<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fmc121104的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fmc121104</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fmc121104]]></copyright><item><title><![CDATA[【数据分析】有关前文的复习]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146459000</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146459000</guid><author>fmc121104</author><pubDate>Sun, 23 Mar 2025 17:36:59 +0800</pubDate><description><![CDATA[只有在Series和DataFrame中，列索引筛选的数据进行格式转换时，才需要。对象中访问日期和时间的各个组成部分，便于日期时间数据的操作和分析。类似 Excel 的数据透视表功能，非常适合数据汇总和分析。它们非常适合处理结构化数据，尤其是时间序列和表格数据。是一个功能强大的工具，可以方便地将各种格式的数据转换为。统计和汇总：（需要其他计算时，要自行学习）函数内传入的参数，是需要转换的指定格式。日期时间格式，使得日期时间处理更为简单。是一个方便的接口，可以直接在。创建包含日期和时间的。]]></description><category></category></item><item><title><![CDATA[【数据分析】格式转化和时间类型1]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146458883</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146458883</guid><author>fmc121104</author><pubDate>Sun, 23 Mar 2025 17:32:33 +0800</pubDate><description><![CDATA[在实际应用中，更多时候，我们从文件中读取数据，存放在CSV、Excel文件中的时间，都是字符串型数据。时间的运算，有自己的逻辑和规则，和现有的字符串、整型、浮点型的逻辑不一样。实用场景：拿到一份数据，或者在数据处理过程中，我们有时会简单对数据做一点简单变换，也就是数据预处理。在这里，这两列的数据，转化成时间格式后，重新赋值给这两列，也就是覆盖了原先的数据。：将更高频率的时间数据重采样到较低频率，如将每日数据转换为每月数据，并进行聚合。有时，也会将时间类型数据，按照指定的格式，转为字符串数据。]]></description><category></category></item><item><title><![CDATA[【数据分析】数据筛选（布尔索引：多个判断条件）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146368654</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146368654</guid><author>fmc121104</author><pubDate>Wed, 19 Mar 2025 13:46:41 +0800</pubDate><description><![CDATA[接下来，要同时输出 "cutdown_price"大于0 和 "post_fee"大于0的行数据，就需要在一个索引中，使用 & 来连接对应的两个判断条件。这一行代码的功能是使用布尔索引结合取反运算符 `~`，从 `data` 数据框中筛选出 `A` 列中不大于 `2` 的行。中括号里的内容是一个条件表达式，用来判断cutdown_price"这一列值里是否大于0和"post_fee"这一列值是否大于0。中括号中的第一个小括号里是第一个判断条件：判断"cutdown_price"这一列数据是否大于0。]]></description><category></category></item><item><title><![CDATA[【数据分析】数据筛选（布尔索引：一个判断条件）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146368446</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146368446</guid><author>fmc121104</author><pubDate>Wed, 19 Mar 2025 13:40:15 +0800</pubDate><description><![CDATA[使用pd.read_csv()函数读取路径为 "/Users/yequ/电商数据清洗.csv" 的CSV文件，并将结果赋值给变量data。上面的图可以看到，"cutdown_price"这一列里，85647对应的数据是1000，大于0，所以返回的布尔值是True。从输出的内容可以看到，返回的DataFrame就是data变量里，所有"cutdown_price"这一列值里大于0的行数据。# 使用print()和布尔索引，输出"cutdown_price"这一列值里大于0的行。]]></description><category></category></item><item><title><![CDATA[【数据分析】数据筛选与访问行列元素3]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146310247</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146310247</guid><author>fmc121104</author><pubDate>Mon, 17 Mar 2025 11:12:29 +0800</pubDate><description><![CDATA[使用pd.read_csv()函数读取路径为 "/Users/yequ/电商数据清洗.csv" 的CSV文件，并将结果赋值给变量data。data = pd.read_csv("/Users/yequ/电商数据清洗.csv", index_col="order_id")data = pd.read_csv("/Users/yequ/电商数据清洗.csv", index_col="order_id")data = pd.read_csv("/Users/yequ/电商数据清洗.csv")]]></description><category></category></item><item><title><![CDATA[【数据分析】.loc和.iloc的应用2]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146310117</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146310117</guid><author>fmc121104</author><pubDate>Mon, 17 Mar 2025 11:08:26 +0800</pubDate><description><![CDATA[data = pd.read_csv("/Users/yequ/电商数据清洗.csv", index_col="order_id")data = pd.read_csv("/Users/yequ/电商数据清洗.csv", index_col="order_id")表示：访问data中，index从3515712到3515716的行数据，包含3515716这一行数据。的CSV文件，并指定"order_id"列为index，然后访问订单号。如图，如果要访问某一行的数据，需要将这一行的index的值传入。]]></description><category></category></item><item><title><![CDATA[【数据分析】索引与数据筛选（1）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146300134</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146300134</guid><author>fmc121104</author><pubDate>Sun, 16 Mar 2025 19:42:52 +0800</pubDate><description><![CDATA[TODO 将变量data中的"payment", "price", "cutdown_price" 这三列修改为以元为单位的数据。