<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SimbaG的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/SimbaG</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; SimbaG]]></copyright><item><title><![CDATA[2小时matplotlib速成]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117452688</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117452688</guid><author>SimbaG</author><pubDate>Tue, 01 Jun 2021 21:13:04 +0800</pubDate><description><![CDATA[一、基础




]]></description><category></category></item><item><title><![CDATA[半小时学会用pandas解决真实世界中的数据科学任务]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117451709</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117451709</guid><author>SimbaG</author><pubDate>Tue, 01 Jun 2021 20:55:35 +0800</pubDate><description><![CDATA[Github source code &amp; data: https://github.com/KeithGalli/Pandas-Data-Science-Tasks



]]></description><category></category></item><item><title><![CDATA[1小时掌握NumPy]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117450959</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117450959</guid><author>SimbaG</author><pubDate>Tue, 01 Jun 2021 20:23:38 +0800</pubDate><description><![CDATA[一、简介




]]></description><category></category></item><item><title><![CDATA[python数据分析课程笔记 | 第五章 Python统计分析（下）]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117353270</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117353270</guid><author>SimbaG</author><pubDate>Fri, 28 May 2021 10:32:25 +0800</pubDate><description><![CDATA[5.3 卡方分析和方差分析

（1）卡方检验






]]></description><category></category></item><item><title><![CDATA[python数据分析课程笔记 | 第五章 Python统计分析（上）]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117332098</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117332098</guid><author>SimbaG</author><pubDate>Thu, 27 May 2021 19:42:06 +0800</pubDate><description><![CDATA[目录：5.1 描述性统计分析（1）基本统计学概念（2）统计量（3）离散程度（4）点估计和区间估计5.2 假设检验（1）假设检验概念（2）假设检验基本步骤（3）显著性水平与拒绝域（4）单样本t检验（5）双样本t检验
5.1 描述性统计分析
（1）基本统计学概念

总体
样本

（2）统计量
可以在一定程度上反应总体的特征，从样本数据中计算得到，常见统计量包括：

均值
标准差
中位数
分位数
众数

（3）离散程度
统计量可以对数据有个大体的认识，仅反应了数据的某些趋势，常见的离散程度有：

极差
四分位差
]]></description><category></category></item><item><title><![CDATA[python数据分析课程笔记 | 第四章 Matplotlib数据可视化（下）]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117225842</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117225842</guid><author>SimbaG</author><pubDate>Tue, 25 May 2021 15:59:53 +0800</pubDate><description><![CDATA[目录：4.5 完善统计图形（1）图例和画布使用（2）图形添加内容4.6 图像样式高级操作（1）绘制双坐标轴（2）多个图形合并4.7 高级绘图（1）Seaborn基础（2）绘制常用统计图形（3）其他参数和图形4.8 精美制图（1）plotly基础（2）常见图形绘制（3）图形设置
4.5 完善统计图形
（1）图例和画布使用

图例中legend中loc中的位置和数字关系的使用：

best：0
upper right：1
upper left：2
lower left：3
lower right：4
right]]></description><category></category></item><item><title><![CDATA[python数据分析课程笔记 | 第四章 Matplotlib数据可视化（上）]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117150679</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117150679</guid><author>SimbaG</author><pubDate>Sat, 22 May 2021 12:47:09 +0800</pubDate><description><![CDATA[目录：4.1 matplotlib绘图基础4.2 简单图形绘制（1）饼图（2）条形图（3）直方图（4）散点图4.3 图形基本设置4.4 统计图形实战（1）柱状图（2）直方图（3）箱线图（4）散点图（5）折线图
4.1 matplotlib绘图基础

import numpy as np
import matplotlib.pyplot as plt

#  解决中文乱码问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.uni]]></description><category></category></item><item><title><![CDATA[python数据分析课程笔记 | 第三章 Pandas数据分析运用（下）]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117132242</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117132242</guid><author>SimbaG</author><pubDate>Fri, 21 May 2021 19:07:00 +0800</pubDate><description><![CDATA[目录：3.3  分组聚合和透视图（1）数据排序（2）分组聚合（3）透视图和交叉表3.4  Pandas数据预处理（1）Pandas其他函数运用（2）数据清洗（3）数据离散化
3.3  分组聚合和透视图
（1）数据排序

import pandas as pd

vgsales = pd.read_csv('vgsales.csv', encoding='utf-8', dtype={'Year': float})

