pandas系列学习(五):数据连接

字段合并_FineBI数据建模 | 上下合并与左右合并 数据建模中对数据的上下合并与左右合并,是高频使用的数据加工步骤。作为数据分析人员,想要后面轻松地专注在分析图表上,那么前期的数据建模工作及操作技巧必须要熟练掌握。赶紧来开始学习吧。上下合并上下合并的意思是,把同样结构的两张表的数据,上下合并在一起,成为一张表。我这里准备了两份数据,如下图:A班学生成绩表B班学生成绩表上下合并的效果:我们在FineBI中实践看看。打开FineBI,在数据准... 阅读详情

作者:chen_h
微信号 & QQ:862251340
微信公众号:coderpai


pandas系列学习(一):pandas入门

pandas系列学习(二):Series

pandas系列学习(三):DataFrame

pandas系列学习(四):数据提取

pandas系列学习(五):数据连接


利用 Python 处理任何实际的数据时,你就需要将 pandas DataFrame 合并或者链接在一起来分析数据集,但是这个过程还是非常花费时间的,大约是 10 分钟。合并(merge)和连接(join)数据框 是任何有抱负的数据分析师需要掌握的核心过程。这篇文章介绍了合并和连接数据集的过程,即根据它们之间的公共列将两个数据集连接在一起。主要分为这些主题:

  • 什么是两个数据帧的合并和连接?
  • 什么是内合并,外合并,左合并,右合并?
  • 如何合并具有不同公共列名称的两个数据帧?(left_on 和 right_on 语法)

在这里插入图片描述

示例数据

对于这篇文章,我从 KillBiller 应用程序和一些别的地方下载的数据,这些数据包含在三个 CSV 文件中:

  • user_usage.csv: 第一个数据集包含用户每月移动使用情况统计信息;
  • user_device.csv: 第二个数据集包含系统的单独 “使用” 的详细信息,包括日期和设备信息;
  • android_devices.csv: 第三个数据集包含设备和制造商数据,其中列出了从Google获取的所有Android设备及其型号代码;

我们可以使用 pandas read_csv() 命令将这些 csv 文件作为 pandas DataFrame 加载到 pandas中,并使用 DataFrame head() 命令检查内容。

user_usage.head()
outgoing_mins_per_monthoutgoing_sms_per_monthmonthly_mbuse_id
021.974.821557.3322787
11710.08136.887267.5522788
21710.08136.887267.5522789
394.4635.17519.1222790
471.5979.261557.3322792

来自 KillBiller 应用程序的示例使用信息,显示一部分用户的每月移动使用情况统计信息。

user_device.head()
use_iduser_idplatformplatform_versiondeviceuse_type_id
02278226980ios10.2iPhone7,22
12278329628android6.0Nexus 53
22278428473android5.1SM-G903F1
32278515200ios10.2iPhone7,23
42278628239android6.0ONE E10031

来自 KillBiller 应用程序的用户信息,为 KillBiller 应用程序的各个 “用途” 提供设备和操作系统版本。

devices.head(10)
Retail BrandingMarketing NameDeviceModel
0NaNNaNAD681HSmartfren Andromax AD681H
1NaNNaNFJL21FJL21
2NaNNaNT31Panasonic T31
3NaNNaNhws7721gMediaPad 7 Youth 2
43QOC1020AOC1020AOC1020A
57ElevenIN265IN265IN265
6A.O.I. ELECTRONICS FACTORYA.O.I.TR10CS1_11TR10CS1
7AG MobileAG BOOST 2BOOST2E4010
8AG MobileAG FlairAG_FlairFlair
9AG MobileAG Go Tab Access 2AG_Go_Tab_Access_2AG_Go_Tab_Access_2

Android 设备数据,包含所有具有制造商和型号详细信息的 Android 设备。

注意重要的样本数据集之间存在连接属性:user_usage 和 user_device 之间共享 use_id ,而 user_device 的 device 列和设备数据集的 Model 列包含公共代码。

