数据分析之pandas知识梳理

人工智能之数据分析 Pandas:第十章 知识总结 本文是对Pandas 核心知识点的系统性总结,涵盖从基础到进阶的关键概念、常用操作和最佳实践,适合用于快速复习、面试准备或日常开发参考。优先向量化,避免循环明确数据类型,节省内存清洗先行,质量第一用.loc赋值,避免警告大文件分块处理链式编程提升可读性可视化辅助理解数据。 阅读详情
Series及DataFrame部分知识梳理
一、Series索引与切片
  • 首先导入pandas和Series

     import pandas as pd
     from pandas import Series
    

显式索引:

  • 使用index中的元素作为索引值

  • 使用.loc[‘索引名’](推荐)

    s1 = Series(data=[1,2,3,4,5,6],index=list('abcdef'))
    s1
     a    1
     b    2
     c    3
     d    4
     e    5
     f    6
     dtype: int64
     s1.loc[['a','c']]  # 同一个维度 取多个值 要用中括号括起来
     a    1
     c    3
     dtype: int64
     s1.loc['b':'e':2]  # 也可以跳着取
     b    2
     d    4
     dtype: int64
     s1.loc['e':'b':-1]  # 注意 如果想倒着取 前面切片的属性 也得是倒着的
     e    5
     d    4
     c    3
     b    2
     dtype: int64
    

隐式索引:

  • 使用整数作为索引值

  • 使用.iloc[ 索引号 ](推荐)

     s1
     a    1
     b    2
     c    3
     d    4
     e    5
     f    6
     dtype: int64
     #整数数组形式的索引 通过iloc同样可以使用
     s1.iloc[[3,2,1,0]]
     d    4
     c    3
     b    2
     a    1
     dtype: int64
     s1.iloc[0:3]  # 显示索引 切片的时候是 包括最后一个的 隐式索引 不包括最后一个
     a    1
     b    2
     c    3
     dtype: int64
    
二、Series之间的运算
  • 在运算中自动对齐不同索引的数据
  • 如果索引不对应,则补NaN(值和NaN相加的结果还是NaN,如果想要让NaN的值当作0处理,可以用s1.add(s2,fill_value=0)来处理)
三、 Series与DataFrame之间的运算
  • axis=0:以列为单位操作(参数必须是列),对所有列都有效。

  • axis=1:以行为单位操作(参数必须是行),对所有行都有效。

    df = DataFrame(data=np.random.randint(0,10,size=(5,5)),index=list('abcde'),columns=list('01234'))
    df
    	0	1	2	3	4
    a	3	9	0	3	8
    b	8	6	2	3	0
    c	2	2	6	7	7
    d	6	7	1	3	1
    e	1	8	7	9	6
    s1 = Series(data=np.random.randint(0,10,size=5),index=list('01234'))
    s1
    0    1
    1    3
    2    1
    3    1
    4    9
    dtype: int32
    df+s1  # 表格和序列 相加 默认 每一行都要和序列相加 对应项相加
    	0	1	2	3	4
    a	4	12	1	4	17
    b	9	9	3	4	9
    c	3	5	7	8	16
    d	7	10	2	4	10
    e	2	11	8	10	15
    s2 = Series(data=np.random.randint(0,10,size=5),index=list('abcde'))
    s2
    a    4
    b    8
    c    5
    d    4
    e    6
    dtype: int32
    df+s2
    
    	0	1	2	3	4	a	b	c	d	e
    a	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
    b	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
    c	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
    d	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
    e	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
    # axis='columns' 默认是columns 每一行和Series相加 让列名和Series中的索引去对应
    df.add(s2,axis='index')
    	0	1	2	3	4
    a	7	13	4	7	12
    b	16	14	10	11	8
    c	7	7	11	12	12
    d	10	11	5	7	5
    e	7	14	13	15	12
    
四、使用pd.concat()级联

pd.concat(objs, axis=0, join=‘outer’, join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, sort=None, copy=True)

