Python中的扩展和tips

本文介绍了Python中常用的数据结构操作方法,包括deque和Counter的使用、列表的增删查改及排序技巧,并分享了Excel的基本使用方法,如数据插入、分割及简单的数据操作。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

指路-☞A

collections中 deque\counter的使用

deque
counter

List中函数

insert函数进行插入,yyds
remove函数,传入的是列表值yyds
pop函数,传入的是下标,两个在一起真的yyds

sort排序:key

在这里插入图片描述
在这里插入图片描述

Set去重:set(iter)

可以用来判断一个列表中有无重复元素
在这里插入图片描述

EXCEL使用

  1. 数据插入:在这里插入图片描述

2.数据分割:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
3. 数据操作:先单独进行两个单元格的计算,回车,下拉

1.加法
在这里插入图片描述
2.求和等其他公式
在这里插入图片描述
在这里插入图片描述

输入——》小蓝

单行输入:

  • 多个数字:a,b,c=map(int,input().split())
  • 将数字转为一个列表:加list():c=list(map(int,input().split()))

多行输入:

  • list1=[list(map(int,input().split())) for i in range(hang)]

我的盲区:

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

数字处理

取整

默认是向下取整

向上取整math 模块中的 ceil()
四舍五入round()
分别取整数部分和小数部分math 模块中的 modf()
import math
math.modf(3.25)
(0.25, 3.0)
math.modf(3.75)
(0.75, 3.0)
math.modf(4.2)
(0.20000000000000018, 4.0)

同时求商和余数divmod

divmod() 函数把除数和余数运算结果结合起来,返回一个包含商和余数的元组

divmod是内置函数,不需要导入,可以直接使用

	#实际应用时可以这么写
	carry, remainder = divmod(1010, 10)
### 常用的 Python 数据分析库 Python 是一种功能强大且灵活的语言,在数据分析领域有着广泛的应用。以下是几个常用的 Python 数据分析库: #### 1. **Pandas** Pandas 是一个强大的数据操作分析工具,主要用于处理结构化数据(如表格型数据)。它提供了 DataFrame Series 这两种主要的数据结构,能够轻松完成数据清洗、转换、聚合以及统计等功能[^1]。 ```python import pandas as pd data = {'Name': ['John', 'Anna'], 'Age': [28, 22]} df = pd.DataFrame(data) print(df) ``` #### 2. **NumPy** NumPy 提供了高性能的多维数组对象及其上的各种运算方法,是科学计算的基础包之一。对于数值计算密集的任务来说,NumPy 的效率远高于纯 Python 实现。 ```python import numpy as np array = np.array([1, 2, 3]) result = array * 2 print(result) ``` #### 3. **Matplotlib** 作为最流行的绘图库之一,Matplotlib 能够创建高质量的二维图表,支持多种图形样式定制,适用于静态图像展示需求[^2]。 ```python import matplotlib.pyplot as plt plt.plot([1, 2, 3], [4, 5, 6]) plt.show() ``` #### 4. **Seaborn** 基于 Matplotlib 构建而成,Seaborn 更加注重美观性高层次接口设计,特别适合于绘制复杂统计数据分布图或热力图等高级可视化效果。 ```python import seaborn as sns sns.set_theme(style="whitegrid") tips = sns.load_dataset("tips") ax = sns.barplot(x="day", y="total_bill", data=tips) ``` #### 5. **SciPy** 除了 NumPy 外 SciPy 扩展了许多针对特定应用场景的功能模块比如优化算法、信号处理函数等等,这些都极大地方便了科研工作者们快速实现自己的想法. --- ### 学习资源推荐 如果希望深入学习上述提到的各种库及相关技术,则可以参考一些经典教材或者在线课程来提升技能水平。例如,《Python for Data Analysis》这本书籍就非常适合初学者入门并掌握 Pandas 使用技巧;而官方文档始终是最权威的第一手参考资料来源。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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