举个例子

我们想知道不同设备之间用户的使用模式是否不同。例如,使用三星设备的用户使用通话时间是否比使用 LG 设备的用户多?考虑到这些数据集中的样本量较小,这是一个demo问题,但它是需要合并的完美示例。

我们希望形成一个单独的数据框,其中包含用户使用数字(每月呼叫,每月短信等)以及包含设备信息(模型,制造商等)的列。我们需要将我们的样本数据集进行合并(或者连接)到一个单独的数据集中进行分析。

合并 DataFrame

合并两个数据集是将两个数据集合并为一个数据集,并根据公共属性或者列对齐每个数据集的行的过程。

合并和连接着两个词在 pandas 和其他语言中相对可互换,即 SQL 和 R 。在 pandas 中,有单独的 merge 和 join 函数,两者都做类似的事情。

在这个场景中,我们需要执行两个步骤:

  1. 对于 user_usage 数据集中的每一行——创建一个包含 user_device 数据帧中的 device 代码的心裂。即对于第一行,use_id 为 22787,因此我们转到 user_devices 数据集,找到 use_id 22787,并复制 device 列中的值;
  2. 完成此操作后,我们将获取新设备列,并从设备数据集中找到相应的“零售品牌”和“模型”;
  3. 最后,我们可以查看使用的设备制造商对使用情况进行拆分和分组数据的不同统计数据。
我可以使用 for 循环吗?

是的,你可以为此任务编写 for 循环。第一个循环遍历 user_usage 数据集中的 use_id ,然后在 user_devices 中找到正确的元素。第二个 for 循环将为设备重复此过程。

但是,使用 for 循环比使用 pandas 合并功能要慢得多,也更冗长。所以,如果你遇到这种情况——不要使用 for 循环。

合并 user_usage 和 user_devices

让我们看看如何使用 merge 命令将 device 和 platform 列正确添加到 user_usage 数据帧。

result = pd.merge(user_usage,
                 user_device[['use_id', 'platform', 'device']],
                 on='use_id')
result.head()
outgoing_mins_per_monthoutgoing_sms_per_monthmonthly_mbuse_idplatformdevice
021.974.821557.3322787androidGT-I9505
11710.08136.887267.5522788androidSM-G930F
21710.08136.887267.5522789androidSM-G930F
394.4635.17519.1222790androidD2303
471.5979.261557.3322792androidSM-G361F

以上是基于公共列将 user usage 和 user devices 合并的结果。

从结果中,我们看到这个非常有效,而且很容易实现,那么 merge 命令做了一些什么呢?

在这里插入图片描述

pandas merge 命令如何工作。至少,合并需要左数据集,右数据集和公共列以合并。

merge 命令是这篇文章的主要学习目标。最简单的合并操作采用左数据帧(第一个参数),右数据帧(第二个参数),然后是合并列名称,或合并 “on” 的列。在输出结果中,左侧和右侧数据帧中的行匹配,其中 “on” 指定的合并列的公共值。

有了这个结果,我们现在可以继续从 device 数据集中获取制造商和型号。但是,首先我们需要了解更多有关合并类型和输出数据帧大小的信息。

内部(inner),左侧(left)和右侧(right)合并类型

在上面的例子中,我们将 user_usage 和 user_devices 进行合并。利用 head() 查看结果发现非常棒,但是除此之外,我们还能获得更多的东西。首先,让我们看看 merge 命令的输入和输出的大小:

print("user_usage dimensions: {}".format(user_usage.shape))
print("user_device dimensions: {}".format(user_device[['use_id', 'platform', 'device']].shape))
print("result dimensions: {}".format(result.shape))
user_usage dimensions: (240, 4)
user_device dimensions: (272, 3)
result dimensions: (159, 6)