对于普通级联主要看 objs ignore_index axis 三个参数

import pandas as pd
from pandas import DataFrame,Series
df1
	0	1	2
0	4	9	3
1	2	3	8
2	4	8	3
df2
	0	1	2
0	2	5	8
1	7	6	2
2	6	6	7
pd.concat([df1,df2])
	0	1	2
0	4	9	3
1	2	3	8
2	4	8	3
0	2	5	8
1	7	6	2
2	6	6	7
# ignore_index 忽略行索引
pd.concat([df1,df2],ignore_index=True)
	0	1	2
0	4	9	3
1	2	3	8
2	4	8	3
3	2	5	8
4	7	6	2
5	6	6	7
pd.concat([df1,df2],axis=1)  # axis控制方向
	0	1	2	0	1	2
0	4	9	3	2	5	8
1	2	3	8	7	6	2
2	4	8	3	6	6	7

对于不匹配级联主要看 join keys join_axes 三个参数

df3
	a	b	c
0	4	9	3
1	2	3	8
2	4	8	3
df4
	b	c	d
0	2	5	8
1	7	6	2
2	6	6	7
pd.concat([df3,df4])

	a	b	c	d
0	4.0	9	3	NaN
1	2.0	3	8	NaN
2	4.0	8	3	NaN
0	NaN	2	5	8.0
1	NaN	7	6	2.0
2	NaN	6	6	7.0

sort=True/False避免报警告
pd.concat([df3,df4],sort=True,join=‘outer’) 外联 (并集) 保留两个表格都有的列
pd.concat([df3,df4],sort=True,join=‘inner’) 内联(取并集)
pd.concat([df3,df4],sort=True,join=‘left’) # 这里没有左联 和 右联
pd.concat([df3,df4],sort=True,join_axes=[df3.columns])
pd.concat([df3,df4],sort=True,join_axes=[df4.columns]) # 指定 保留哪些列
pd.concat([df3,df4],sort=True,keys=[‘A’,‘B’]) # 添加多重索引 用来区分 同样的行

五、pd.merge()合并

merge与concat的区别在于,merge需要依据某一共同的行或列来进行数据的融合

 pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)
  1. 一对一合并

     t1 = pd.read_excel('../数据分析/day3/03_dataframe/03_dataframe/backup/data/demo.xls',sheet_name=0)
     t2 = pd.read_excel('../数据分析/day3/03_dataframe/03_dataframe/backup/data/demo.xls',sheet_name=1)
     t3 = pd.read_excel('../数据分析/day3/03_dataframe/03_dataframe/backup/data/demo.xls',sheet_name=2)
     t4 = pd.read_excel('../数据分析/day3/03_dataframe/03_dataframe/backup/data/demo.xls',sheet_name=3)
     
     display(t1,t2)
     	手机型号			参考价格
     0	windowsPhone	2500
     1	iPhone			7500
     2	Android			4000
     	手机型号			重量
     0	windowsPhone	0.50
     1	iPhone			0.40
     2	Android			0.45
     3	other			0.
     pd.merge(t1,t2)
     	手机型号			参考价格	重量
     0	windowsPhone	2500	0.50
     1	iPhone			7500	0.40
     2	Android			4000	0.45
    
  2. 多对一合并

     display(t2,t3)
     	手机型号			重量
     0	windowsPhone	0.50
     1	iPhone			0.40
     2	Android			0.45
     3	other			0.60
     	经销商	发货地区		手机型号
     0	pegge	beijing		iPhone
     1	lucy	beijing		Android
     2	tom		guangzhou	iPhone
     3	petter	shenzhen	windowsPhone
     4	mery	guangzhou	Android
     # pd.merge(t2,t3,how='inner')  # 内联 取交集 大家都有的才留下
     # pd.merge(t2,t3,how='outer')  # 外联 取并集 不管谁有 都留下
     # pd.merge(t2,t3,how='left')  # 左联 按照左边的集合 保留内容
     pd.merge(t2,t3,how='right')
     	手机型号			重量		经销商	发货地区
     0	windowsPhone	0.50	petter	shenzhen
     1	iPhone			0.40	pegge	beijing
     2	iPhone			0.40	tom	guangzhou
     3	Android			0.45	lucy	beijing
     4	Android			0.45	mery	guangzhou
    
