2. 程式人生 > >Python資料科學入門-(Pandas）筆記02

Python資料科學入門-(Pandas）筆記02

阿新 • • 發佈：2019-01-05

第四節 Pandas 入門

慕課網python數科學入門課程學習筆記

一. Series 序列

import numpy as np
import pandas as pd
s1 = pd.Series([1,2,3,4])  # 建立序列
s1
0 1 1 2 2 3 3 4 dtype: int64 
s1.values
array([1, 2, 3, 4], dtype=int64) 
s1.index
RangeIndex(start=0, stop=4, step=1) 
s2 = pd.Series(np.arange(10
 
))  # 使用numpy的陣列方法建立
s2
0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 dtype: int32 
s3 = pd.Series({'1':1, '2':2, '3':3})  # 使用字典建立序列
s3
1 1 2 2 3 3 dtype: int64 
s4 = pd.Series([1,2
 
,3,4],index=['A','B','C','D'])
s4
A 1 B 2 C 3 D 4 dtype: int64

序列的訪問、轉換、屬性

s4['A']
1 
s4[s4>2]
C 3 D 4 dtype: int64 
s4.to_dict()  # 序列轉換為字典
{‘A’: 1, ‘B’: 2, ‘C’: 3, ‘D’: 4} 
s4
A 1 B 2 C 3 D 4 dtype: int64 
index_1 = ['A'
 
, 'B', 'C', 'D', 'E']
s5 = pd.Series(s4,index=index_1)
s5
A 1.0 B 2.0 C 3.0 D 4.0 E NaN dtype: float64 
pd.isnull(s5)   # 判空   notnull()  判非空
A False B False C False D False E True dtype: bool 
s5.name = 'demo'   # 給序列取名
s5.index.name = 'key   value'   # 給序列 index 取名
s5
key value A 1.0 B 2.0 C 3.0 D 4.0 E NaN Name: demo, dtype: float64 
s5.index
Index([‘A’, ‘B’, ‘C’, ‘D’, ‘E’], dtype=’object’, name=’key value’) 
s5.values
array([ 1., 2., 3., 4., nan]) ——-

二.Dataframe 入門

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import webbrowser
link = 'https://www.tiobe.com/tiobe-index/'
webbrowser.open(link)   # 開啟連結
# 讀取貼上板
df = pd.read_clipboard()  # 先複製剛才開啟網頁的 表格的一部分
df
May 2018 May.1 2017 Change Programming Language Ratings Change.1
0 1 1 Java 16.380% +1.74% NaN NaN NaN NaN
1 2 2 C 14.000% +7.00% NaN NaN NaN NaN
2 3 3 C++ 7.668% +2.92% NaN NaN NaN NaN
3 4 4 Python 5.192% +1.64% NaN NaN NaN NaN
4 5 5 C# 4.402% +0.95% NaN NaN NaN NaN
5 6 6 Visual Basic .NET 4.124% +0.73% NaN NaN
6 7 9 change PHP 3.321% +0.63% NaN NaN NaN 
type(df)
pandas.core.frame.DataFrame 
df.columns  # 返回 表格列名
Index([‘May’, ‘2018’, ‘May.1’, ‘2017’, ‘Change’, ‘Programming’, ‘Language’, ‘Ratings’, ‘Change.1’], dtype=’object’) 
df.Change  # 返回 Change 列的資料
0 +1.74% 1 +7.00% 2 +2.92% 3 +1.64% 4 +0.95% 5 .NET 6 3.321% Name: Change, dtype: object 
df_filter = DataFrame(df,columns=['May','2018','Change'])  # 過濾
df_filter
May 2018 Change
0 1 1 +1.74%
1 2 2 +7.00%
2 3 3 +2.92%
3 4 4 +1.64%
4 5 5 +0.95%
5 6 6 .NET
6 7 9 3.321% 
df_filter['Change']   # 訪問某一列
0 +1.74% 1 +7.00% 2 +2.92% 3 +1.64% 4 +0.95% 5 .NET 6 3.321% Name: Change, dtype: object 
type(df_filter['Change'])
pandas.core.series.Series