合并操作后数据集 result 的大小与预期不符合,即它的大小不是两个数据集大小之和。因为默认情况下, pandas merge() 默认为 inner 合并操作。内部合并(或内部连接)仅保留结果的左侧和右侧数据帧中的公共值。在上面的示例中,只有包含 user_usage 和 user_device 之间通用的 use_id 值的行扔保留在 result 数据集中。我们可以通过查看常见的值来验证这一点:

user_usage['use_id'].isin(user_device['use_id']).value_counts()
True     159
False     81
Name: use_id, dtype: int64

默认情况下,在 pandas 中仅保留左右数据帧之间的公共值,即我们使用了内部合并。

user_usage 中有 159 个 use_id 值出现在 user_device 中,这些值也出现在最终结果数据框 159 行中。

其他合并类型

pandas 中有三种不停类型的合并。这些合并类型在大多数数据库和面向数据的语言(SQL,R,SAS)中都很常见,通常称为 join 操作。如果你对合并操作不是很熟悉,可以看看下面的介绍:

  1. inner merge:默认的 pandas 行为,仅保留左侧和右侧数据框中存在合并 on 值的行;
  2. left merge:保留左数据框中的每一行。如果右侧数据框中存在 on 变量的缺失值,那么请在结果中添加 NaN 值;
  3. right merge:保留右数据框中的每一行。如果左侧数据框中存在 on 变量的缺失值,那么请在结果中添加 NaN 值;
  4. outer merge:完全外部连接返回左侧数据框中的所有行,右侧数据框中的所有行,并在可能额情况下匹配行,其他地方使用 NaN 值;

要使用的合并类型是使用 merge 命令中的 how 参数指定的,取值为 left,right,inner(默认值)或者 outer。具体可以看下图:

在这里插入图片描述

左合并例子

让我们重复我们的合并操作,但这次在 pandas 中执行 “左合并”。

  • 最初,result 数据帧有 159 行,因为我们的左右数据帧之间共有 159 个 use_id 值,默认使用 inner 合并。
  • 对于我们的左合并,我们期望 result 与我们的左数据帧 user_usage (240行)具有相同的行数,除了 159 个行是没有缺失值的,剩余 81 行都是有缺失值的;
  • 我们希望 result 与左数据帧具有相同的行数,因为 user_usage 中的每个 use_id 在 user_device 中只出现一次。一对一的映射并非总是如此。在合并操作中,左侧数据框中的单行与右侧数据框中的多行匹配,将生成多个 result 行。即如果 user_usage 中的 use_id 值在 user_device 数据帧中出现两次,则在连接 result 中将有两行用于该 use_id 。

你可以使用 merge 命令的 how 参数将合并更改为 left merge。result 数据框的顶部包含成功匹配的项,而底部包含 user_usage 中的 user_device 中没有相应 use_id 的行。

result = pd.merge(user_usage,
                 user_device[['use_id', 'platform', 'device']],
                 on='use_id', 
                 how='left')
print("user_usage dimensions: {}".format(user_usage.shape))
print("result dimensions: {}".format(result.shape))
print("There are {} missing values in the result.".format(result['device'].isnull().sum()))
user_usage dimensions: (240, 4)
result dimensions: (240, 6)
There are 81 missing values in the result.
result.head()
outgoing_mins_per_monthoutgoing_sms_per_monthmonthly_mbuse_idplatformdevice
021.974.821557.3322787androidGT-I9505
11710.08136.887267.5522788androidSM-G930F
21710.08136.887267.5522789androidSM-G930F
394.4635.17519.1222790androidD2303
471.5979.261557.3322792androidSM-G361F
result.tail()
outgoing_mins_per_monthoutgoing_sms_per_monthmonthly_mbuse_idplatformdevice
235260.6668.44896.9625008NaNNaN
23697.1236.502815.0025040NaNNaN
237355.9312.376828.0925046NaNNaN
238632.06120.461453.1625058NaNNaN
239488.70906.923089.8525220NaNNaN