# ascending=True按照升序排序,na_position='last'缺失值排最]]></description><category></category></item><item><title><![CDATA[python数据分析课程笔记 | 第三章 Pandas数据分析运用（上）]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117121776</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117121776</guid><author>SimbaG</author><pubDate>Fri, 21 May 2021 15:33:21 +0800</pubDate><description><![CDATA[目录:3.1 pandas基础操作3.2 pandas高级操作
3.1 pandas基础操作
（1）常用数据结构


Series常用属性：

values：返回Series对象所有元素
index：返回索引
dtypes：返回数据类型
shape：返回series数据形状
ndim：返回对象的维度
size：返回对象个数


DataFrame常用属性：

values：返回Series对象所有元素
index：返回索引
dtypes：返回数据类型
shape：返回series数据形状
ndim：返回对象]]></description><category></category></item><item><title><![CDATA[python数据分析课程笔记 | 第二章 Numpy运用（下）]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117111098</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117111098</guid><author>SimbaG</author><pubDate>Fri, 21 May 2021 10:47:38 +0800</pubDate><description><![CDATA[目录：2.3 numpy字符串操作2.4 numpy统计计算2.5 numpy线性代数
2.3 numpy字符串操作

import numpy as np

str_list = ['Hello', 'World']
str_arr = np.char.upper(str_list)

a = np.char.add(['中国', '国庆'], ['海军', '大阅兵'])
b = np.char.multiply(['中国', '万岁'], 3)
c = np.char.join([':', '-'],]]></description><category></category></item><item><title><![CDATA[python数据分析课程笔记 | 第二章 Numpy运用（上）]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117108256</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117108256</guid><author>SimbaG</author><pubDate>Fri, 21 May 2021 10:06:43 +0800</pubDate><description><![CDATA[目录：2.1 numpy基本用法2.2 numpy高级用法
2.1 numpy基本用法
（1）数组创建和属性
import numpy as np

# 数组创建
arr1 = np.array([-9, 7, 4, 3])
arr2 = np.array([-9, 7, 4, 3], dtype='float')
arr3 = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
# 等差数列
np.arange(0, 10, 0.5)
a = n]]></description><category></category></item><item><title><![CDATA[python数据分析课程笔记 | 第一章 Python基本运用（下）]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117089117</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117089117</guid><author>SimbaG</author><pubDate>Thu, 20 May 2021 19:36:07 +0800</pubDate><description><![CDATA[目录：1.4 函数介绍1.5 字符串处理1.6 高级函数
1.4 函数介绍
# 常用内置函数
a = [1, 2, 3, 4, 5]
element_max = max(a)
element_min = min(a)

element = round(4.2424451, 2)  # 四舍五入

b = 'hello,world'
isinstance(b, str)
len(b)

c = ['one', 'two', 'three']
for i, j in enumerate(c):  # 枚举
  ]]></description><category></category></item><item><title><![CDATA[python数据分析课程笔记 | 第一章 Python基本运用（上）]]></title><link>https://blog.youkuaiyun.com/SimbaG/article/details/117078391</link><guid>https://blog.youkuaiyun.com/SimbaG/article/details/117078391</guid><author>SimbaG</author><pubDate>Thu, 20 May 2021 16:14:45 +0800</pubDate><description><![CDATA[python数据分析课程笔记-第一章 python基本运用（上）
1.1 数据类型
python的数据类型有以下几种：

整数型：int，正负整数
浮点型：float，小数
复数：数据分析中很少用到
常量：不能改变值，如pi
布尔型：True或False
字符串：文本，字符串中的元素不可变

# 导入库
import numpy as np

# 查看数据类型
a = 5
b = 3.4
print(type(a), type(b))
# 特殊数据
print(np.pi)
print(np.e)
# 数据]]></description><category></category></item></channel></rss>