新增列 和 值

df_new = DataFrame(df,columns=['Change','Sep 2019'])  # 新增不存在的 列
df_new
Change Sep 2019
0 +1.74% NaN
1 +7.00% NaN
2 +2.92% NaN
3 +1.64% NaN
4 +0.95% NaN
5 .NET NaN
6 3.321% NaN 
df_new['Sep 2019'] = range(0,7)  # 給 無值得賦值
df_new
Change Sep 2019
0 +1.74% 0
1 +7.00% 1
2 +2.92% 2
3 +1.64% 3
4 +0.95% 4
5 .NET 5
6 3.321% 6 
df_new['Sep 2019'] = np.arange(0,7)
df_new
Change Sep 2019
0 +1.74% 0
1 +7.00% 1
2 +2.92% 2
3 +1.64% 3
4 +0.95% 4
5 .NET 5
6 3.321% 6 
df_new['Sep 2019'] = pd.Series(np.arange(0,7))
df_new
Change Sep 2019
0 +1.74% 0
1 +7.00% 1
2 +2.92% 2
3 +1.64% 3
4 +0.95% 4
5 .NET 5
6 3.321% 6 
df_new['Sep 2019'] = pd.Series([100,200],index=[1,2])  # 修改特定位置的值
df_new
Change Sep 2019
0 +1.74% NaN
1 +7.00% 100.0
2 +2.92% 200.0
3 +1.64% NaN
4 +0.95% NaN
5 .NET NaN
6 3.321% NaN

三.深入理解Series和DataFrame

1.Series 和 DataFrame 對比

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
data = {'Country':['A', 'B', 'C'], 
        'Capital':['AA', 'BB','CC'], 
        'Population':[11111,22222,33333]}

Series

s1 = pd.Series(data['Country'])
s1
0 A 1 B 2 C dtype: object

Dataframe

df = pd.DataFrame(data)
df
Country Capital Population
0 A AA 11111
1 B BB 22222
2 C CC 33333 
df_torows = df.iterrows()

for row in df_torows:
    print(row)
    print(type(row))  # 型別： tuple
(0, Country A Capital AA Population 11111 Name: 0, dtype: object) 
for row in df.iterrows():
    print(type(row[0]),type(row[1]))
    break

通過 幾個 Series 建立 Dataframe

s1 = pd.Series(data['Country'])
s2 = pd.Series(data['Capital'])
s3 = pd.Series(data['Population'])
df_new = pd.DataFrame([s1,s2,s3],index=['Country', 'Capital', 'Capital'])
df_new    # 可以看到 輸出的 Dataframe 倒過來了
0 1 2
Country A B C
Capital AA BB CC
Capital 11111 22222 33333 
df
Country Capital Population
0 A AA 11111
1 B BB 22222
2 C CC 33333 
# 轉置操作
df_new = df_new.T
df_new
Country Capital Capital
0 A AA 11111
1 B BB 22222
2 C CC 33333

2.Dataframe IO

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import webbrowser
link = 'http://pandas.pydata.org/pandas-docs/version/0.20/io.html'
webbrowser.open(link)
True 
df = pd.read_clipboard()   # 讀取貼上板內容
df
Format Type Data Description Reader Writer
0 text CSV read_csv to_csv
1 text JSON read_json to_json
2 text HTML read_html to_html
3 text Local clipboard read_clipboard to_clipboard
4 binary MS Excel read_excel to_excel
5 binary HDF5 Format read_hdf to_hdf
6 binary Feather Format read_feather to_feather
7 binary Msgpack read_msgpack to_msgpack
8 binary Stata read_stata to_stata
9 binary SAS read_sas None
10 binary Python Pickle Format read_pickle to_pickle
11 SQL SQL read_sql to_sql
12 SQL Google Big Query read_gbq to_gbq 
df.to_csv('df1.csv',index=False)   # 寫檔案  index=False 去掉index 預設不去
!ls
Dataframe IO.ipynb Dataframe.ipynb Series.ipynb df1.csv 娣卞靉鐞嗚ВSeries鍜孌ataFrame.ipynb 
!more df1.csv
Format Type,Data Description,Reader,Writer text,CSV,read_csv,to_csv text,JSON,read_json,to_json text,HTML,read_html,to_html text,Local clipboard,read_clipboard,to_clipboard binary,MS Excel,read_excel,to_excel binary,HDF5 Format,read_hdf,to_hdf binary,Feather Format,read_feather,to_feather binary,Msgpack,read_msgpack,to_msgpack binary,Stata,read_stata,to_stata binary,SAS,read_sas, binary,Python Pickle Format,read_pickle,to_pickle SQL,SQL,read_sql,to_sql SQL,Google Big Query,read_gbq,to_gbq 
df2 = pd.read_csv('df1.csv')
df2
Format Type Data Description Reader Writer
0 text CSV read_csv to_csv
1 text JSON read_json to_json
2 text HTML read_html to_html
3 text Local clipboard read_clipboard to_clipboard
4 binary MS Excel read_excel to_excel
5 binary HDF5 Format read_hdf to_hdf
6 binary Feather Format read_feather to_feather
7 binary Msgpack read_msgpack to_msgpack
8 binary Stata read_stata to_stata
9 binary SAS read_sas NaN
10 binary Python Pickle Format read_pickle to_pickle
11 SQL SQL read_sql to_sql
12 SQL Google Big Query read_gbq to_gbq 
df.to_json()  # 轉換為 json 結構  反過來也行
'{"Format Type":{"0":"text","1":"text","2":"text","3":"text","4":"binary","5":"binary","6":"binary","7":"binary","8":"binary","9":"binary","10":"binary","11":"SQL","12":"SQL"},"Data Description":。。。