在 pandas 中左连接示例。在 how 命令中指定连接类型。

右连接的例子

例如,我们可以使用右连接合并重复此过程,只需要在 pandas merge 命令中将 how

==left 替换成 how==right。

result = pd.merge(user_usage,
                 user_device[['use_id', 'platform', 'device']],
                 on='use_id', 
                 how='right')

预期结果将于正确的数据框 user_device 具有相同的行数,但是来源于左数据框中的数据就会具有多个空值或者 NaN 值。user_usage 中的 outgoing_mins_per_month,outgoing_sms_per_month 和 monthly_mb 会有空值,但是右侧数据框 user_device 中的列中没有缺失值。

result = pd.merge(user_usage,
                 user_device[['use_id', 'platform', 'device']],
                 on='use_id', 
                 how='right')

print("user_device dimensions: {}".format(user_device.shape))
print("result dimensions: {}".format(result.shape))
print("There are {} missing values in the 'monthly_mb' column in the result.".format(result['monthly_mb'].isnull().sum()))
print("There are {} missing values in the 'platform' column in the result.".format(result['platform'].isnull().sum()))
user_device dimensions: (272, 6)
result dimensions: (272, 6)
There are 113 missing values in the 'monthly_mb' column in the result.
There are 0 missing values in the 'platform' column in the result.
外部合并的例子

最后,我们将使用 pandas 执行外部合并,也称为 “完全外部连接” 或者 “外部连接”。外连接可以看做是左连接和右连接的组合,或者是内连接的相反。在外部连接中,左侧和右侧数据框中的每一行都会保留在结果中,其中 NaN 为没有匹配到的变量。

因此,我们希望 result 具有与 user_device 和 user_usage 之间的 use_id 的不同值相同的行数,即来自左数据帧的每个连接值将与来自右数据帧的每个值一起出现在 result 中。

print("There are {} unique values of use_id in our dataframes.".format(
    pd.concat([user_usage['use_id'], user_device['use_id']]).unique().shape[0]))
result = pd.merge(user_usage,
                 user_device[['use_id', 'platform', 'device']],
                 on='use_id', 
                 how='outer')
print("Outer merge result has {} rows.".format(result.shape))
print("There are {} rows with no missing values.".format((result.apply(lambda x: x.isnull().sum(), axis=1) == 0).sum()))
There are 353 unique values of use_id in our dataframes.
Outer merge result has (353, 6) rows.
There are 159 rows with no missing values.

使用 pandas 的外部合并 result 。左侧和右侧数据帧中的每一行都保留在 result 中,缺少值为 NaN 值。

在下图中,显示了外部合并 result 中的示例行,前两个是 use_id 在数据帧之间最常见的示例,后两个仅来自左侧数据帧,最后两个仅来自右侧数据帧。

使用合并指示器跟踪合并

为了帮助识别行的来源,pandas 提供了一个指标参数,可以与 merge 函数一起使用,该函数在输出中创建一个名为 _merge 的附加列,用于标记每行的原始源。

result = pd.merge(user_usage,
                 user_device[['use_id', 'platform', 'device']],
                 on='use_id', 
                 how='outer', 
                 indicator=True)
result.iloc[[0,1,2,200,201,202]]
outgoing_mins_per_monthoutgoing_sms_per_monthmonthly_mbuse_idplatformdevice_merge
021.974.821557.3322787androidGT-I9505both
11710.08136.887267.5522788androidSM-G930Fboth
21710.08136.887267.5522789androidSM-G930Fboth
20028.7929.423114.6723988NaNNaNleft_only
201616.5699.855414.1424006NaNNaNleft_only
202339.09136.889854.7924037NaNNaNleft_only

