这次介绍的小技巧不是统计，而是把统计结果作为**新列**和原来的数据放在一起。`pandas`的各种统计功能之前已经介绍了不少，但是每次都是统计结果归统计结果，原始数据归原始数据，没有把它们合并在一个数据集中来观察。 下面通过两个场景示例来演示如果把统计值作为新列的数据。 # 1. 成绩统计的场景
`category`类型在**pandas基础**系列中有一篇介绍数据类型的文章中已经介绍过。`category`类型并不是`python`中的类型，是`pandas`特有的类型。 `category`类型的优势那篇文章已经介绍过，当时只是介绍了如何将某个列的数据转换成`category`类型，以及
我们在`jupyter notebook`中使用`pandas`显示`DataFrame`的数据时，由于屏幕大小，或者数据量大小的原因，常常会觉得显示出来的表格不是特别符合预期。 这时，就需要调整`pandas`显示`DataFrame`的方式。`pandas`为我们提供了很多调整显示方式的参数，具
上一篇介绍了`DataFrame`的显示参数，主要是对`DataFrame`中值进行调整。 本篇介绍`DataFrame`的显示样式的调整，显示样式主要是对表格本身的调整，比如颜色，通过颜色可以突出显示重要的值，观察数据时可以更加高效的获取主要信息。 下面介绍一些针对单个数据和批量数据的样式调整方式
最近github上发现了一个库（`plottable`），可以用简单的方式就设置出花哨的 `DataFrame` 样式。 github上的地址：[https://github.com/znstrider/plottable](https://github.com/znstrider/plottabl
`pandas`小技巧系列是介绍的是使用`pandas`分析数据时，最常用的一些操作技巧。 具体包括： 1. [创建测试数据](https://www.cnblogs.com/wang_yb/p/17552748.html) 学习pandas的过程中，为了尝试pandas提供的各类功能强大的函数，常
摘要：从整个行业应用层面来看，现在，数据库的国产化时代已经到来。 本文分享自华为云社区《聚焦技术，锐意创新，GaussDB给世界一个更优选择》，作者： GaussDB数据库。 今天，以“数据智能，价值创新”为主题的第13届中国数据库技术大会（DTCC2022）在线上顺利举行，会上集合了数百位行业专家
作者：京东物流 杨建民 一、微服务架构起源 单体架构：可以理解为主要业务逻辑模块（我们编写的代码模块，不包括独立的中间件）运行在一个进程中的应用，最典型的是运行在一个Tomcat容器中，位于一个进程里。单体架构好处是技术门槛低、编程工作量少、开发简单快捷、调试方便、环境容易搭建、容易发布部署及升级，
更多精彩内容，欢迎关注公众号：数量技术宅，也可添加技术宅个人微信号：sljsz01，与我交流。 关于法玛三因子模型 法玛三因子模型（Fama-French Three-Factor Model）是一种资本资产定价模型（Capital Asset Pricing Model，CAPM）的扩展，用于解释
本文转载自支付宝体验科技，作者是蚂蚁集团客户端工程师博欢，介绍了支付宝如何基于 HarmonyOS 4.0 实况窗实现医疗场景履约智能提醒。 1.话题背景 8 月 4 日，华为在 HDC（华为 2023 开发者大会）上推出了新版本操作系统HarmonyOS 4.0，主打个性化与多元化的的口号。在功能
近日，GrapeCity Documents 正式迎来其V6.2 的发布更新，能够支持 SpreadJS 中 .sjs 类型的文件。这一重大更新将为用户带来更多地惊喜。 .sjs文件有两个关键优势：空间更小且导入导出速度更快。通过采用 .sjs格式，GcExcel实现了更高效的文件压缩，从而使文件大
学习`pandas`的过程中，为了尝试`pandas`提供的各类功能强大的函数，常常需要花费很多时间去创造测试数据。 在`pandas`中，快速创建测试数据可以更快的评估 `pandas` 函数。通过生成一组测试数据，可以评估例如 `read_csv`、`read_excel`、`groupby`等
日常分析数据时，只有单一数据文件的情况其实很少见，更多的情况是，我们从同一个数据来源定期或不定期的采集了很多数据文件；或者从不同的数据源采集多种不同格式的数据文件。 在这样的情况下，分析数据之前，需要将不同的数据集合并起来。合并数据一般有两个维度，一是同构的数据集合并后行数增加；一是异构的数据集合并
在 `pandas` 中，如果遇到数据量特别大的情况，随机挑选 DataFrame 的子集可以帮助我们更深入地了解数据，从而更好地进行数据分析和决策。 随机挑选子集的用途主要有： 1. 评估数据质量：随机挑选 DataFrame 的子集可以帮助我们检查数据集的质量，以便进一步探索和挖掘数据。例如，我
本篇介绍的是`pandas`选择列数据的一个小技巧。之前已经介绍了很多选择列数据的方式，比如`loc`，`iloc`函数，按列名称选择，按条件选择等等。 这次介绍的是按照列的**数据类型**来选择列，按类型选择列可以帮助你快速选择正确的数据类型，提高数据分析的效率。 # 1. 类型种类 `panda
重命名 `pandas` 数据中列的名称是一种常见的数据预处理任务。这通常是因为原始数据中的列名称可能不够清晰或准确。例如，列名可能包含空格、大写字母、特殊字符或拼写错误。 使用 `pandas` 的 `rename`函数可以帮助我们更改列名，从而使数据更加清晰和易于理解。此外，重命名列名还可以确保
反转`pandas` `DataFrame`的行列顺序是一种非常实用的操作。在实际应用中，当我们需要对数据进行排列或者排序时，通常会使用到Pandas的行列反转功能。这个过程可以帮助我们更好地理解数据集，发现其中的规律和趋势。同时，行列反转还可以帮助我们将数据可视化，使得图表更加易于理解。 除了常规
拆分列是`pandas`中常用的一种数据操作，它可以将一个包含多个值的列按照指定的规则拆分成多个新列，方便进行后续的分析和处理。拆分列的使用场景比较广泛，以下是一些常见的应用场景： 1. 处理日期数据：在日期数据中，经常会将年、月、日等信息合并成一列，通过拆分列可以将其拆分成多个新列，方便进行时间序
在实际应用中，数据集中经常会存在缺失值，也就是某些数据项的值并未填充或者填充不完整。缺失值的存在可能会对后续的数据分析和建模产生影响，因此需要进行处理。 `pandas`提供了多种方法来处理缺失值，例如删除缺失值、填充缺失值等。删除缺失值可能会导致数据量减少，填充缺失值则能够尽量保留原始数据集的完整
字符串转数字的用途和场景很多，其中主要包括以下几个方面： 1. 数据清洗：在进行数据处理时，经常会遇到一些数据类型不匹配的问题，比如某些列中的字符串类型被误认为是数字类型，此时需要将这些字符串类型转换为数字类型，才能进行后续的数值计算或统计分析。 2. 数据整理：有时候输入的原始数据可能存在格式问题
