataFrame(data2, columns=["编号", "水果", "价格", "产地", "色泽"]).set_index(["编号", "水果", "价格", "产地"])
res = df1.join(df2)
print(res)

(4)append()

df1._append(df2,ignore_index=布尔值)

import pandas as pd

data1 = [
    ["0001", '苹果', 5, '山东', "秋季"],
    ["0002", '香蕉', 3, '海南', "夏季"],
    ["0003", '橙子', 6, '江西', "秋季"],
    ["0004", '西瓜', 2, '新疆', "夏季"],
    ["0005", '草莓', 10, '辽宁', "春季"]
]
data2 = [
    ["0006", '葡萄', 8, '云南', '紫色'],
    ["0007", '芒果', 7, '广西', '黄色'],
    ["0008", '菠萝', 4, '广东', '黄色'],
    ["0009", '梨', 4, '河北', '黄色'],
    ["0010", '桃子', 5, '四川', '粉色']
]
df1 = pd.DataFrame(data1, columns=["编号", "水果", "价格", "产地", "季节"])
df2 = pd.DataFrame(data2, columns=["编号", "水果", "价格", "产地", "色泽"])
res = df1._append(df2, ignore_index=True)
print(res)

10.字符串处理

方法 说明
len() 获得长度
count() 统计次数
strip() 去除空格
split() 分割字符串
replace() 替换字符串
repeat() 重复字符串
cat() 连接列
lower() 大写字母转小写字母
upper() 小写字母转大写字母
swapcase() 小写字母转大写字母，并且大写字母转换为小写字母
contains() 判断是否包含某子字符串
startswith() 判断是否以某子字符串开头
endswith() 判断是否以某子字符串结尾
isnumeric() 判断所有字符是否为纯数字
islower() 判断所有字符是否为纯小写
isupper() 判断所以字符是否为纯大写

这些方法针对Series

Series.str.方法名()

标签：df,DataFrame,print,pd,数据处理,data,Pandas,columns
From： https://www.cnblogs.com/hanstary/p/18281610

相关文章

  • 03 | 大规模数据处理初体验：怎样实现大型电商热销榜？
    今天要与你分享的主题是“怎样实现大型电商热销榜”。在Google面试过很多优秀的候选人，应对普通的编程问题coding能力很强，算法数据结构也应用得不错。可是当我追问数据规模变大时该怎么设计系统，他们却说不出所以然来。这说明他们缺乏必备的规模增长的技术思维（mindsetofs......
  • 【Python&GIS】基于Geopandas和Shapely计算矢量面最短路径
    ​    在GIS进行空间分析时经常会需要计算最短路径，我也是最近在计算DPC的时候有这方面的需求，刚开始直接是用面的中心点求得距离，但其对不规则或空洞面很不友好。所以今天跟大家分享一下基于Geopandas和Shapely计算矢量面最短路径，这里的最短即点/边的最短！原创作者：RS迷......
  • Pandas数据清洗处理分析
    Pandas是一个开源的Python数据分析库，它提供了快速、灵活且表达力强的数据结构，旨在使数据清洗和分析工作变得更加简单易行。以下是Pandas在数据清洗和分析中常用的一些功能：1.**数据加载**：Pandas可以读取多种格式的数据，包括CSV、Excel、SQL数据库、JSON等。2.**数据框（DataF......
  • python解析Linux top 系统信息并生成动态图表(pandas和matplotlib)
    文章目录0.引言1.功能2.使用步骤3.程序架构流程图结构图4.数据解析模块5.图表绘制模块6.主程序入口7.总结8.附录完整代码0.引言在性能调优和系统监控中，top命令是一种重要工具，提供了实时的系统状态信息，如CPU使用率、内存使用情况和进程状态。然而，仅凭......
  • 从星载到桌面：Python带你玩转气溶胶数据处理
    在当前全球气候变化和环境污染问题日益突出的背景下，气溶胶研究显得尤为重要。气溶胶在大气中由直径范围在0.01微米至10微米固体和液体颗粒构成，直接或间接影响地球辐射平衡、气候变化和空气质量。尤其在“碳中和”目标的驱动下，研究气溶胶对“碳中和”的气候影响及其环境效应，不仅......
  • Pandas数据筛选
    Pandas数据筛选1.reindex()df.reindex(index=列表,columns=列表)importpandasaspddata=[['苹果',5,'山东'],['香蕉',3,'海南'],['橙子',6,'江西'],['西瓜',2,'新疆'],[......
  • pandas数据分析预测，报告加数据集和代码文件
    利用Pandas与相关可视化库完成数据的分析、处理与可视化任务，并利用KNN、决策树、随机森林等算法对数据进行分类或预测。数据选题应具有正面积极的意义，可从以下大类方向中选取：·信息类·金融类·交通类·食品安全类·体育类·健康信息·商品类评分细则：·Pan......
  • lidar3607.2 雷达点云数据处理软件功能介绍
    V7.2.220240511获取软件安装包联系邮箱:[email protected]，资源源于网络，本介绍用于学习使用，如有侵权请您联系删除！1.平台修复对不包含枝下高特征的单木进行枝下高提取时，生成的treedb枝下高字段产生异常记录，查看属性表时软件崩溃的问题；2.林业修复使用treedb作为种子点进行......
  • 数据分析神器Pandas快速入门3类型转换
    序列类型转换3.1自动转换在pandas1.0中，引入了一种新的转换方法.convert_dtypes。它会尝试将Series换为支持pd.NA类型。以city_mpg系列为例，它将把类型从int64转换为Int64：>>>city_mpg.convert_dtypes()01919223310417......
  • 创新实训 （九）CodeForces 数据和微调数据处理
    Codeforces数据获取Codeforces的题目中存在一些数学公式，所以处理的时候需要比较小心的对其进行处理。首先是题面数据，在CF当中标识一道题目的方式是problemSet与problemId。其中problemSet是一个数字，而problemId是一个字母。另外需要注意的是CF题面中存在许多数学......

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