从上图的 _merge 字段我们就可以很清楚的看到每一行是来源于原始数据的左侧数据框还是右侧数据框。

最终合并——将设备详细信息加入到结果中

回到我们原来的问题,我们已经将 user_usage 与 user_device 合并,因此我们为每个用户提供了平台和设备。最初,我们在 pandas 中使用了 inner merge 作为默认值,因此,我们只为具有设备信息的用户提供条目。我们将使用左连接重做此合并以保留所有用户,然后使用第二个左合并最终使设备制造商处于同一数据帧中。

# First, add the platform and device to the user usage - use a left join this time.
result = pd.merge(user_usage,
                 user_device[['use_id', 'platform', 'device']],
                 on='use_id',
                 how='left')
# At this point, the platform and device columns are included
# in the result along with all columns from user_usage
# Now, based on the "device" column in result, match the "Model" column in devices.
devices.rename(columns={"Retail Branding": "manufacturer"}, inplace=True)
result = pd.merge(result, 
                  devices[['manufacturer', 'Model']],
                  left_on='device',
                  right_on='Model',
                  how='left')
print(result.head())
outgoing_mins_per_monthoutgoing_sms_per_monthmonthly_mbuse_idplatformdevicemanufacturerModel
021.974.821557.3322787androidGT-I9505SamsungGT-I9505
11710.08136.887267.5522788androidSM-G930FSamsungSM-G930F
21710.08136.887267.5522789androidSM-G930FSamsungSM-G930F
394.4635.17519.1222790androidD2303SonyD2303
471.5979.261557.3322792androidSM-G361FSamsungSM-G361F
使用 left_on 和 right_on 与不同的列名合并

合并运算符中使用的列不需要在左侧和右侧数据帧中命名相同。在上面的第二个合并中,请注意设备 ID 在左侧数据帧中称为设备,在右侧数据帧中称为 模型。

使用 left_on 和 right_on 参数为 pandas 中的合并指定了不同的列名,而不是仅使用 on 参数。

在这里插入图片描述

根据设备计算统计数据

随着我们的合并完成,我们可以使用 pandas 的数据聚合功能来快速计算出基于设备制造商的用户的平均使用情况。请注意,小样本量会创建更小的组,因此我不会将这些特定结果归因于任何统计意义。

result.groupby("manufacturer").agg({
        "outgoing_mins_per_month": "mean",
        "outgoing_sms_per_month": "mean",
        "monthly_mb": "mean",
        "use_id": "count"
    })
outgoing_mins_per_monthoutgoing_sms_per_monthmonthly_mbuse_id
manufacturer
HTC244.302026105.1920992178.809982548
Huawei81.5266679.5000001561.2266673
LGE111.53000012.7600001557.3300002
Lava60.650000261.90000012458.6700002
Lenovo215.92000012.9300001557.3300008
Motorola91.09232657.9066283338.662326172
OnePlus416.34166743.7400003576.10333318
Samsung169.13672887.1658645085.595556162
Sony254.42500042.6117654351.37029434
Vodafone42.75000046.8300005191.1200004
ZTE42.75000046.8300005191.1200004
【Pandas总结】第八节 Pandas 合并数据集_pd.merge() 这一节非常的重要,因为Pandas中的数据集合并,最常用的方法就是 merge, 如果大家对数据库熟悉的话,那么会觉得 merge 非常容易理解,因为这个的使用和数据库的合并几乎完全一样。inner、outer、left、right这四种合并方式的理解,下面我们来一起看pd.merge()的使用方法吧; 阅读详情

相关推荐

pandas连接数据库,从数据库读取数据,将数据保存到数据库

pandas连接数据库 import pymysql from sqlalchemy import create_engine sql = 'select * from data' conn = create_engine('mysql+pymysql://root:159951@127.0.0.1:3306/test') pdata = pd.read_sql(sql,conn) print(...

梁先森的博客 6494

数据分析 day04(三)

pandas的拼接操作 pandas中拼接操作有两种: 级联与合并

沉觞的博客 402

pandas合并和连接多个数据框

欢迎关注”生信修炼手册”!pandas作为数据分析的利器,提供了数据读取,数据清洗,数据整形等一系列功能。当需要对多个数据集合并处理时,我们就需要对多个数据框进行连接操作,在pandas...