3.Selecting and Index

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
!ls
Dataframe IO.ipynb Dataframe.ipynb Selecting and Indexing.ipynb Series.ipynb data.csv df1.csv 娣卞靉鐞嗚ВSeries鍜孌ataFrame.ipynb 
read_data = pd.read_csv('data.csv')
read_data.shape   # 行 列數
(20, 8) 
read_data.head(4)    # 返回前4行
A B C D E F G H
0 1 1 Java 16.38% 1.74% 21 Apex 0.90%
1 2 2 C 14.00% 7.00% 22 PL/SQL 0.90%
2 3 3 C++ 7.67% 2.92% 23 Transact-SQL 0.88%
3 4 4 Python 5.19% 1.64% 24 Ada 0.87% 
read_data.tail(3)  # 返回後3行
A B C D E F G H
17 18 10 Perl 0.91% -1.69% 38 Alice 0.47%
18 19 13 Swift 0.91% -1.37% 39 Lua 0.42%
19 20 31 Scala 0.90% 0.18% 40 Fortran 0.42% 
sub_data = read_data[['A', 'B','C']]   # 返回某些列
sub_data.head(3)
A B C
0 1 1 Java
1 2 2 C
2 3 3 C++ 
sub_data.iloc[3:6, :]  # 切片（iloc 基於index 和行名列名無關）   第3行到底6行，對列不過濾
A B C
3 4 4 Python
4 5 5 C#
5 6 6 Visual Basic .NET 
read_data.loc[10:13, : 'D']   # loc 基於label 過濾
A B C D
10 11 14 R 1.18%
11 12 18 Delphi/Object Pascal 1.01%
12 13 8 Assembly language 1.00%
13 14 16 Go 0.97%

四.Reindexing Series and DataFrame

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

1.series reindex

shift + Tab 鍵可檢視函式說明

s1 = Series([1,2,3,4],index=['A','B','C','D'])
s1
A 1 B 2 C 3 D 4 dtype: int64 
s1.reindex(index=['A','B','C','D','E'],fill_value=10) # 重新設定 index
A 1 B 2 C 3 D 4 E 10 dtype: int64 
s2 = Series(['A','B','C'],index=[1,3,6])
s2
1 A 3 B 6 C dtype: object 
s2.reindex(index=range(8))
0 NaN 1 A 2 NaN 3 B 4 NaN 5 NaN 6 C 7 NaN dtype: object 
s2.reindex(index=range(8),method='ffill')  # 自動填充
0 NaN 1 A 2 A 3 B 4 B 5 B 6 C 7 C dtype: object

2.reindex dataframe

# index 中故意 漏下 C
df1 = DataFrame(np.random.rand(25).reshape([5,5]),index=['A','B','D','E','F'], columns=['c1', 'c2', 'c3', 'c4', 'c5'])
df1
c1 c2 c3 c4 c5
A 0.123618 0.348567 0.119156 0.380952 0.379118
B 0.476492 0.254976 0.629318 0.728708 0.747153
D 0.965314 0.424126 0.913850 0.092063 0.196096
E 0.960760 0.866313 0.226766 0.865781 0.465341
F 0.982832 0.340850 0.725084 0.519617 0.889651 
# C 行填充了 NaN  若改 列 也一樣
df1.reindex(index=['A','B','C','D','E','F'])
c1 c2 c3 c4 c5
A 0.123618 0.348567 0.119156 0.380952 0.379118
B 0.476492 0.254976 0.629318 0.728708 0.747153
C NaN NaN NaN NaN NaN
D 0.965314 0.424126 0.913850 0.092063 0.196096
E 0.960760 0.866313 0.226766 0.865781 0.465341
F 0.982832 0.340850 0.725084 0.519617 0.889651

