用Python处理Excel的14个常用操作

菜鸟学Python 菜鸟学Python 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 6.5k累计阅读 6.6k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
转载 最新推荐文章于 2026-05-30 10:10:35 发布 6.5k 阅读 AI 写同款· GEO 优化 ›
Python处理Excel数据的方法 当Excel中有大量需要进行处理的数据时，使用Python不失为一种便捷易学的方法。接下来，本文将详细介绍多种Python方法来处理Excel数据。 阅读详情 
大家好，我是菜鸟哥！自从学了Python后就逼迫用Python来处理Excel，所有操作用Python实现。目的是巩固Python，与增强数据处理能力。这也是我写这篇文章的初衷。废话不说了，直接进入正题。数据是网上找到的销售数据，长这样：

0013c668d449e3f251e9aac2df5c7071.png


一、关联公式:Vlookup

vlookup是excel几乎最常用的公式，一般用于两个表的关联查询等。所以我先把这张表分为两个表。

df1=sale[['订单明细号','单据日期','地区名称', '业务员名称','客户分类', '存货编码', '客户名称', '业务员编码', '存货名称', '订单号',
       '客户编码', '部门名称', '部门编码']]
df2=sale[['订单明细号','存货分类', '税费', '不含税金额', '订单金额', '利润', '单价','数量']]

需求：想知道df1的每一个订单对应的利润是多少。

利润一列存在于df2的表格中，所以想知道df1的每一个订单对应的利润是多少。用excel的话首先确认订单明细号是唯一值，然后在df1新增一列写：=vlookup(a2,df2!a:h,6,0) ，然后往下拉就ok了。（剩下13个我就不写excel啦）

那用python是如何实现的呢？

#查看订单明细号是否重复，结果是没。
df1["订单明细号"].duplicated().value_counts()
df2["订单明细号"].duplicated().value_counts()

df_c=pd.merge(df1,df2,on="订单明细号",how="left")

二、数据透视表

需求：想知道每个地区的业务员分别赚取的利润总和与利润平均数。

pd.pivot_table(sale,index="地区名称",columns="业务员名称",values="利润",aggfunc=[np.sum,np.mean])


三、对比两列差异

因为这表每列数据维度都不一样，比较起来没啥意义，所以我先做了个订单明细号的差异再进行比较。

需求：比较订单明细号与订单明细号2的差异并显示出来。

sale["订单明细号2"]=sale["订单明细号"]

#在订单明细号2里前10个都+1.
sale["订单明细号2"][1:10]=sale["订单明细号2"][1:10]+1

#差异输出
result=sale.loc[sale["订单明细号"].isin(sale["订单明细号2"])==False]


四、去除重复值

需求：去除业务员编码的重复值

sale.drop_duplicates("业务员编码",inplace=True)

五、缺失值处理

先查看销售数据哪几列有缺失值。

#列的行数小于index的行数的说明有缺失值，这里客户名称329<335,说明有缺失值
sale.info()

58e1e10cfe39e8754c87a817e5e3cc44.jpeg

需求：用0填充缺失值或则删除有客户编码缺失值的行。实际上缺失值处理的办法是很复杂的，这里只介绍简单的处理方法，若是数值变量，最常用平均数或中位数或众数处理，比较复杂的可以用随机森林模型根据其他维度去预测结果填充。若是分类变量，根据业务逻辑去填充准确性比较高。比如这里的需求填充客户名称缺失值：就可以根据存货分类出现频率最大的存货所对应的客户名称去填充。

这里我们用简单的处理办法：用0填充缺失值或则删除有客户编码缺失值的行。

#用0填充缺失值
sale["客户名称"]=sale["客户名称"].fillna(0)
#删除有客户编码缺失值的行
sale.dropna(subset=["客户编码"])

六、多条件筛选

需求：想知道业务员张爱，在北京区域卖的商品订单金额大于6000的信息。

sale.loc[(sale["地区名称"]=="北京")&(sale["业务员名称"]=="张爱")&(sale["订单金额"]>5000)]

七、 模糊筛选数据

需求:筛选存货名称含有"三星"或则含有"索尼"的信息。

sale.loc[sale["存货名称"].str.contains("三星|索尼")]