# 使用print()输出变量data中的 "payment", "price", "cutdown_price" 这三列数据。# 使用print()输出变量data中的 "payment", "price", "cutdown_price" 这三列数据。将 data 中的"payment", "price", "cutdown_price" 这三列修改为以元为单位的数据。]]></description><category></category></item><item><title><![CDATA[【数据分析】读取文档（读取Excel）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146300048</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146300048</guid><author>fmc121104</author><pubDate>Sun, 16 Mar 2025 19:39:13 +0800</pubDate><description><![CDATA[当我们需要读取指定工作表时，pd.read_excel()函数提供了一个参数：sheet_name，将要读取的工作表名称作为字符串传入该参数即可。此时，读取出的数据会被自动添加默认从0开始的行索引index和列索引columns，并且columns默认是原来数据的第一行。but  now，我们想要具体分析该超市的销售情况，那么就需要读取Excel文件中的第二个工作表 - "销售订单数据"。除此之外，还有1个特殊的场景是只在处理Excel文件时能遇到的。与读取CSV文件相似， Excel文件的读取也差不多。]]></description><category></category></item><item><title><![CDATA[【数据分析】读取文件]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146235344</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146235344</guid><author>fmc121104</author><pubDate>Thu, 13 Mar 2025 16:40:50 +0800</pubDate><description><![CDATA[data = pd.read_csv("/Users/yequ/电商数据清洗.csv", usecols=["payment","items_count"])# 读取路径为 "/Users/yequ/电商数据清洗.csv" 的CSV文件里的"payment"和"items_count"这两列中的数据。# 读取路径为 "/Users/yequ/电商数据清洗.csv" 的CSV文件里的"payment"和"items_count"这两列中的数据。# 导入pandas模块，并以"pd"为该模块的简写。]]></description><category></category></item><item><title><![CDATA[【数据分析】文件读取上（读取CSV）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146234505</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146234505</guid><author>fmc121104</author><pubDate>Thu, 13 Mar 2025 16:33:42 +0800</pubDate><description><![CDATA[data = pd.read_csv( "/Users/yequ/order_withoutColumns.csv",header=None,names=["订单号","用户id","支付金额","商品价格","购买数量","支付时间"])# 将数据的columns设置为:"订单号","用户id","支付金额","商品价格","购买数量","支付时间"data = pd.read_csv("/Users/yequ/电商数据清洗.csv")]]></description><category></category></item><item><title><![CDATA[【数据分析】有关DataFrame的知识（2）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146208335</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146208335</guid><author>fmc121104</author><pubDate>Wed, 12 Mar 2025 16:22:24 +0800</pubDate><description><![CDATA[使用DataFrame构造函数，传入参数：字典data作为values和columns，列表city作为index。使用DataFrame构造函数，传入参数：字典data作为values和columns，列表city作为index。使用DataFrame构造函数，传入参数：字典data作为values和columns，列表city作为index。属性获取到一个对象的index后，我们可以通过对其值，来改变它的index。是垂直方向进行处理，处理后是浮点数的数据类型，dtype是float64。]]></description><category></category></item><item><title><![CDATA[【数据分析】有关DataFrame的知识（1）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/146208160</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/146208160</guid><author>fmc121104</author><pubDate>Wed, 12 Mar 2025 16:19:26 +0800</pubDate><description><![CDATA[示例中，我们尝试用DataFrame构造函数，将定义的嵌套列表data和列表rank作为参数传入，并且结合参数columns，生成一个DataFrame，并赋值给变量result，并将其输出～我们来试一试，使用DataFrame构造函数，将定义的字典data和列表rank作为参数传入，生成一个DataFrame，并赋值给变量performance吧～构造DataFrame时，字典的keys，会成为DataFrame的columns。字典的keys，会成为DataFrame的列索引columns；]]></description><category></category></item><item><title><![CDATA[【6】数据分析检测（DataFrame 1）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/144395902</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/144395902</guid><author>fmc121104</author><pubDate>Wed, 11 Dec 2024 11:30:21 +0800</pubDate><description><![CDATA[同样的，和Series类似，DataFrame的行索引index是可以选择性定义的。若不传入参数index，那么生成的DataFrame的index就会默认从0开始生成。通过调用的pandas模块里的DataFrame()函数，可以构造一个DataFrame。将pd.DataFrame()函数创建的DataFrame，赋值给了df这个变量。字典的values是列表，列表中的值，会成为DataFrame的值values。，中文叫做数据框，是pandas模块最常用的数据类型，是一个二维的矩阵数据表。]]