3.利用 reindex() 選取某些值

s1
A 1 B 2 C 3 D 4 dtype: int64 
s1.reindex(index=['A','B'])   # Series 的reindex()
A 1 B 2 dtype: int64 
df1.reindex(index=['A','B'])  # Dataframe 的reindex（）
c1 c2 c3 c4 c5
A 0.123618 0.348567 0.119156 0.380952 0.379118
B 0.476492 0.254976 0.629318 0.728708 0.747153

4.刪除

s1.drop('A')
B 2 C 3 D 4 dtype: int64 
# axis=0 表示 A 代表 表格的行的index，axis=1 表示指定的是列的index
df1.drop('A',axis=0)
c1 c2 c3 c4 c5
B 0.476492 0.254976 0.629318 0.728708 0.747153
D 0.965314 0.424126 0.913850 0.092063 0.196096
E 0.960760 0.866313 0.226766 0.865781 0.465341
F 0.982832 0.340850 0.725084 0.519617 0.889651

五.NaN —— Not a Number

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
Nan in Numpy
n = np.nan   
type(n)
float 
m = 1
m + n   # nan
nan
Nan in Series
s1 = Series([1,2,np.nan,3,4],index=['A', 'B', 'C', 'D', 'E'])
s1
A 1.0 B 2.0 C NaN D 3.0 E 4.0 dtype: float64 
s1.isnull()
A False B False C True D False E False dtype: bool 
s1.dropna()   # 刪除 NaN
A 1.0 B 2.0 D 3.0 E 4.0 dtype: float64
NaN in DataFrame
dframe = DataFrame([[1,2,3],[np.nan,5,6],[7,np.nan,9],[np.nan, np.nan, np.nan]])
dframe
0 1 2
0 1.0 2.0 3.0
1 NaN 5.0 6.0
2 7.0 NaN 9.0
3 NaN NaN NaN 
# 不寫 預設0 表示對行操作  只要該行有nan就刪
# how='any/all' 該行 部分/全部 是 NaN時刪除
df1 = dframe.dropna(axis=0, how='any') 
df1
0 1 2
0 1.0 2.0 3.0 
# thresh=2 引數表示 該行/列的NaN大於2的就刪
df2 = dframe.dropna(thresh=2)
df2
0 1 2
0 1.0 2.0 3.0
1 NaN 5.0 6.0
2 7.0 NaN 9.0 
# 值為 NaN的改為 1
df3 = dframe.fillna(value=1)
df3
0 1 2
0 1.0 2.0 3.0
1 1.0 5.0 6.0
2 7.0 1.0 9.0
3 1.0 1.0 1.0 
# 某一列值為 NaN的改為 1
df3 = dframe.fillna(value={0:0, 1:1,2:2,3:3})
df3
0 1 2
0 1.0 2.0 3.0
1 0.0 5.0 6.0
2 7.0 1.0 9.0
3 0.0 1.0 2.0

六、多級Index

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
#二級 index 
s1 = Series(np.random.randn(6),index=[['1','1','1','2','2','2'],
                                      ['a','b','c','a','b','c']])
s1
1 a 0.301681 b -1.596626 c -0.261337 2 a 0.739900 b 0.299108 c 0.074713 dtype: float64 
s1['1']
a 0.301681 b -1.596626 c -0.261337 dtype: float64 
s1['1']['a']
0.3016807350048885 
s1[:,'a']   # 二級的 a 也返回了
1 0.301681 2 0.739900 dtype: float64

二級 index Series 與 DataFrame互相轉換

# 二級的Series 轉置 為dataframe
df1 = s1.unstack()
df1
a b c
1 0.301681 -1.596626 -0.261337
2 0.739900 0.299108 0.074713 
# 二級 Series 轉換為 Datafraem
df2 = DataFrame([s1['1'],s1['2']])
df2
a b c
0 0.301681 -1.596626 -0.261337
1 0.739900 0.299108 0.074713 
# DataFrame 轉換為多級 index 的Series
s2 = df1.unstack()
s2
a 1 0.301681 2 0.739900 b 1 -1.596626 2 0.299108 c 1 -0.261337 2 0.074713 dtype: float64 
s2 = df1.T.unstack()
s2
1 a 0.301681 b -1.596626 c -0.261337 2 a 0.739900 b 0.299108 c 0.074713 dtype: float64