庐州月光的博客 4931

merge join concat 用法

merge  通过键拼接列用于通过一个或多个键将两个数据集的行连接起来,类似于 SQL 中的 JOIN。该函数的典型应用场景是,针对同一个主键存在两张包含不同字段的表,现在我们想把他们整合到一张表里。在此典型情况下,结果集的行数并没有增加,列数则为两个元数据的列数和减去连接键的数量。join 拼接列,主要用于索引上的合并join方法提供了一个简便的方法用于将两个DataFrame中的不同的列索引合...

hellocsz的博客 739

Python数据分析NumPy和pandas(二十五、数据整理--连接、合并和重塑 之二:数据连接合并操作)

使用 numpy.where 不会检查索引标签是否对齐(甚至不要求对象具有相同的长度)。从这个输出可以看出 left1的行索引(最左列0,1,2,3,4)被保留了,因为 right1 的索引是唯一的,所以这个 “多对一” 合并(使用默认的 how=“inner” 方法)可以保留 left1 中与输出中的行相对应的索引值。在外连接中,左侧或右侧 DataFrame 对象的行如果与关联的 DataFrame 中的键不匹配,则关联的 DataFrame 的列中将在对应行上显示 NA 值。

FreedomLeo1的博客 1496

掌握Pandas数据合并:内连接、外连接及其它

本文详细介绍了Pandas库中DataFrame的.merge方法,该方法支持多种数据合并方式,包括内连接、外连接、左连接和右连接。通过具体代码示例,展示了如何根据共同列名进行数据对齐以及如何保留、丢弃或用NaN填充缺失值。文章还提到了.merge方法的其他实用参数,如用于指定连接列的'on', 'left_on', 'right_on'以及基于索引的'left_index', 'right_index'。这些操作为数据分析提供了强大的工具。

weixin_33759613的博客 1089

数据库等值连接,左连接,右连接的区别

inner join(等值连接) 只返回两个表中联结字段相等的行 left join(左联接) 返回包括左表中的所有记录和右表中联结字段相等的记录 right join(右联接) 返回包括右表中的所有记录和左表中联结字段相等的记录   INNER JOIN 语法:   INNER JOIN 连接两个数据表的用法: SELECT * FROM 表1 INNER JOIN 表2

YvanTan的专栏 2700

RTL8306MB交换芯片驱动开发避坑指南:从硬件接线到SDK移植全流程解析

本文详细解析了RTL8306MB交换芯片驱动开发的全流程,重点从硬件接线、SDK移植到实战调试。针对RMII模式下的常见问题,特别是TXEN与RXDV信号交叉连接等关键“坑点”,提供了清晰的排查指南和解决方案,旨在帮助嵌入式工程师高效完成网络设备开发。

282

Pandas系列学习教程——03 pandas数据查询

随着人工智能的不断发展,数据分析这门技术也越来越重要,很多人都开启了学习数据分析,本文就介绍了pandas学习的基础内容。本章讲解的是Pandas系列学习教程中的第三章——pandas数据查询,主要介绍按数值、列表、区间、条件和函数方法进行查询。

lzylzy66的博客 1552

MiniMax H3本地部署与ComfyUI集成实战:从环境配置到提示词优化

文本到视频生成是AI内容创作领域的关键技术,它基于扩散模型等深度学习原理,将自然语言描述转化为连贯的动态视觉序列。这项技术的核心价值在于大幅降低了视频制作的门槛,为短视频创作、概念可视化、教育内容生成等场景提供了高效工具。在实际工程实践中,成功部署和运行此类模型,如近期备受关注的MiniMax H3,需要精准处理环境配置、显存优化和提示词工程等环节。其中,解决“CUDA error: no kernel image is available”等版本兼容性问题,以及针对“8G显存”等有限资源进行参数调优,是确

weixin_33674976的博客 479

ctf.show_VIP题目限免(全)