></description><category></category></item><item><title><![CDATA[【5】数据分析基础（series2）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/144395571</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/144395571</guid><author>fmc121104</author><pubDate>Wed, 11 Dec 2024 11:17:52 +0800</pubDate><description><![CDATA[这种访问方式和字典相同，把index中的索引标签当做字典的key，而把Series序列的值当做字典的value。这种访问方式和字典相同，把index中的索引标签当做字典的key，而把Series序列的值当做字典的value。我们访问Series对象的values属性，会以数组的形式返回Series对象的值values。我们访问Series对象的index属性，可以返回这个Series的索引index。我们访问Series对象的dtype属性，可以返回Series对象的数据类型。]]></description><category></category></item><item><title><![CDATA[【4】数据分析基础（pandas中的series 1）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/144386225</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/144386225</guid><author>fmc121104</author><pubDate>Tue, 10 Dec 2024 23:10:18 +0800</pubDate><description><![CDATA[我们尝试用Series构造函数，传入一维数组GDP作为Series的值，传入列表rank作为Series的index，赋值给变量info，并将其输出。我们尝试用Series构造函数，传入列表GDP作为Series的值，传入列表rank作为Series的index，赋值给变量info，并将其输出。传入一个列表作为可选参数，列表中的元素，会成为Series中的索引（index）。示例中，GDP是一个列表，传入了pd.Series()函数中，列表中的元素会成为Series中的值（values）。]]></description><category></category></item><item><title><![CDATA[【3】数据分析基础（Numpy的计算）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/144386165</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/144386165</guid><author>fmc121104</author><pubDate>Tue, 10 Dec 2024 23:06:18 +0800</pubDate><description><![CDATA[可以通过字典的key访问对应的value，但是value不能直接进行批那么，有没有既能进行计算，同时又带有索引来允许我们快捷访问的数据类型呢？学习了NumPy中的array数组，和它可以直接进行计算的特性。这在数据分析中，是大部分计算功能的基石。在学习了N维数组的概念、常用属性以及如何创建一个N维数组后，我们来继续学习。进行计算的时候，NumPy会将该数字的计算过程应用到数组的所有元素上面。进行计算时，运算也是在相应的元素上进行。2.相同形状数组的计算。（Ctrl+单击即可）1. 数组和数的计算。]]></description><category></category></item><item><title><![CDATA[【2】数据分析基础（关于Numpy 的基础 1）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/144356079</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/144356079</guid><author>fmc121104</author><pubDate>Mon, 09 Dec 2024 19:56:32 +0800</pubDate><description><![CDATA[以此类推，[[[...]]]表示三维数组，三维数组中的每个元素都是一个二维数组；提供了一个叫做N维数组的数据结构，它和Python中的列表list类似，但前者的输入输出性能远优于后者。指的是数组中存储的元素类型，可以是：整型（int）、浮点型（float）、布尔型（bool）等。数组的维度和我们平常说的维度非常相似，接触最多的通常是一维（1D）和二维（2D）数组，可以通过。在这个平面上，除了前进、后退以外，还可以向左或者向右，所以有。二维数组中的每个元素都是一个一维数组，并且每一行的元素数量都是一致的。]]></description><category></category></item><item><title><![CDATA[【1】数据分析基础（一些概念）]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/144355995</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/144355995</guid><author>fmc121104</author><pubDate>Mon, 09 Dec 2024 19:42:00 +0800</pubDate><description><![CDATA[df = pd.read_excel("/Users/survey/数据分析课程调研.xlsx",usecols=[0,3,4,5,6,7,8,9,10,26],skiprows=[1])data1 = pd.read_excel("/Users/survey/数据分析课程调研.xlsx",usecols=[3,11,12,13,14,15,16],skiprows=1)也就是数据分析的第二步，“收集数据”。因为填写时长少于5s，大概率是随意填写的，这一部分随便填写的数据，可能会干扰数据的有效性。]]></description><category></category></item><item><title><![CDATA[【前端】如何制作一个自己的网页（18）定义列表]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/143173676</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/143173676</guid><author>fmc121104</author><pubDate>Wed, 23 Oct 2024 08:19:45 +0800</pubDate><description><![CDATA[图中展示的某网站顶部信息，「首页」就可以理解为标题，对应的「历史上的今天」、「百科冷知识」和「图解百科」就是对标题的说明和描述。对某个术语或内容进行解释和描述，所以由标题和描述两部分组成，描述是对标题的解释和说明，标题是对描述的总结和提炼。和<li>标签一样属于容器标签，里面可以添加任意标签，也就是可以包含段落、图片、链接、列表等。标签一般和<dd>、<dt>标签配合使用，不会单独出现，且尽量在。和<dt>是同级标签，它们都是<dl>的子标签。、<dt>和<dd>虽然是同级标签，但是它们的。]]></description><category></category></item><item><title><![CDATA[【前端】如何制作一个自己的网页（17）无序列表]]></title><link>https://blog.youkuaiyun.com/fmc121104/article/details/143173635</link><guid>https://blog.youkuaiyun.com/fmc121104/article/details/143173635</guid><author>fmc121104</author><pubDate>Wed, 23 Oct 2024 08:13:40 +0800</pubDate><description><![CDATA[标签一样，都表示列表项，其中可。<li>锅包肉</li><li>辣子鸡</li><li>锅包肉]]></description><category></category></item></channel></rss>