八、分类汇总

需求:北京区域各业务员的利润总额。

sale.groupby(["地区名称","业务员名称"])["利润"].sum()

九、条件计算

需求：存货名称含“三星字眼”并且税费高于1000的订单有几个？这些订单的利润总和和平均利润是多少？（或者最小值，最大值，四分位数，标注差）

sale.loc[sale["存货名称"].str.contains("三星")&(sale["税费"]>=1000)][["订单明细号","利润"]].describe()

65e1611039db0d9b0213698b069a0b91.png


十、删除数据间的空格

需求：删除存货名称两边的空格。

sale["存货名称"].map(lambda s :s.strip(""))

十一、数据分列

bf06adf64d8196ecbedd5850be3de620.png

需求：将日期与时间分列。

sale=pd.merge(sale,pd.DataFrame(sale["单据日期"].str.split(" ",expand=True)),how="inner",left_index=True,right_index=True)

十二、异常值替换

首先用describe()函数简单查看一下数据有无异常值。

#可看到销项税有负数，一般不会有这种情况，视它为异常值。
sale.describe()

0797710ac0936cc24a9bce408236ed7e.jpeg

需求：用0代替异常值。

sale["订单金额"]=sale["订单金额"].replace(min(sale["订单金额"]),0)

十三、分组

需求：根据利润数据分布把地区分组为："较差","中等","较好","非常好"

首先，当然是查看利润的数据分布呀，这里我们采用四分位数去判断。

sale.groupby("地区名称")["利润"].sum().describe()

7f39d816718be964cac34456d7b802d1.png

根据四分位数把地区总利润为[-9,7091]区间的分组为“较差”，(7091,10952]区间的分组为"中等" (10952,17656]分组为较好，(17656,37556]分组为非常好。

#先建立一个Dataframe
sale_area=pd.DataFrame(sale.groupby("地区名称")["利润"].sum()).reset_index()

#设置bins,和分组名称
bins=[-10,7091,10952,17656,37556]
groups=["较差","中等","较好","非常好"]

#使用cut分组
#sale_area["分组"]=pd.cut(sale_area["利润"],bins,labels=groups)


十四、根据业务逻辑定义标签

需求：销售利润率（即利润/订单金额）大于30%的商品信息并标记它为优质商品，小于5%为一般商品。

sale.loc[(sale["利润"]/sale["订单金额"])>0.3,"label"]="优质商品"
sale.loc[(sale["利润"]/sale["订单金额"])<0.05,"label"]="一般商品"

其实excel常用的操作还有很多，我就列举了14个自己比较常用的，若还想实现哪些操作可以评论一起交流讨论，另外我自身也知道我写python不够精简，惯性使用loc。（其实query会比较精简）。若大家对这几个操作有更好的写法请务必评论告知我，感谢！

最后想说说，我觉得最好不要拿excel和python做对比，去研究哪个好用，其实都是工具，excel作为最为广泛的数据处理工具，垄断这么多年必定在数据处理方便也是相当优秀的，有些操作确实python会比较简单，但也有不少excel操作起来比python简单的。

比如一个很简单的操作：对各列求和并在最下一行显示出来，excel就是对一列总一个sum()函数，然后往左一拉就解决，而python则要定义一个函数（因为python要判断格式，若非数值型数据直接报错。）

总结一下就是：无论用哪个工具，能解决问题就是好数据分析师！

转自：菜J学Python


 
推荐阅读:
入门: 最全的零基础学Python的问题  | 零基础学了8个月的Python  | 实战项目 |学Python就是这条捷径
干货:爬取豆瓣短评，电影《后来的我们》 | 38年NBA最佳球员分析 |   从万众期待到口碑扑街！唐探3令人失望  | 笑看新倚天屠龙记 | 灯谜答题王 ｜用Python做个海量小姐姐素描图 ｜碟中谍这么火，我用机器学习做个迷你推荐系统电影
趣味:弹球游戏  | 九宫格  | 漂亮的花 | 两百行Python《天天酷跑》游戏!
AI: 会做诗的机器人 | 给图片上色 | 预测收入 | 碟中谍这么火，我用机器学习做个迷你推荐系统电影
小工具: Pdf转Word，轻松搞定表格和水印！ | 一键把html网页保存为pdf！|  再见PDF提取收费！ | 用90行代码打造最强PDF转换器，word、PPT、excel、markdown、html一键转换 | 制作一款钉钉低价机票提示器！ ｜60行代码做了一个语音壁纸切换器天天看小姐姐！｜

