工作了一段时间,天天写sql,玩linux上的脚本;已经快忘记python怎么写了,pandas忘记的更是干净,便打算写一写博客来复习一下pandas的API。
''' Flat file 平面文件->文本文档记录的,用记事本可以正确解读'''
# read_table is deprecated了解即可
print(pd.read_table(filepath_or_buffer='./datas/DXYArea.csv', nrows=10))
# filepath_or_buffer一般可以省略,nrows表示只读取前几行
print(pd.read_table('./datas/HadISST1_SST_update.txt.gz', nrows=10, compression='gzip'))
# compression表示压缩格式,这里是gizp压缩
这个方法已经弃用了,所以出现了警告
# read_csv很常用
print(pd.read_csv('./datas/HadISST1_SST_update.txt', header=None, names=range(0, 360), sep='\t', nrows=10))
# header表示读取的数据没有字段名,names便是赋予字段名
print(pd.read_csv('./datas/DXYArea.csv', nrows=10, encoding='utf-8'))
# encoding编码字符集,解决中文乱码
打印读取的结果,没有过时的警告,看起来舒服了一些。这也是很常用的,使用的时候需要注意逗号分隔还是\t分隔的,csv的c是Comma逗号的意思,默认就是逗号分隔,通过sep参数可以指定分隔符。
''' excel文件常用'''
print(pd.read_excel('./datas/CityTS.2.10.xlsx', sheet_name='CityTS0205', index_col=None))
# 默认index_col=None意味着再添加一列作为索引,如果0、1这样的数就表示第0、1这列作为索引
指定excel工作簿,以及需要读取的工作表即可读取里面的数据,用起来很方便。如果要经常读取千万行数据的话,建议将excel转为csv会快很多。
这里以mysql的数据库为例
'''数据库'''
from sqlalchemy import create_engine
db_info = {
'user': 'root',
'password': 'root',
'host': 'localhost:3306',
'database': 'hive_test'} # 只能操作此数据库中的表
engine = create_engine('mysql://%(user)s:%(password)s@%(host)s/%(database)s?charset=utf8' % db_info, encoding='utf-8')
print(pd.read_sql_table('emp', con=engine)) # 直接读取数据库的表
print(pd.read_sql_query("select * from emp where job='SALESMAN'", con=engine)) # 读取sql查询的结果
json是web中常用的数据格式,这里通过请求一个接口获得json格式的数据。
'''json,不建议使用这种方式。因为一般web中的json可能很复杂,解读逻辑用requests与json很好实现,但是pandas实现起来就可能很复杂了'''
print(pd.read_json('https://lab.isaaclin.cn/nCoV/api/area'))
由于属性太多,我就将属性放在构造之后展示一些
'''根据字典构造'''
df1 = pd.DataFrame(data={
'col1': [1, 2], 'col2': [3, 4]})# data可以省略
print(df1)
print(df1.values) # 得到numpy数组格式的数据
print(df1.T) # 转置
print(df1.dtypes) # 返回每列详细的数据类型
先展示一些比较简单的属性
import numpy as np
print(pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]),
columns=['a', 'b', 'c'])) # columns指定列标签
熟悉numpy的话,这个用起来也很简单
df = pd.DataFrame([[0, 2, 3], [0, 4, 1], [10, 20, 30]],
index=[4, 5, 6], columns=['A', 'B', 'C']) # 构造的时候指定索引
print(df)
print(df.at[4, 'B']) # 取出行标签为4,列标签为B位置的数据
print(df.iat[1, 1]) # 取出行索引为1,列索引为1位置的数据
刚刚已经展示过一些比较简单的属性
属性名 | 作用 |
---|---|
values | 返回numpy数组对象 |
T | 返回转置后的数据 |
dtypes | 返回每列详细的数据类型 |
at | 返回指定行列标签的数据,必须指定行和列取单元格 |
iat | 返回指定行列索引的数据 ,必须指定行和列取单元格 |
下面有一类与结构有关的属性,使用也比较简单
属性名 | 作用 |
---|---|
index | 返回行标签 |
columns | 返回列标签 |
axes | 返回轴信息:包含行标签、列标签 |
ndim | 数据维度,两个轴,二维数据 |
shape | 数据形状 |
size | 元素个数 |
style | 返回一个Styler对象,该对象包含用于为DataFrame构建样式化HTML表示形式的方法。 |
empty | 是否为空 |
具体的打印看看
df = pd.DataFrame([[0, 2, 3], [0, 4, 1], [10, 20, 30]],
index=[4, 5, 6], columns=['A', 'B', 'C']) # 构造的时候指定索引
print(df.index) # 返回行标签
print(df.columns) # 返回列标签
print(df.axes) # 返回轴信息:包含行标签、列标签
print(df.ndim) # 两个轴,二维数据
print(df.shape) # 形状2*2
print(df.size) # 元素个数2*2=4个
print(df.style) # 少用:返回一个Styler对象,该对象包含用于为DataFrame构建样式化HTML表示形式的方法。
print(df.empty) # 判断是否为空,非空,False
df_empty = pd.DataFrame({
'A': []})
print(df_empty.empty) # 判断是否为空,空,True
下面这个两个属性的使用比较灵活,较难掌握,需要细细品味
属性名 | 作用 |
---|---|
iloc | 类似iat返回指定索引的数据,可以指定行或列 |
loc | 类似at返回指定标签的数据,可以指定行或列 |
'''iloc 这个属性的使用比较灵活,i可以理解为index索引'''
df = pd.DataFrame([[0, 2, 3], [0, 4, 1], [10, 20, 30]],
index=[4, 5, 6], columns=['A', 'B', 'C']) # 构造的时候指定索引
print(df.iloc[1]) # 与iat类似但是是取出行索引为1的这一行,按列展示
print(df.iloc[[1]]) # 与iat类似但是是取出行索引为1的这一行,按行展示
print(df.iloc[[1, 2]]) # 与iat类似但是是取出行索引为1与索引为2的这两行
print(df.iloc[:2]) # 取出行索引直到2的这些行
print(df.iloc[:2, 1]) # 取出行索引直到2的这些行当中的第1列
print(df.iloc[[True, False, True]]) # 按布尔值决定是否取出相应位置的行
建议将这些打印一下仔细看看
'''这个和iloc相似'''
df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