  3. 多对多合并

     display(t3,t4)	
     	经销商	发货地区		手机型号
     0	pegge	beijing		iPhone
     1	lucy	beijing		Android
     2	tom		guangzhou	iPhone
     3	petter	shenzhen	windowsPhone
     4	mery	guangzhou	Android
     	发货地区		手机型号			价格
     0	beijing		iPhone			7000
     1	beijing		windowsPhone	2300
     2	beijing		Android			3600
     3	guangzhou	iPhone			7600
     4	guangzhou	windowsPhone	2800
     5	guangzhou	Android			4200
     6	shenzhen	iPhone			7400
     7	shenzhen	windowsPhone	2750
     8	shenzhen	Android			3900
     # 通过参数 on可以指定 匹配的列 默认列名一样的都去匹配
     # suffixes 后缀
     # pd.merge(t3,t4,on='手机型号')
     # pd.merge(t3,t4,on='手机型号')
     pd.merge(t3,t4,on='手机型号',suffixes=('_上半年','_下半年'))
     
     	经销商	发货地区_上半年	手机型号			发货地区_下半年	价格
     0	pegge	beijing			iPhone			beijing			7000
     1	pegge	beijing			iPhone			guangzhou		7600
     2	pegge	beijing			iPhone			shenzhen		7400
     3	tom		guangzhou		iPhone			beijing			7000
     4	tom		guangzhou		iPhone			guangzhou		7600
     5	tom		guangzhou		iPhone			shenzhen		7400
     6	lucy	beijing			Android			beijing			3600
     7	lucy	beijing			Android			guangzhou		4200
     8	lucy	beijing			Android			shenzhen		3900
     9	mery	guangzhou		Android			beijing			3600
     10	mery	guangzhou		Android			guangzhou		4200
     11	mery	guangzhou		Android			shenzhen		3900
     12	petter	shenzhen		windowsPhone	beijing			2300
     13	petter	shenzhen		windowsPhone	guangzhou		2800
     14	petter	shenzhen		windowsPhone	shenzhen		2750
    
六、Series、DataFrame索引和切片

1)Series的操作

s1 = Series([100,90,80,70,60,50],index=pd.MultiIndex.from_product([['期中','期末'],['语','数','外']]))
s1	
期中  语    100
	 数     90
	 外     80
期末  语     70
     数     60
     外     50
dtype: int64		
s1.loc['期末','语']
70
s1.loc[:]
#s1.loc['期中':'期末']
#s1.loc['语':'数']
# s1.loc[:,'语':'数']  # 注意 内层的切片 不能直接切
s1.loc['期中'].loc['语':'数']		
语    100
数     90
dtype: int64		
# 虽然 索引的层次多了 但是编号 还是 0 1 2 .. 按顺序往后排列的
s1.iloc[0:5]		
期中  语    100
	 数     90
	 外     80
期末  语     70
     数     60
dtype: int64							

2)DataFrame的操作

indexes = pd.MultiIndex.from_product([['期中','期末'],['语','数','外']])
columns = pd.MultiIndex.from_product([['一班','二班'],['01','02','03']])
data = np.random.randint(0,150,size=(6,6))
df1 = DataFrame(data,index=indexes,columns=columns)
df1		
			一班			二班
		01	02	03	01	02	03
期中	语	57	93	125	13	22	22
	数	34	22	0	53	142	25
	外	66	73	70	16	46	54
期末	语	17	97	100	128	123	146
	数	48	78	121	103	69	52
	外	146	37	46	109	47	30
df1['一班','01']
期中  语     57
	 数     34
 	 外     66
期末  语     17
     数     48
     外    146
Name: (一班, 01), dtype: int32
# df1.loc['期中','一班','语','01']  # 多重行索引也可以 行和列的索引也可以 但是 混合起来就不行了
df1.values[0,0]
df1.iloc[0,0]
57
df1.iloc[:,1:5]
			一班		二班
		02	03	01	02
期中	语	93	125	13	22
	数	22	0	53	142
	外	73	70	16	46
期末	语	97	100	128	123
	数	78	121	103	69
	外	37	46	109	47
用知识脑图梳理碎片记忆        经历了上周的持续雾霾天和周末的大大雪大风天气,近两日的空气质量特别好,加上温度也有所回升,室外运动体感又舒适了很多。        早晨听《罗胖精选·如何打造高效运转的团队?》的时候,有一句话留下了比较深刻的印象: “有目标的一群人叫团队,没目标的一群人叫团伙” 是啊,目标导向,没有目标就是散兵游勇,一只军容风纪不严整的军队,上战场也是丢盔弃甲之师。建 阅读详情

相关推荐

USB3.0一致性测试方案

为各测试项目具体测试结果包括脉冲串突发时间、脉冲串重复时间、时钟周期以及眼图等完整USB3.0测试项目,工程师可以看到各项测试的具体结果方便观察。RIGOL 提供了一套完善的工具,包括数字示波器、专业的测试夹具以及全自动一致性测试软件,使得USB 3.0设备设计人员能够高效精确地进行信号捕捉、测试与分析。报告第二部分测试摘要,在此可以看到USB3.0测试所有测试项目,并且可以观看到测试是否正常,可以帮助工程师更好的判断测试结果。,以简化下载、存储以及对于多媒体的大量内容的共享。

2409_87378937的博客 2532

pandas合并concat

import pandas as pd import numpy as np # 定义资源集合 df1 = pd.DataFrame(np.ones((3, 4)) * 0, columns=['a', 'b', 'c', 'd']) df2 = pd.DataFrame(np.ones((3, 4)) * 1, columns=['a', 'b', 'c', 'd']) df3 = pd.DataFrame(np.ones((3, 4)) * 2, columns=['a', 'b', 'c', 'd'

梦码城博客中心 374

Vivado FIR Complier_IP核使用方法

文章依靠该IP核对应手册PG149写的,因为笔者需求简单,没有深入挖掘功能,可以自行下载学习。

2302_80180551的博客 3999

pandas中pd.concat(data, axis=1)数据合并与pd.merge(left, right, how=,on=)的内连接、左连接、右连接和外连接代码演示

pandas中pd.concat([data1, data2], axis=1)实现数据合并,pd.merge(left, right, how='inner', on=None):可以指定按照两组数据的共同键值对合并或者左右各自合并,inner内连接,left左连接,right右连接,outer外连接,什么是内连接、左连接、右连接、外连接,如何合并两组数据

我的个人博客 8396

安装破解IAR EWARM 8.2,提供注册机

IAR Embedded Workbench for ARM(IAR for ARM)是一款微处理器的集成开发环境软件,该集成开发环境中包含了IAR的C/C++编译器、 汇编工具、链接器、库管理器、文本编辑器、工程管理器和C-SPY调试器,支持ARM,AVR,MSP430等芯片。   一、安装 双击运行安装程序,点击Install IAR Embedded Workbench for ARM...

睿思派克 4万+

PHP证书图片生成

$realname = "姓名"; $schoolname = "学校"; $idcard = "身份证号"; $image = imagecreatefrompng('certification.png'); // 证书模版图片文件的路径 $red = imagecolorallocate($image,00,00,00); // 字体颜色

4037

Python的pandas库的用法(六)concat合并

df0 = pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d']) df1 = pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d']) df2 = pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d']) print(df0)...