 
年度爆款文案

 
 
点阅读原文，看B站我的视频！



        

    

  



      

          
      




  




  

    
  






  

    

      标签
      

          #数据分析
          #python
          #机器学习
          #大数据
          #人工智能
      

    

  




        

          

              原文链接：https://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247519772&idx=2&sn=91153f1523551a692016d9e94ed90c5e&chksm=978b19d3a0fc90c50743f63df6648bcf563bb1f34b701e1b7e7f047f83ace2becc9e03268344&scene=126&&sessionid=0>
          

        

  


  
    
      Python操作Excel的一些基本程序代码
      今天跟大家分享一下Python操作Excel的一些基本程序代码，会有示例代码来演示使用Python操作Excel的一些常用操作。
    
    阅读详情
  





    

      

        
相关推荐

        
      

      

          
            
python对excel大量数据进行处理

              
大家好，小编来为大家解答以下问题，一个有趣的事情，一个有趣的事情，今天让我们一起来看看吧！

            

                2301_79533350的博客
                
                  
                    1493
                
            

          
          
            
4种Python处理Excel数据的方法！

              
我们在日常工作中常常见到各种后缀的电子表格，例如最常见的xlsx以及较为常见的csv、xls等格式的表格。同样是电子表格，它们之间有什么区别吗？• xls为Excel早期表格格式。xls格式是Excel2003版本及其以前版本所生成的文件格式。其最大的特点就是：仅有65536行、256列。因此规模过大的数据不可以使用xls格式读写。• xlsx为Excel2007及其之后的表格格式，也是现在Excel表格的主流格式。

            

                qq_46094651的博客
                
                  
                    2万+
                
            

          
          
            
用 Python 处理 Excel 的 14 个常用操作

              
自从学了Python后就逼迫用Python来处理Excel，所有操作用Python实现。目的是巩固Python，与增强数据处理能力。

            

                m0_72091242的博客
                
                  
                    848
                
            

          
          
            
速学！4种Python处理Excel数据的方法！

              
xlwt模块只能写xls文件，不能写xlsx文件(写xlsx程序不会报错，但最后文件无法直接打开，会报错)。openpyxl模块可实现对excel文件的读、写和修改，只能处理xlsx文件，不能处理xls文件。CSV逗号分隔值文件格式，其以纯文本形式存储表格数据（数字和文本），可以用Excel软件打开。当收到的文件既有xls，又有xlsx时，先转换为统一格式再做统计修改更方便。与xls相比，它可以存储1048576行、16384列数据，存储相同数据，示例1：Python读取Excel文件特定数据。

            

                m0_48891301的博客
                
                  
                    1万+
                
            

          
          
            
Python 处理 Excel 表格的 14 个常用操作

              
从读取和写入Excel文件、创建和访问工作表，到单元格数据的读取和写入，再到数据的过滤、排序和汇总统计，这些操作涵盖了数据处理过程中的关键步骤。使用Python处理Excel，不仅能够提高工作效率，还能为数据处理提供更多的灵活性和定制化选项。同时要注意的是，这只是Excel处理中的冰山一角，Python在处理Excel方面还有更多强大的功能和库可供探索，例如xlrd、xlwt、xlsxwriter等。在工作中如果能够根据实际需求灵活运用这些技巧和工具，那么将大大提升数据处理的效率和质量。

            

                这家伙很懒，什么都没有留下
                
                  
                    4696
                
            

          
          
            
YOLOv11多模态融合实战：基于YOLOFuse的RGB与红外线(IR)协同检测技术解析

              
本文深入解析了YOLOv11多模态融合技术，重点介绍基于YOLOFuse框架的RGB与红外线(IR)协同检测方法。通过动态权重分配、跨模态特征对齐等创新设计，实现在低光照等复杂环境下的高精度目标检测，mAP提升高达37%。文章包含实战案例、训练技巧和部署方案，为计算机视觉开发者提供完整的多模态融合解决方案。