VIP题目限免源码泄露前台JS绕过手动源码查看ctrl+u或在网站前面加view-source:Burpsuite禁用javascript的方法协议头信息泄露robots后台泄露补phps源码泄露源码压缩包泄露版本控制泄露源码版本控制泄露源码2vim临时文件泄露cookie泄露**注意:用其他浏览器得到的很奇怪** 这题目全英…英语废一个,所以我把题目全部复制过来了 源码泄露 ‎ 您没有访问所请求资源的权限。它要么是受读保护的,要么不能被服务器读取。 题目提示源码…那就找源码吧! 前台JS绕过 提示

BvxiE的博客 6348

Pandas连接操作——《Python数据分析库Pandas》

Pandas提供了强大而灵活的数据连接操作功能,使我们能够轻松地将多个DataFrame根据特定的键进行合并。无论是基本的内连接、左连接、右连接和外连接,还是高级的多级索引合并和性能优化方法,Pandas都为我们提供了丰富的工具和选项。这些功能使得Pandas成为数据处理和分析领域中的得力助手,帮助我们更好地整合和利用数据资源。👨‍💻博主Python老吕评论,您的举手之劳将对我提供了无限的写作动力!🤞🔥《Python全栈工程师》《跟老吕学MySQL》《Python游戏开发实战讲解》🌞。

Python老吕的博客 2027

ESP-IDF 5.4下esp32-camera组件编译报错?手把手教你解决头文件缺失问题

本文详细解析了ESP-IDF 5.4环境下esp32-camera组件编译时出现的头文件缺失问题,提供了从目录结构优化、CMake配置到VSCode智能感知设置的完整解决方案。针对第三方组件集成难题,文章特别强调了PRIV_REQUIRES依赖声明和路径配置的关键作用,帮助开发者高效解决编译错误并建立稳定的开发环境。

weixin_28829629的博客 309

Pandas系列学习教程——02 pandas数据结构

随着人工智能的不断发展,数据分析这门技术也越来越重要,很多人都开启了学习数据分析,本文就介绍了pandas学习的基础内容。本章讲解的是Pandas系列学习教程中的第二章——pandas数据结构,主要讲解DateFrame和Series。

lzylzy66的博客 1177

网络摄像机Sensor低光性能实测:海思平台搭配索尼IMX335 vs 豪威OV4689

本文通过海思Hi3516DV300平台,对索尼IMX335与豪威OV4689两款网络摄像机Sensor进行低光性能实测。在信噪比、动态范围及实景成像对比中,IMX335凭借更优的噪声控制与稳定性表现领先,尤其在极低光环境下优势明显。文章为安防监控项目的Sensor选型与海思平台优化提供了数据参考与实战建议。

silver的专栏 831

西门子博途系列学习笔记SCL(三)______自由口通讯(RS485轮询程序)

西门子博途V16系列学习笔记SCL(三)___自由口通讯轮询程序(RS485) 西门子博途系列学习笔记SCL(三)______自由口通讯(RS485轮询程序) 文章目录西门子博途V16系列学习笔记SCL(三)___自由口通讯轮询程序(RS485)前言一、FreePort自由口通讯是什么?二、使用步骤1.模块参数定义2.定义FB功能块参数:3.程序代码如下(每天写代码100行,学不会你来找我):总结 前言 很长时间都没有更新了,主要是最近在学习罗克韦尔的STUDIO5000PLC编程软件,怎么说,和博

weixin_42940283的博客 1万+

pandas系列学习(七):数据透视表

作者:chen_h 微信号 & QQ:862251340 微信公众号:coderpai pandas系列学习(一):pandas入门 pandas系列学习(二):Series pandas系列学习(三):DataFrame pandas系列学习(四):数据提取 pandas系列学习(五):数据连接 pandas系列学习(六):数据聚合 pandas系列学习(七):数据透视表 介绍 大多...