多級index DataFrame

df = DataFrame(np.arange(16).reshape(4,4),
              index=[['a','a','b','b'],[1,2,1,2]],
               columns=[['c','c','d','d'],[5,5,6,7]])
df
c d
5 5 6 7
a 1 0 1 2 3
2 4 5 6 7
b 1 8 9 10 11
2 12 13 14 15 
df['d']
6 7
a 1 2 3
2 6 7
b 1 10 11
2 14 15 
df['d'][6]
a 1 2 2 6 b 1 10 2 14 Name: 6, dtype: int32 —–

七、Mapping 和 Replace

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
df1 = DataFrame({"城市":["北京","上海","廣州"],"人口":[1000,2000,3000]})
df1
城市 人口
0 北京 1000
1 上海 2000
2 廣州 3000 
# 普通方法 給DataFrame 新增列
# 如果 df1 的index 不是順序的 0,1,2...，將不能正確賦值，需要知道 index
df1['GDP'] = Series([1000,2000,1500])
df1
城市 人口 GDP
0 北京 1000 1000
1 上海 2000 2000
2 廣州 3000 1500

map() 方法給DataFrame新增列

# map方法（字典） 新增新列，
#這樣就無需關心 按順序對應，以及index匹配問題
gdp_map = {"北京":100,"廣州":300,"上海":200}
df1['GDP'] = df1['城市'].map(gdp_map)
df1
城市 人口 GDP
0 北京 1000 100
1 上海 2000 200
2 廣州 3000 300 
df2 = DataFrame({"城市":["北京","上海","廣州"],"人口":[1000,2000,3000]},
                index=['A','B','C'])
df2
城市 人口
A 北京 1000
B 上海 2000
C 廣州 3000 
# index 不是預設的 需要指定index，否則為 NaN
df2['GDP'] = Series([1000,2000,1500])
df2
城市 人口 GDP
A 北京 1000 NaN
B 上海 2000 NaN
C 廣州 3000 NaN 
# 指定 index
df2['GDP'] = Series([1000,2000,1500],index=['A','B','C'])
df2
城市 人口 GDP
A 北京 1000 1000
B 上海 2000 2000
C 廣州 3000 1500

replace in series

s1 = Series(np.arange(6))
s1
0    0
1    1
2    2
3    3
4    4
5    5
dtype: int32

s1.replace(1,np.nan)
0    0.0
1    NaN
2    2.0
3    3.0
4    4.0
5    5.0
dtype: float64

s1.replace([1,2,3],[10,20,30])
0     0
1    10
2    20
3    30
4     4
5     5
dtype: int64

相關推薦

Python資料科學入門-(Pandas）筆記02

第四節 Pandas 入門 慕課網python數科學入門課程學習筆記 一. Series 序列 import numpy as np import pandas as pd s1 = pd.Series([1,2,3,4]) # 建立

Python資料科學入門（matplotlib）筆記04

Python資料科學入門學習筆記——Matloptlib 什麼是matloptlib matloptilib是一個Python包，用於2D繪圖，3D繪圖也可以安裝額外的包，強大流行，有很多擴充套件。

Python資料科學入門（seaborn）筆記05

Python資料科學入門筆記05——seaborn seaborn 是matplotlib的擴充套件 一、seaborn 實現直方圖和密度圖 import numpy as np import p

Python 《資料科學入門》 讀書筆記第四章 2018-8-2011:30開始

接著看這本書。。看到第三章的時候，腦闊又疼了。用的時候再說吧，而且R軟體功能很強大。蹦過去了。 接著到了第四章。我一想說第四章講的線性代數。。我特麼高等代數都學過還看這個幹嘛啊。 又到了第五章，將統計，我說真巧，我就是統計專業的。 又到了第六章，一看，哇概率論，他咋知道我的專業是概率論與

python《資料科學入門》學習筆記第二章 2018-8-17開始

昨天早晨發現新買不到一週的自行車被偷了，我的2000大洋啊，心在滴血，小偷我草你媽，去學校安保處與派出所報警也花了一上午，下午接到朋友電話，被告知那個她找了新的男朋友，生活真是日了狗了。苟延殘喘。 經過三個來月的python程式設計，雖然能夠寫一些複雜的演算法。但是編寫速度很慢，原因是基本功不紮

