Hazy_Singularity的博客

1、缺失值处理 1 如何处理nan 判断数据是否为NaN： > pd.isnull(df), > pd.notnull(df) 处理方式： 存在缺失值nan,并且是np.nan: 1、删除存在缺失值的:dropna(axis='rows') 注：不会修改原数据，需要接受返回值 2、替换缺失值:fillna(value, inplace=True) value:替换成的值 inplace:True:会修改原数据，False:不替换修改原数据

1.读取文件操作 读取文件 data = pd.read_csv(’./data/stock_day.csv’) 删除一些列，让数据更简单些，再去做后面的操作 data = data.drop([“ma5”,“ma10”,“ma20”,“v_ma5”,“v_ma10”,“v_ma20”], axis=1) 2.索引操作 2.1 直接使用行索引的方式(先行后列) #直接使用行列索引名字的方式（先列后行） data['open']['2018-02-27'] 23.53 #不支持的操作 #错误 data['2

Pandas 介绍 2008年WesMcKinney开发出的库 专门用于数据挖掘的开源python库 以Numpy为基础，借力Numpy模块在计算方面性能高的优势 基于matplotlib，能够简便的画图 独特的数据结构 主要的数据结构（类型）是DataFrame，可以描述数据也可以绘图，是对numpy和matplotlib的封装。 读取数据相对方便，可以与数据库进行交互。 案例： （在jupyt...