###########################時間序列#################################
data_bs.index = pd.date_range
(start='2018-08-01 00:00:00',periods=744,freq='h',normalize=True)

#######################################################################
sales_train_v2.isna().sum()#顯示空值
sales_train_v2.select_dtypes(include = ['float'])#選擇屬性為float的資料



#plot顯示
#3D顯示
from mpl_toolkits.mplot3d import Axes3D
*******************************************************************************
#資料型別轉換、編碼
pd.get_dummies/factorize前者將標稱型資料變為一組數字的矩陣，後者將標稱型資料變為一列資料

#計算元素出現的次數
list: counts.counter()
numpy: np.unique(data, return_counts = True)
pandas: data.value_counts()
*********************************************************************************

np.argsort()

np.product(data.shape))#product表示笛卡爾積，data.shape(2,18),表示2*18 = 36

np.var()#方差

np.cumsum

errorbar

figure(figsize(6,6))

***********************************************************************************
dataframe.sample(5)#隨機顯示5個樣本（dataframe.head()#前10個樣本）


data.fillna(method = 'bfill', axis=0).fillna(0)#缺失值填充，根據後一個值進行填充，不存在就填0
pad/ffill：用前一個非缺失值去填充該缺失值
backfill/bfill：用下一個非缺失值填充該缺失值

#########################################################################################
train.groupby(['Pclass', 'Survived'])['Survived'].count()
train[['Pclass', 'Survived']].groupby('Pclass').mean().plot.bar()
#isnull(), notnull()
agedf_train = agedf[agedf.Age.notnull()]
agedf_test = agedf[agedf.Age.isnull()].drop('Age',axis = 1)
 

處理程序時間tqdm: