<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[学习笔记]]></title><description><![CDATA[小白的学习笔记]]></description><link>https://blog.youkuaiyun.com/mingkoukou</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; mingkoukou]]></copyright><item><title><![CDATA[Flask+python3+阿里云平台发送短信 最简单最笨的那种]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/130884430</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/130884430</guid><author>mingkoukou</author><pubDate>Fri, 26 May 2023 13:05:47 +0800</pubDate><description><![CDATA[python 阿里云 短信]]></description><category></category></item><item><title><![CDATA[Pandas_聚合数据_groupby()1]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/84659107</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/84659107</guid><author>mingkoukou</author><pubDate>Fri, 30 Nov 2018 18:55:11 +0800</pubDate><description><![CDATA[聚合数据 分组运算DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, observed=False, **kwargs) 


1.by 字符串 or 字符串列表(内部分组键)

df.groupby('subject').mean()

d...]]></description><category></category></item><item><title><![CDATA[Pandas_聚合数据_pivot_table()]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82870960</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82870960</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:35:11 +0800</pubDate><description><![CDATA[聚合数据

pivot_table()

将列数据设定为行索引和列索引，并可以聚合运算。

(我总觉得，pivot_table 就是把分组key放到index和columns进行二维分组)

（pivot() 只能将列数据转换成行索引和列索引，不能运算，而且如果某项数据出现重复时，将无法执行。）

pivot_table() 既是顶级类函数，也是实例对象函数。

“一般的经验法则是，一旦使用多个“...]]></description><category></category></item><item><title><![CDATA[Pandas_聚合数据_crosstab()_1]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82996291</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82996291</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:35:07 +0800</pubDate><description><![CDATA[pd.crosstab()
用于计算分组的频率，算是一种特殊的pivot_table()
是顶级类函数

pandas.crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None,

margins=False, margins_name='All', dropna=True, normalize...]]></description><category></category></item><item><title><![CDATA[Pandas_聚合数据_crosstab()_2]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82999146</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82999146</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:35:04 +0800</pubDate><description><![CDATA[pd.crosstab()
用于计算分组的频率，算是一种特殊的pivot_table()
是顶级类函数

pandas.crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None, 

margins=False, margins_name='All', dropna=True, normaliz...]]></description><category></category></item><item><title><![CDATA[Pandas_规整数据_组合数据_combine_first]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82805637</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82805637</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:34:00 +0800</pubDate><description><![CDATA[组合数据

combine_first() 是一个实例方法，用一个DataFrame的数据补充到另一个DataFrame，生成一个新的对象。

a.combine_first(b)  用b的数据填补a的缺失值

b.combine_first(a)  用a的数据填补b的缺失值


df1
	one	two
0	11.0	NaN
1	12.0	22.0
2	NaN	23.0
3	13.0	NaN
4...]]></description><category></category></item><item><title><![CDATA[Pandas_规整数据_转换数据_melt()]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82867218</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82867218</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:33:38 +0800</pubDate><description><![CDATA[转换数据

df.melt() 是 df.pivot() 逆转操作函数

将列名转换为列数据(columns name → column values)，重构DataFrame

如果说 df.pivot() 将长数据集转换成宽数据集，df.melt() 则是将宽数据集变成长数据集

melt() 既是顶级类函数也是实例对象函数，作为类函数出现时，需要指明 DataFrame 的名称

参数
		...]]></description><category></category></item><item><title><![CDATA[Pandas_规整数据_转换数据_pivot()]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82852275</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82852275</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:33:34 +0800</pubDate><description><![CDATA[转换数据

将 column values 设置为 index / columns，重构DataFrame

(将列数据设定为行索引和列索引(改变 DataFrame 的结构，不做任何运算))

df.pivot() 将长数据集转换成宽数据集

df.pivot(index=None， columns=None，values=None)

参数
			类型
			说明
		index
			
		...]]></description><category></category></item><item><title><![CDATA[Pandas_规整数据_转换数据_stack() unstack()1]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82839623</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82839623</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:33:30 +0800</pubDate><description><![CDATA[转换数据

df.stack() 列索引→行索引    df.unstack() 行索引→列索引

参数
			类型
			说明
		level
			
			int

			string

			list
			
			
			-1 默认值

			默认将最内层的列索引转换为最内层的行索引
			
		dropna
			bool
			
			True 默认值

			数据转换后，如果一行数据...]]></description><category></category></item><item><title><![CDATA[Pandas_规整数据_转换数据_stack() unstack()2]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82841784</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82841784</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:33:27 +0800</pubDate><description><![CDATA[转换数据

df.stack() 列索引→行索引    df.unstack() 行索引→列索引

参数
			类型
			说明
		level
			
			int

			string

			list
			
			
			-1 默认值

			默认将最内层的行索引转换为最内层的列索引
			
		fill_value
			value
			replace NaN with this va...]]></description><category></category></item><item><title><![CDATA[Pandas_规整数据_轴向连接_concat]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82775754</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82775754</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:32:39 +0800</pubDate><description><![CDATA[轴向连接

pd.concat()是顶级的类方法，实例对象没有该方法。

参数
			类型
			说明
		axis
			0 1
			0 默认值
		join
			outer inner
			
			outer 默认值 inner 交集，outer 并集

			axis=0，依据columns取并集或交集(取交集时，columns相同的数据保留)

			axis=1，依据index取交...]]></description><category></category></item><item><title><![CDATA[Pandas_规整数据_轴向连接_append]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82790661</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82790661</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:31:39 +0800</pubDate><description><![CDATA[轴向连接

append()是一个实例方法，实现axis=0轴方向的连接，不在axis=1轴方向连接

参数
			类型
			说明
		ignore_index
			bool
			
			False 默认值

			True 忽略0轴方向的索引，建立新的整数索引( 0,1...n-1 )
			
		
df1
	one	two	three
a	110	120	130
c	210	220	23...]]></description><category></category></item><item><title><![CDATA[Pandas_规整数据_合并数据_merge]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82800066</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82800066</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:31:27 +0800</pubDate><description><![CDATA[合并数据

pd.merge()是顶级的类方法，实例对象没有该方法，此函数是针对DataFrame对象。

与pd.concat()的最大区别，pd.concat()依据index/columns在轴方向罗列，pd.merge()依据具体数据连接。

参数
			类型
			说明
		left/right
			DataFrame
			进行合并的两个DataFrame对象
		how
			
	...]]></description><category></category></item><item><title><![CDATA[Pandas_规整数据_合并数据_join]]></title><link>https://blog.youkuaiyun.com/mingkoukou/article/details/82802704</link><guid>https://blog.youkuaiyun.com/mingkoukou/article/details/82802704</guid><author>mingkoukou</author><pubDate>Wed, 21 Nov 2018 17:31:23 +0800</pubDate><description><![CDATA[合并数据

join()是实例对象方法

pd.merge()是顶级类方法

join()默认以index作为key，也可以通过参数on指定其他列为key。

参数
			类型
			说明
		other
			
			DataFrame

			List of DataFrame
			
			
			join函数可以多个DataFrame合并

			ldf.join([rdf，rdf1，rd...]]></description><category></category></item></channel></rss>