<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Marynidaye的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Marynidaye</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Marynidaye]]></copyright><item><title><![CDATA[大数据专业数据科学课程之pandas知识总结]]></title><link>https://blog.youkuaiyun.com/Marynidaye/article/details/156548299</link><guid>https://blog.youkuaiyun.com/Marynidaye/article/details/156548299</guid><author>Marynidaye</author><pubDate>Sun, 04 Jan 2026 00:01:12 +0800</pubDate><description><![CDATA[当内置统计函数无法满足需求时，通过apply传入自定义函数：示例：按班级分组，求分数的“中位数-均值”差值：df.groupby('班级')['分数'].apply(diff_median_mean)数据读取→数据清洗→数据转换→数据聚合/合并→结果输出，适配数据科学的全流程需求。]]></description><category></category></item><item><title><![CDATA[Matplotlib]]></title><link>https://blog.youkuaiyun.com/Marynidaye/article/details/155467738</link><guid>https://blog.youkuaiyun.com/Marynidaye/article/details/155467738</guid><author>Marynidaye</author><pubDate>Mon, 01 Dec 2025 23:06:34 +0800</pubDate><description><![CDATA[对数据科学家而言，Matplotlib 不是 “最炫酷” 的可视化工具（相比 Plotly 的交互式图表、Seaborn 的高颜值统计图表），却是 “最基础、最灵活” 的工具 —— 它像一把 “瑞士军刀”，能应对从探索性分析到成果交付的全流程需求，且所有高级库的使用都离不开它的底层逻辑。建议入门路径：先掌握Figure与Axes的核心概念，再通过高频图表（折线、柱状、散点、直方图）熟悉基础用法，最后结合子图布局、样式定制、交互增强等进阶技巧，逐步实现 “按需绘图”。]]></description><category></category></item><item><title><![CDATA[NumPy 核心知识点全面总结]]></title><link>https://blog.youkuaiyun.com/Marynidaye/article/details/154664188</link><guid>https://blog.youkuaiyun.com/Marynidaye/article/details/154664188</guid><author>Marynidaye</author><pubDate>Mon, 10 Nov 2025 23:19:18 +0800</pubDate><description><![CDATA[在 Python 数据科学生态中，NumPy（Numerical Python）是不可或缺的基础库，它以高效的多维数组对象为核心，搭配丰富的数学函数，为数据处理、科学计算提供了底层支撑。无论是 Pandas、Matplotlib 还是 Scikit - learn，都依赖 NumPy 实现核心功能。下面从基础到进阶，系统总结 NumPy 的核心知识点。]]></description><category></category></item></channel></rss>