Ming_Dazhou 601

UG\NX二次开发 判断对象是虚线还是实线

网友提问“怎么区分虚线实线”,这个可以通过函数判断。

王牌飞行员_里海的博客 359

对 pd.concat 的理解,以及报错 ValueError: Shape of passed values is 。。。的解决办法

""" pd.concat:将多个 pandas 对象,按行索引或列索引进行连接 """ f = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) # f # A B # 0 1 2 # 1 3 4 f1 = pd.concat([f, pd.DataFrame({"A": 20, "B": 40}, index=[0])]) # f1 # A B # 0 1 2 # 1 3 4 # 0 20 40 pd

jieru_liu的博客 1万+

《YOLO11魔术师专栏》专栏介绍 & 专栏目录

【原创自研模块】【多组合点优化】【注意力机制】【主干篇】【neck优化】【卷积魔改】 【block&多尺度融合结合】【损失&IOU优化】【上下采样优化】【小目标性能提升】【前沿论文分享】【训练实战篇】

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1万+

金融数字化——详解2025年金融智能体深度应用报告【附全文阅读】

《2025年金融智能体深度应用报告》显示,金融智能体已实现80%部署率,推动行业效率提升30%-50%。报告指出智能体通过"感知-推理-规划-执行-进化"机制突破大模型局限,在风控、客服、投研等100+场景实现自动化。典型案例显示,工商银行信贷审批效率提升60%,蚂蚁数科智能客服解决80%问题。尽管面临系统协同、标准缺失等挑战,未来趋势将向多模态交互、自主进化和ESG投资等方向拓展。

cdfunlove的博客 207

pd.concat

参数 pd.concat(objs, axis=0, join=‘outer’, join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True) objs 需要连接的对象eg [df1, df2] axis axis = 0, 表示在水平方向(row)进行连接 axis = 1, 表示在垂直方向(column)进行连接 join outer 表示index全部

happy_wealthy的博客 1675

SAP_MM模块非限制库存转冻结库存

项目非限制 → 冻结事务码移动类型343影响库存不可用,不参与MRP常见用途质量问题封存、盘点冻结、待退货品通过本文,我们了解了 SAP 的[SAP_MM模块非限制库存转冻结库存]的基本概念和应用方法。希望这些信息能帮助您在实际工作中更好地使用 SAP 系统,提高工作效率和管理水平。更多SAP文章请点击更多SAP文章更新,大家一起学习进步!!!文章中如有错误。敬请指正!搜索公众号:SAP资料文库微信号:SPRO_PP时间:2025-10-14。

我小时候很黑的博客 592

数据分析必备:NumPy + Pandas 核心知识点全梳理

本文系统梳理了Python数据分析的核心工具NumPy和Pandas的关键知识点。NumPy部分重点介绍了多维数组(ndarray)的特性、创建方式、索引切片、形状操作、向量化运算和统计函数等基础功能。Pandas部分详细讲解了DataFrame和Series的使用方法,包括数据读取、查看、筛选、清洗、分组聚合等核心数据分析操作。文章特别强调了两者的关系:NumPy提供底层数组支持,Pandas构建在其基础上提供高级数据分析能力。建议学习路径是先掌握NumPy基础,再精通Pandas的数据处理功能。

2401_82415315的博客 502

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

【数据分析基石】NumPy 与 Pandas 基础核心知识点全梳理

本文系统梳理了Python数据分析两大核心库NumPy和Pandas的核心功能与实战应用。NumPy部分涵盖数组创建、运算、统计及矩阵操作;Pandas部分详解DataFrame操作、数据清洗、合并聚合及文件读写等数据处理全流程。内容包含大量实用代码示例,如随机数生成、缺失值处理、分组聚合等,并特别强调易错点(如逻辑运算优先级)和高效技巧(如广播机制)。文章既可作为入门学习指南,也可作为日常数据分析的速查手册,帮助读者快速掌握90%以上的日常数据处理需求。

