jia_shun_L的博客

super（）如果是单继承， 直接以父类名引用父类方法是没有问题的以上方法不适用于多继承情况，借用super（）

@propertyclass 有属性以及方法直接赋予属性值导致不通过检查（属性有取值范围）就随便篡改通过getter 以及setter可以达到目的由于上述方法太复杂，运用@property 可以既能检查参数又能用属性的方式访问。@property 相当于@score.getter 把方法变成属性， 同时@property 创建@score.setter,这样就拥有了一个可读可写的...

直接筛选df=data[data[“col_name”]==value & data[“col_name”]==value]只能用&不能用and用map筛选df1=data[“col_name”].map(lambda x:xvalue)df2=data[“col_name”].map(lambda x:xvalue)df=data[df1 & df2]...

读取df的列名[col for col in df]df.columns.values返回一个array，用tolist()返回一个listdf.columns返回一个index，用tolist()返回一个listlist（df）读取indexdf.index.tolist()...

import pandas as pdimport numpy as npdate1 = pd.date_range("20170813",periods=6)df = pd.DataFrame(data=np.random.randint(3,9,size=(6,6)),index=date1,columns=list(["a","b","c","d","e","f"]))df直...

clip剪辑：大于最大阙值都等于最大阙值，小于最小阙值都等于最小阙值lower：最小阙值upper：最大阙值DataFrame.clip(lower=None, upper=None, axis=None, inplace=False, *args, **kwargs)data = {‘col_0’: [9, -3, 0, -1, 5], ‘col_1’: [-2, -7, 6, ...

fillna填充缺失值df.fillna()import pandas as pdimport numpy as npfrom numpy import nan as NaNdf1=pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]])df1

1.merge通过关键字连接两个df，是真正意义上的融合。pd.merge(df1,df2,on=“col_name”,left_on=“col_name”,right_on=“col_name”,how=“连接方式”，left_index=False, right_index=False)1 相同关键字import pandas as pddf1=pd.DataFrame({'key'...

1 groupby分组函数：df.groupby([“col_name”,“col_name”])2 agg聚合函数：df_gb.agg=({“col_name”:[“min”,“max”],“col_name”:[“min”,“max”]})import pandas as pd df = pd.DataFrame({'Country':['China','China', 'Indi...

sort_values()用法：DataFrame.sort_values(by=‘’,axis=0,ascending=True, inplace=False, na_position=‘last’)

product(list,list)笛卡尔乘积import itertoolslist(itertools.product([1,2,3],[1,2,3]))结果：[(1, 1), (1, 2), (1, 3), (2, 1), (2, 2), (2, 3), (3, 1), (3, 2), (3, 3)]

两个array的不同连接方式1.stack（）按照指定的轴对数组序列进行联结。语法格式：numpy.stack(arrays, axis=0, out=None)import numpy as npa=[[1,2,3], [4,5,6]]b=[[1,2,3], [4,5,6]]c=[[1,2,3], [4,5,6]]print("a=",a)print("b="...

对比两个dataframe某列的值：df=data_test[~data_test["shop_id"].isin(data_train["shop_id"]) | ~data_test["item_id"].isin(data_train["item_id"])]df是test里面新有的（无论是shop还是item）A.isin（B）：A中有B的行是TRUE 否则FALSE~是非的意...