            

                weixin_29038345的博客
                
                  
                    292
                
            

          
          
            
Python 处理 Excel 的14个常用操作详解

              
在这篇博客中，分享了使用 Python 处理 Excel 数据的各种技巧和方法。首先，学习了如何使用pandas库读取 Excel 文件，将表格数据转换为数据框架，为后续处理打下了基础。接着，介绍了数据筛选与过滤的方法，利用条件筛选功能，轻松地过滤和保留感兴趣的数据。然后，学习了数据排序的操作，通过pandas的排序功能，使数据更具可读性，更容易理解数据的结构和趋势。还分享了数据的批量操作，通过循环和函数，高效地对 Excel 数据进行批量处理，提高了代码的复用性和效率。学习了如何利用pandas。

            

                涛哥聊Python
                
                  
                    7468
                
            

          
          
            
基于继电器与三极管的自动水泵控制器DIY：从电路原理到PCB制作实战

              
继电器作为一种利用电磁原理实现电路通断控制的电气开关，其核心价值在于通过小电流信号控制大电流负载，实现强弱电之间的安全隔离。在自动化控制领域，继电器常与三极管等半导体器件配合，构成驱动电路，将微弱的传感器信号放大，从而可靠地控制电机、水泵等执行机构。这种组合技术广泛应用于工业控制、智能家居及各类电子DIY项目中，例如实现水箱水位的自动检测与控制。本文将以一个典型的自动水泵控制器项目为例，深入剖析如何利用继电器与三极管搭建水位检测与驱动电路，并详细讲解从电路设计、PCB自制（热转印法）到系统调试的完整工程实践

            

                weixin_31774841的博客
                
                  
                    347
                
            

          
          
            
牛掰！用Python处理Excel的14个常用操作总结！

              
最后想说说，我觉得最好不要拿excel和python做对比，去研究哪个好用，其实都是工具，excel作为最为广泛的数据处理工具，垄断这么多年必定在数据处理方便也是相当优秀的，有些操作确实python会比较简单，但也有不少excel操作起来比python简单的。利润一列存在于df2的表格中，所以想知道df1的每一个订单对应的利润是多少。实际上缺失值处理的办法是很复杂的，这里只介绍简单的处理方法，若是数值变量，最常用平均数或中位数或众数处理，比较复杂的可以用随机森林模型根据其他维度去预测结果填充。

            

                2401_86168842的博客
                
                  
                    1084
                
            

          
          
            
【驭风计划 机器学习】实验6 基于集成学习的 Amazon 用户评论质量预测

              
¶随着电商平台的兴起，以及疫情的持续影响，线上购物在我们的日常生活中扮演着越来越重要的角色。在进行线上商品挑选时，评论往往是我们十分关注的一个方面。然而目前电商网站的评论质量参差不齐，甚至有水军刷好评或者恶意差评的情况出现，严重影响了顾客的购物体验。因此，对于评论质量的预测成为电商平台越来越关注的话题，如果能自动对评论质量进行评估，就能根据预测结果避免展现低质量的评论。本案例中我们将基于集成学习的方法对 Amazon 现实场景中的评论质量进行预测。

            

                Mege1的博客
                
                  
                    472
                
            

          
          
            
概率数据关联（PDA）：多目标跟踪的基石算法

              
1. 为什么需要概率数据关联？
2. 核心思想与假设条件
3. 算法核心：概率分配与状态更新
4. 典型应用场景与优势
5. 挑战与改进方向
6. 下期预告

            

                qq_44965657的博客
                
                  
                    1464
                
            

          
          
            
【Python】用 Python 处理 Excel 的 14 个常用操作

              
自从学了Python后就逼迫用Python来处理Excel，所有操作用Python实现。目的是巩固Python，与增强数据处理能力。

            

                Trb401012的博客
                
                  
                    4101
                
            

          
          
