<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ZOIIIIION的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ZOIIIIION</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ZOIIIIION]]></copyright><item><title><![CDATA[数学```]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/121127009</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/121127009</guid><author>ZOIIIIION</author><pubDate>Wed, 03 Nov 2021 20:04:19 +0800</pubDate><description><![CDATA[1. 求根:

x= a²+ b

x - a²= b#((根号x)² = x)

(根号x +a)(根号x - a) = b

(根号x - a) = b/(根号x + a)

(根号x) = a +b/(根号x + a)    #(根号x) 无限迭代




]]></description><category></category></item><item><title><![CDATA[Python数据分析学习知识路径]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120835154</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120835154</guid><author>ZOIIIIION</author><pubDate>Mon, 18 Oct 2021 22:32:51 +0800</pubDate><description><![CDATA[#了解Python


			##准备工作环境

			python安装
					
						库安装

						
						numpy

						Pandas

						matplotlib

						Scipy
						

						

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
						
					
		
			

			学习py.]]></description><category></category></item><item><title><![CDATA[Numpy]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120690686</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120690686</guid><author>ZOIIIIION</author><pubDate>Mon, 11 Oct 2021 04:10:52 +0800</pubDate><description><![CDATA[NumPy基础：数组和矢量计算

NumPy的部分功能如下：

ndarray，一个具有矢量算术运算和复杂广播能力的多维数组。
	用于对整组数据进行快速运算的标准数学函数（无需编写循环）。
魔法函数

魔法函数使我们能够以简单的代码实现复杂功能
%%timeit -n 50   






多维数组ndarray的创建¶

np.array(元组|列表) #把元组或列表转化为数组
np.arange([开始数值,]结束数值[,步长]) #获取开始到结束的步长序列
np.linsp...]]></description><category></category></item><item><title><![CDATA[积累知识点(Numpy, pandas, seaborn, matplotlib)]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120549617</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120549617</guid><author>ZOIIIIION</author><pubDate>Mon, 11 Oct 2021 03:45:54 +0800</pubDate><description><![CDATA[#显示所有列
pd.set_option('display.max_columns', None)

#显示所有行
pd.set_option('display.max_rows', None)

#设置value的显示长度为100，默认为50
pd.set_option('max_colwidth',100)

import pandas as pd

path = 'df.csv'
# 读数据
df = pd.read_csv(path, sep=',', usecols=[0, 2, 4])
# 排.]]></description><category></category></item><item><title><![CDATA[Pandas描述性统计]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120534058</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120534058</guid><author>ZOIIIIION</author><pubDate>Tue, 28 Sep 2021 18:16:36 +0800</pubDate><description><![CDATA[描述统计学（descriptive statistics）是一门统计学领域的学科，主要研究如何取得反映客观现象的数据，并以图表形式对所搜集的数据进行处理和显示，最终对数据的规律、特征做出综合性的描述分析。Pandas 库正是对描述统计学知识完美应用的体现，可以说如果没有“描述统计学”作为理论基奠，那么 Pandas 是否存在犹未可知。下列表格对 Pandas 常用的统计学函数做了简单的总结：


函数名称
			描述说明
		count()
			统计某个非空值的数量。
		sum()
			求和
	...]]></description><category></category></item><item><title><![CDATA[pandas DataFrame]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120527283</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120527283</guid><author>ZOIIIIION</author><pubDate>Tue, 28 Sep 2021 17:33:46 +0800</pubDate><description><![CDATA[认识DataFrame结构

DataFrame 一个表格型的数据结构，既有行标签（index），又有列标签（columns），它也被称异构数据表，所谓异构，指的是表格中每列的数据类型可以不同，比如可以是字符串、整型或者浮点型等。其结构图示意图，如下所示：