index=['cobra', 'viper', 'sidewinder'],
columns=['max_speed', 'shield'])
print(df.loc['viper']) # 取出行标签为viper的这行,按列展示
print(df.loc[['viper']]) # 取出行标签为viper的这行,按行展示
print(df.loc[['viper', 'sidewinder']]) # 取出行标签为viper与行标签为sidewinder的两行
print(df.loc['viper', 'max_speed']) # 这就是比iloc复杂的地方,还可以结合列标签一起定位元素,所以必须知道行列标签才能区分和上面那句的区别
print(df.loc[['viper', 'sidewinder'], ['shield']])# 想要看出区别,可以将行列标签分开在两个列表
print(df.loc['cobra':'viper', 'max_speed'])# 在理解了能用列标签之后,可以选取行标签从cobra到viper列标签为max_speed的数据
print(df.loc[[False, False, True]]) # 这个和iloc一样
print(df.loc[df['shield'] > 6]) # 这是上面那种方法的升级,取出满足的行
# 官方还给出了很多复合索引的例子,但用的并不太多也就不展示了
比直接使用运算符多的功能通过传递额外的参数实现
add(self,other,axis =‘columns’,level = None,fill_value = None ) | 加,也可用+ |
sub(self,other,axis =‘columns’,level = None,fill_value = None ) | 减,也可用- |
mul(self,other,axis =‘columns’,level = None,fill_value = None ) | 乘,也可用* |
div(self,other,axis =‘columns’,level = None,fill_value = None ) | 除,也可用/ |
rdiv(self,other,axis =‘columns’,level = None,fill_value = None ) | 右除,将df的数据作为分母 |
truediv(self,other,axis =‘columns’,level = None,fill_value = None ) | 除,也可用/ |
floordiv(self,other,axis =‘columns’,level = None,fill_value = None ) | 整数除法,也可用// |
mod(self,other,axis =‘columns’,level = None,fill_value = None ) | 取余,也可用% |
pow(self,other,axis =‘columns’,level = None,fill_value = None ) | 乘幂,也可用** |
以fill_value的官方案例为例子
感觉很方便的新功能,在1.0.0版本后才有
更多详细的可以看官网的案例https://pandas.pydata.org/pandas-docs/stable/reference/index.html
文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下:http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态:[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态
文章浏览阅读1.3w次,点赞45次,收藏99次。我个人用的是anaconda3的一个python集成环境,自带jupyter notebook,但在我打开jupyter notebook界面后,却找不到对应的虚拟环境,原来是jupyter notebook只是通用于下载anaconda时自带的环境,其他环境要想使用必须手动下载一些库:1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境
文章浏览阅读5.2k次,点赞19次,收藏28次。选择scoop纯属意外,也是无奈,因为电脑用户被锁了管理员权限,所有exe安装程序都无法安装,只可以用绿色软件,最后被我发现scoop,省去了到处下载XXX绿色版的烦恼,当然scoop里需要管理员权限的软件也跟我无缘了(譬如everything)。推荐添加dorado这个bucket镜像,里面很多中文软件,但是部分国外的软件下载地址在github,可能无法下载。以上两个是官方bucket的国内镜像,所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn
文章浏览阅读4.5k次,点赞2次,收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了,例如:这里的:sty..._vue el-color-picker
文章浏览阅读640次。基于芯片日益增长的问题,所以内核开发者们引入了新的方法,就是在内核中只保留函数,而数据则不包含,由用户(应用程序员)自己把数据按照规定的格式编写,并放在约定的地方,为了不占用过多的内存,还要求数据以根精简的方式编写。boot启动时,传参给内核,告诉内核设备树文件和kernel的位置,内核启动时根据地址去找到设备树文件,再利用专用的编译器去反编译dtb文件,将dtb还原成数据结构,以供驱动的函数去调用。firmware是三星的一个固件的设备信息,因为找不到固件,所以内核启动不成功。_exynos 4412 刷机
文章浏览阅读2w次,点赞24次,收藏42次。Linux系统配置jdkLinux学习教程,Linux入门教程(超详细)_linux配置jdk
文章浏览阅读3.3k次,点赞5次,收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图:_matlab微米怎么输入
文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件,可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中,对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数,而关闭则使用fclose函数。在C语言中,可以使用fread和fwrite函数进行二进制读写。 Biaoge 于2024-03-09 23:51发布 阅读量:7 ️文章类型:【 C语言程序设计 】在C语言中,用于打开文件的函数是____,用于关闭文件的函数是____。
文章浏览阅读3.4k次,点赞2次,收藏13次。跟随鼠标移动的粒子以grid(SOP)为partical(SOP)的资源模板,调整后连接【Geo组合+point spirit(MAT)】,在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in(CHOP)鼠标位置到metaball的坐标,实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动
文章浏览阅读178次。项目运行环境配置:Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。项目技术:Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成,B/S模式 + Maven管理等等。环境需要1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计
文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多,会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析,后面会慢慢更新。另外,博客只作为自己学习记录的一种方式,对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图
文章浏览阅读2.4k次,点赞41次,收藏13次。java 数据结构与算法 ——快速排序法_快速排序法