            
华南理工大学-大学物理实验-绪论作业

              
3．用公式测量某圆柱体铝的密度，测得直径＝2.0420.003（cm），高＝4.1260.004（cm），质量＝36.4880.006（g）。计算铝的密度和测量的标准差，并以测量结果表达式表示之。（要求判别和剔除异常数据）（30分）（了解图解法的注意事项，大学物理实验众多实验数据处理采用这种方法，如PN结温度特性研究，光电效应与普朗克常数的测定，霍尔效应测磁场等等，注意规范作图）实验测得温度与对应的金属丝的长度的数据如下表所示。（了解异常数据的判断方法及具体判断过程，30分的题目n(*≧▽≦*)n）

            

                mohen_777的博客
                
                  
                    581
                
            

          
          
            
用 Python 处理 Excel 的 14 个常用操作！

              
这也是我写这篇文章的初衷。废话不说了，直接进入正题。vlookup是excel几乎最常用的公式，一般用于两个表的关联查询等。所以我先把这张表分为两个表。需求：想知道df1的每一个订单对应的利润是多少。利润一列存在于df2的表格中，所以想知道df1的每一个订单对应的利润是多少。用excel的话首先确认订单明细号是唯一值，然后在df1新增一列写：=vlookup(a2,df2!a:h,6,0) ，然后往下拉就ok了。（剩下13个我就不写excel啦）那用python是如何实现的呢？

            

                Trb201013的博客
                
                  
                    9226
                
            

          
          
            
【系统分析师】高分论文：论软件需求验证方法及应用

              
本文以某清算平台建设项目为例，探讨了软件需求验证方法的应用。该项目旨在隔离银行与支付公司的直接通信，满足央行监管要求。作为系统分析师，作者通过需求测试和需求评审两种方法确保需求质量。需求测试采用概念测试用例提前发现问题；需求评审通过正式与非正式形式多方确认需求。项目结合邮件评审、专家会议等方式，最终形成完善的需求文档。平台上线后运行良好，验证了需求管理的重要性。该案例表明，科学的需求验证是项目成功的关键保障。

            

                数据知道的博客
                
                  
                    8125
                
            

          
          
            
uniapp - HBuilder提示adb: failed to install X Failure [INSTALL_ARSE_FAILED_NOT_APK:X（安装HBuilder调试基座失败）

              
安装HBuilderX调试基座失败，uniapp APP运行到手机adb: failed to install，Uniapp提示adb，uniapp ios 真机调试报错 uniapp安卓调试，Uniapp安装不了基座，手动安装基座，正在安装手机端HBuilder调试基座，点击运行到手机报错信息：基座无法正常安装，Uniapp-安装HBuilder调试基座失败解决方案，解决 HBuilderX 安卓基座安装失败的问题，显示adb报错，UniApp苹果真机运行调试（自定义基座，版本更新后/没有基座打开失败）如

            

                🏆 前端领域优质创作者
                
                  
                    8061
                
            

          
          
            
14个Python处理Excel的常用操作，非常好用

              
自从学了Python后就逼迫用Python来处理Excel，所有操作用Python实现。目的是巩固Python，与增强数据处理能力。

            

                轻松学python的博客
                
                  
                    5282
                
            

          
          
            
[Dify实战] 用 Dify 打造高效的新员工 7 天成长计划-带绑定资源

              
本文介绍了如何利用Dify平台为新员工制定智能成长计划，解决融入难、节奏乱、成长慢等问题。方案通过输入岗位信息自动生成7天结构化计划，包含每日任务和评估要点，并支持进度跟踪与报告输出。关键点在于设计清晰的Prompt模板，合理分配学习节奏，形成闭环反馈机制。该方案能显著提升新员工培养效率，实现人才培养的数字化升级。

            

                技术小甜甜：传播可落地技术，帮助个人和企业降低解决真实场景问题的成本
                
                  
                    569
                
            

          
          
            
14个Python处理Excel的常用操作分享

              
最后想说说，我觉得最好不要拿excel和python做对比，去研究哪个好用，其实都是工具，excel作为最为广泛的数据处理工具，垄断这么多年必定在数据处理方便也是相当优秀的，有些操作确实python会比较简单，但也有不少excel操作起来比python简单的。利润一列存在于df2的表格中，所以想知道df1的每一个订单对应的利润是多少。sale.loc[sale["存货名称"].str.contains("三星")&(sale["税费"]>=1000)][["订单明细号","利润"]].describe()