CoderPai的博客 1万+

汽车UDS诊断详解及Vector相关工具链使用说明——总述

1.什么是诊断 车辆在运行过程中,不可避免地会发生一些故障,为了确保行车安全,我们要求车上的ECU能够实时监测部件的运行状态,一旦发现异常情况,能通过点亮报警灯等方式提示驾驶员。但是,点亮报警灯只能告诉驾驶员车辆发生了故障,最多只能定位到故障ECU,比如ABS报警灯亮说明ABS系统出现故障,但具体是什么部件发生故障并不能通过报警灯显示出来。这时就需要ECU在本地存储一个与故障相对应的故障代码,在进行维修的时候,可以通过车上的OBD接口连接诊断仪,把这个存储的故障代码读取出来,从而进一步定位到更加具体的故障部

weixin_42967006的博客 2万+

深入学习Pandas:数据连接、合并、加入、添加、重构函数的全面指南

Pandas是Python中最强大且广泛使用的数据处理库之一,提供了丰富的函数和工具,以便更轻松地处理和分析数据。在本文中,我们将深入探讨Pandas中一系列数据连接、合并、加入、添加、重构函数,包括merge、concat、join、append、stack和unstack。通过理解这些功能,你将能够更灵活地处理和转换数据,提高数据分析和清理的效率。

一键难忘的博客 5879

在 SAP S/4HANA Public Cloud 中,用 RAP 一键生成 PDF 并在 Fiori 前端触发下载的完整方案

create;update;delete;// 生成并返回当前文档上下文。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 418

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

[Pandas] 数据连接pd.concat

本文主要讲解数据连接pd.concat

Hudas的博客 2万+

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

Pandas系列学习教程——08 pandas字符串处理

随着人工智能的不断发展,数据分析这门技术也越来越重要,很多人都开启了学习数据分析,本文就介绍了pandas学习的基础内容。本章简单介绍了pandas处理字符串的步骤,具体如下。

lzylzy66的博客 1448

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Pandas `DataFrame` 数据合并与连接

merge():基于列的合并,类似 SQL 的JOIN操作。concat():沿着指定轴连接多个DataFrame,支持纵向和横向连接。join():按索引对齐连接,是merge()的简化版。:将两个DataFrame合并,优先使用第一个DataFrame的非空值。这些操作为数据整合、清洗和分析提供了极大的灵活性。使用 merge()函数进行基于列的合并。使用 concat()函数按行或按列连接DataFrame。使用 join()函数按索引连接数据。

AI Agent 首席体验官 1096

Pandas系列学习教程——07 pandas数据排序

随着人工智能的不断发展,数据分析这门技术也越来越重要,很多人都开启了学习数据分析,本文就介绍了pandas学习的基础内容。本章简单介绍了pandas数据排列,包括Series升序降序排列,和DataFrame单列多列排序。

lzylzy66的博客 1366

【Task06】Pandas之连接

前言 一、关系型连接 1.连接的基本概念 2.值连接 1)按相同列进行连接 df1 = pd.DataFrame([['San Zhang',20],['Li Si',30]],columns=['Name','Age']) df2 = pd.DataFrame([['Li Si','F'],['Wu Wang','M']],columns=['Name','Gender']) df1 df2 df1.merge(df2, on='Name', how='left') 注意这里并不会改变原来的d

Xiao_Spring的博客 1363

Pandas系列学习教程——12 pandas实现数据合并Concat

随着人工智能的不断发展,数据分析这门技术也越来越重要,很多人都开启了学习数据分析,本文就介绍了pandas学习的基础内容。本章简单介绍了pandas实现数据合并Concat,详细请看下文。

lzylzy66的博客 1290
上一篇: pandas系列学习(四):数据提取
下一篇: pandas系列学习(六):数据聚合
coderpai
博客等级 码龄10年 1082粉丝 469原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值