DataFrame 的每一行数据都可以看成一个 Series 结构，只不过，DataFrame 为这些行中每个数据值增加了一个列标签。因此 DataFrame 其实是从 Series 的基础上演变而来。在数据分析任务中 DataFrame 的应]]></description><category></category></item><item><title><![CDATA[pandas Series]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120526333</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120526333</guid><author>ZOIIIIION</author><pubDate>Tue, 28 Sep 2021 13:22:48 +0800</pubDate><description><![CDATA[Series 结构，也称 Series 序列，是 Pandas 常用的数据结构之一，它是一种类似于一维数组的结构，由一组数据值（value）和一组标签组成，其中标签与数据值之间是一一对应的关系。Series 可以保存任何数据类型，比如整数、字符串、浮点数、Python 对象等，它的标签默认为整数，从 0 开始依次递增。

创建Series对象

pd.Series( data, index, dtype, copy)

参数名称
			描述
		data
			输入的数据，可以是列表、常量、ndarray ]]></description><category></category></item><item><title><![CDATA[pandas]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120523080</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120523080</guid><author>ZOIIIIION</author><pubDate>Tue, 28 Sep 2021 10:05:23 +0800</pubDate><description><![CDATA[Pandas 是一个开源的第三方 Python 库，从 Numpy 和 Matplotlib 的基础上构建而来，享有数据分析“三剑客之一”的盛名（NumPy、Matplotlib、Pandas）。Pandas 已经成为 Python 数据分析的必备高级工具，它的目标是成为强大、灵活、可以支持任何编程语言的数据分析工具。


Pandas 这个名字来源于面板数据（Panel Data）与数据分析（data analysis）这两个名词的组合。在经济学中，Panel Data 是一个关于多维数据集的术语。Pa.]]></description><category></category></item><item><title><![CDATA[pandas merge]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120513104</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120513104</guid><author>ZOIIIIION</author><pubDate>Mon, 27 Sep 2021 17:27:56 +0800</pubDate><description><![CDATA[Pandas 提供的 merge() 函数能够进行高效的合并操作，这与 SQL 关系型数据库的 MERGE 用法非常相似。从字面意思上不难理解，merge 翻译为“合并”，指的是将两个 DataFrame 数据表按照指定的规则进行连接，最后拼接成一个新的 DataFrame 数据表。



 merge() 函数的法格式如下：
pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None,left_index=False, r]]></description><category></category></item><item><title><![CDATA[pandas pd.read_excel ()]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120500573</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/120500573</guid><author>ZOIIIIION</author><pubDate>Mon, 27 Sep 2021 17:12:02 +0800</pubDate><description><![CDATA[pd.read_excel ()

人们经常用pandas处理表格型数据，时常需要读入excel表格数据，很多人一般都是直接这么用：

pd.read_excel (“文件路径文件名”), 再多一点的设置可能是转义一下路径中的斜杠，一旦原始的excel表不是很规整，这样简单读入势必报错！.

其实这个函数有很多参数可以设置，为了应对各式excel表满足各种读入的需求，我们来详细了解下pd.excel ()中的主要参数。


首先，认识一下pd.read_excel（），函数的官方文档是这么说的：

将E..]]></description><category></category></item><item><title><![CDATA[Python 加减乘和]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/119675778</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/119675778</guid><author>ZOIIIIION</author><pubDate>Fri, 13 Aug 2021 15:01:13 +0800</pubDate><description><![CDATA[# 求 和 减 乘 除
# 方法一
 print('和：%s' % (int(input('第一个数：')) + int(input('第二个数：'))))
 print('和：%s' % (int(input('第一个数：')) - int(input('第二个数：'))))
 print('和：%s' % (int(input('第一个数：')) * int(input('第二个数：'))))
 print('和：%s' % (int(input('第一个数：')) / int(input('第二个数.]]></description><category></category></item><item><title><![CDATA[Python 九九乘法表]]></title><link>https://blog.youkuaiyun.com/ZOIIIIION/article/details/119675147</link><guid>https://blog.youkuaiyun.com/ZOIIIIION/article/details/119675147</guid><author>ZOIIIIION</author><pubDate>Fri, 13 Aug 2021 14:51:59 +0800</pubDate><description><![CDATA[最简代码：



​

# 九九乘法表

for i in range(1, 10):    # 代表有（9）行
    for j in range(1, i+1):    # 代表（i+1）列
        print(j, 'X', i, '=', i * j, end='\t') # 输出九九乘法表的规则
    print()    # 换行





​




...]]></description><category></category></item></channel></rss>