            

                ai520wangzha的博客
                
                  
                    678
                
            

          
          
            
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

              
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)

            

            

          
          
            
深度学习工具包 DeepLearningToolbox

              
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284,    author       = "R. B. Palm",    title        = "Prediction as a candidate for learning deep hierarchical models of data",    year         = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/`   - A library for Feedforward Backpropagation Neural Networks`CNN/`  - A library for Convolutional Neural Networks`DBN/`  - A library for Deep Belief Networks`SAE/`  - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x  = double(test_x)  / 255;train_y = double(train_y);test_y  = double(test_y);%%  ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs =   1;opts.batchsize = 100;opts.momentum  =   0;opts.alpha     =   1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W');   %  Visualize the RBM weights%%  ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs =   1;opts.batchsize = 100;opts.momentum  =   0;opts.alpha     =   1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs =  1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x  = double(test_x)/255;train_y = double(train_y);test_y  = double(test_y);%%  ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN%  Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function       = 'sigm';sae.ae{1}.learningRate              = 1;sae.ae{1}.inputZeroMaskedFraction   = 0.5;opts.numepochs =   1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function              = 'sigm';nn.learningRate                     = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs =   1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = {    struct('type', 'i') %input layer    struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer    struct('type', 's', 'scale', 2) %sub sampling layer    struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer    struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x  = double(test_x)  / 255;train_y = double(train_y);test_y  = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs =  1;   %  Number of full sweeps through dataopts.batchsize = 100;  %  Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4;  %  L2 weight decayopts.numepochs =  1;        %  Number of full sweeps through dataopts.batchsize = 100;       %  Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5;   %  Dropout fraction opts.numepochs =  1;        %  Number of full sweeps through dataopts.batchsize = 100;       %  Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm';    %  Sigmoid activation functionnn.learningRate = 1;                %  Sigm require a lower learning rateopts.numepochs =  1;                %  Number of full sweeps through dataopts.batchsize = 100;               %  Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs         = 5;            %  Number of full sweeps through datann.output              = 'softmax';    %  use softmax outputopts.batchsize         = 1000;         %  Take a mean gradient step over this many samplesopts.plot              = 1;            %  enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx   = train_x(1:10000,:);tx = train_x(10001:end,:);vy   = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn                      = nnsetup([784 20 10]);     nn.output               = 'softmax';                   %  use softmax outputopts.numepochs          = 5;                           %  Number of full sweeps through dataopts.batchsize          = 1000;                        %  Take a mean gradient step over this many samplesopts.plot               = 1;                           %  enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy);                %  nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

            

            

          
          
            
python处理excel的方法有哪些_用Python实现excel 14个常用操作

              
自从学了Python后就逼迫自己不用Excel，所有操作用Python实现。目的是巩固Python，与增强数据处理能力。这也是我写这篇文章的初衷。废话不说了，直接进入正题。数据是网上找到的销售数据，长这样：一、关联公式:Vlookupvlookup是excel几乎最常用的公式，一般用于两个表的关联查询等。所以我先把这张表分为两个表。df1=sale[['订单明细号','单据日期','地区名称', ...

            

                weixin_39701861的博客
                
                  
                    1839
                
            

          
          
            
efm32 入门.pdf

              
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

            

            

          
      

    


  

    

      上一篇：
      
        实用技巧！Python办公软件自动化，5分钟掌握openpyxl操作
      
    

    

      下一篇：
      
        腾讯的薪资高压线
      
    

  



            
  



          

          


  

    
    
    
    

      点赞
      
      
          2
      
    

    
    
      评论
      
            0
      
    
    
    

      书签
      书签
      
          58
      
    

    
    
    
    
    
    
  


            

            

              

              

            

            


  

    

      
          菜鸟学Python
      
      

        

          菜鸟学Python
        

        

            
              博客等级
            
            码龄9年
          8061粉丝
          571原创
        

      

    

    

          + 关注
    

  



        

        
      

      

        
      

      





	

		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
          

          

             
          

          

            

              表情包
              插入表情
              

                

              

            

            

              表情包
              代码片
              

                
              

            

            

              
              
              
              
              
              
              
            

          

        

      

    

		

			

			

			

					 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