Python資料科學入門-筆記01

Python資料科學入門 慕課網課程學習筆記 學習環境 win10 + 虛擬機器centos7 + python3 第一節 Annconda 基本介紹 一、Anaconda 介紹 1.Anaconda 介紹 Anaconda

Python 資料科學入門教程：Pandas

Python 和 Pandas 資料分析教程 大家好，歡迎閱讀 Python 和 Pandas 資料分析系列教程。 Pandas 是一個 Python 模組，Python 是我們要使用的程式語言。Pandas 模組是一個高效能，高效率，高水平的資料分析庫。

python資料科學入門與分析

python資料科學入門與分析 第二章 資料科學的Python核心 基本的內建str函式 1.print("hello".capitalize());將第一個字元轉化為大寫，其他字元轉化為小寫 2.print("hello world ".strip());

Python 資料科學入門

不需要昂貴的工具即可領略資料科學的力量，從這些開源工具起步即可。 無論你是一個具有數學或電腦科學背景的資深資料科學愛好者，還是一個其它領域的專家，資料科學提供的可能性都在你力所能及的範圍內，而且你不需要昂貴的，高度專業化的企業級軟體。本文中討論的開源工具就是你入門時

Python 資料科學入門教程：Matplotlib

Matplotlib 入門教程 第一章 Matplotlib 簡介 歡迎閱讀 Python 3+ Matplotlib 系列教程。 在本系列中，我們將涉及 Matplotlib 資料視覺化模組的多個方面。 Matplotlib 能夠建立多數型別的

Python資料科學：Pandas Cheat Sheet

Key and Imports In this cheat sheet, we use the following shorthand: df | Any pandas DataFrame object s | Any pandas Series obje

python資料科學--pandas入門

pandas庫建立在numpy之上，為python程式語言提供了易於使用的資料結構和資料分析工具 匯入pandas模組 import pandas as pd pandas資料結構：Series,能夠儲存任何資料型別的一維陣列 DataFrame:可以儲存不同資料型別的二維陣列

Python資料分析與挖掘學習筆記（2）使用pandas進行資料匯入

一、匯入pandas模組：   import pandas as pda 二、匯入CSV格式資料： #資料匯入 i=pda.read_csv("E:/hexun.csv")     可對匯入的資料進行統計以及按列排序： #統計 i.describe() #排序 i

利用Python資料分析：pandas入門（三）

obj = Series(range(3),index=['a','b','c']) index = obj.index index index[1:] index[1] = 'd' # index物件是不能被修改的 Index does not support mut

利用Python資料分析：pandas入門（二）

import pandas as pd import numpy as np from pandas import Series,DataFrame data = {'state':['Ohio','Ohio','Ohio','Nevada','Nevada'],

Python資料視覺化-Matplotlib學習筆記（1）--折線圖為例畫圖入門

在使用Python做資料處理的時，大量的資料我們看起來並不是很直觀，有時候把它圖形化顯示反而更能容易的觀察資料的變化特徵等等。 Matplotlib是一個Python的2D繪相簿，它以各種硬拷貝格式和跨平臺的互動式環境生成出版質量級別的圖形。它提供了一整套

python資料分析（pandas入門）

Series Shape: (202L,) Series index: RangeIndex(start=0, stop=202, step=1) Series values: ['Afghanistan' 'Albania' 'Algeria' 'Andorra' 'Angola' 'Antigua and

Python編程入門到實踐 - 筆記（1,2章）

python編程 python入門 自學 Python 有段時間了，總是覺得自己基礎不牢，想著把看完的兩本基礎書寫個博客做個筆記啥的。準備在重新看一遍《Python編程入門到實踐》，堅持寫博客筆記。Python編程入門到實踐的前兩章筆記，學習的內容如下：查看當前環境中的 python 版本python

Python編程入門到實踐 - 筆記（ 3 章）

python 練習 練習內容包括創建並訪問列表列表的索引使用列表中的各個值修改列表中的元素在列表中添加元素 append()在列表中插入元素 insert()在列表中刪除元素 del,pop()根據值刪除列表中的元素 remove()對列表中的元素進行排列 1)永久性修改 sort()，按字母表正向

Python編程入門到實踐 - 筆記（ 5 章）

python if 判斷 第 5 章練習了以下內容簡單的 if 判斷語句判斷字符串是否相等，還是不等進行數字的大小比較and，or 比較檢查列表中是否存在指定的元素if，if-else，if-elif-else 語句寫法if 判斷列表是否為空使用多個列表進行比較判斷這一章的內容也比較簡單，感覺和