weixin_69500620的博客 737

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

数据分析-pandas-Series,DataFrame-知识点-思维导图

数据分析-numpy-Series,DataFrame-知识点-思维导图

wenfei1997的博客 412

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

数据分析必备速查表,含:NumPy、Pandas、Matplotlib、Seaborn),赶快收藏,手慢无

数据分析必备速查表,含:NumPy、Pandas、Matplotlib、Seaborn),赶快收藏,手慢无

专注于分享最佳资源、最佳工具、有味道的技术文章 1580

Python 数据分析三剑客:NumPy、Pandas、Matplotlib 核心知识点总结

在 Python 数据分析领域,NumPy、Pandas、Matplotlib 被誉为 “三剑客”——NumPy 奠定数值计算基础,Pandas 专攻数据清洗与处理,Matplotlib 负责可视化呈现。本文将系统梳理三者核心知识点与实操技巧,助力快速上手数据分析工作。

xxxcdx的博客 1065

Pandas核心知识点全面总结

本文用「考点 + 代码 + 坑点」三栏式,帮你 10 分钟完成知识扫描,一小时搞定 90% 面试题。| 行转列 | `df.melt(id_vars='id', value_vars=['q1','q2'], var_name='quarter', value_name='score')` | 宽表变长表 |

2402_84738739的博客 715

python数据分析与基础实战_Python学习教程:Python数据分析实战基础 | 初识Pandas

这段时间和一些做数据分析的同学闲聊,我发现数据分析技能入门阶段存在一个普遍性的问题,很多凭着兴趣入坑的同学,都能够很快熟悉Python基础语法,好像自己什么都会了一点,然而实际操作起来既不知从何操起,又漏洞百出。至于原因嘛,理解不够,实践不够是两条老牌的拦路虎,只能靠自己来克服。还有一个非常有意思且经常被忽视的因素——陷入举三反一的懵逼状态。什么意思呢?假如我是个旱鸭子,想去学游泳,教练很认真的给...

weixin_39887531的博客 174

大数据分析与应用:那些新手必须掌握的核心知识点

摘要: 本文为大数据分析新手梳理了四大核心知识点:1)基础认知:理解大数据的三大特征(数据量大、类型杂、速度快)及核心目标(解决业务问题);2)工具技能:掌握Python(Pandas、NumPy、可视化库)、数据存储(MySQL/HDFS)及可视化工具(Tableau/Matplotlib);3)实操流程:从明确需求、数据清洗到分析建模与结果落地;4)行业场景:电商(用户行为分析)、金融(风控)、医疗(疾病预警)的应用逻辑。强调避免盲目追求复杂工具,需聚焦基础与业务结合,通过实战逐步进阶。

a28668122200的博客 586

excel找到对应数据的列指标_轻松入门Pandas:Python数据分析实战基础

文末领取【Python基础知识思维导图】这篇文章主要是和Pandas来个简单的邂逅。已经熟练掌握Pandas的同学,可以加快手速滑动浏览或者直接略过本文。重要的前言这段时间和一些做数据分析的同学闲聊,我发现数据分析技能入门阶段存在一个普遍性的问题,很多凭着兴趣入坑的同学,都能够很快熟悉Python基础语法,然后不约而同的一头扎进《利用Python进行数据分析》这本经典之中,硬着头皮啃完之后,好像自...

weixin_39947522的博客 473

python数据分析学什么东西

python数据分析学什么东西,python 数据分析学什么

隔壁王叔的博客 1272

python知识梳理

目录python基础一、数据结构二、流程控制三、函数四、面向对象五、错误和异常六、正则表达式python进阶一、数据分析及可视化(一)pandas(二)numpy(三)matplotlib二、邮件处理三、文本处理四、网络爬虫 python基础 一、数据结构 二、流程控制 三、函数 四、面向对象 五、错误和异常 六、正则表达式 python进阶 一、数据分析及可视化 (一)pandas (二)numpy (三)matplotlib 二、邮件处理 三、文本处理 四、网络爬虫 ...

shammy_feng的博客 251

谷歌排名第一的编程语言,死磕这点应用,小白也能转型!

谷歌排名第一的编程语言时什么?毫无疑问:肯定是 Python。也难怪,作为大数据时代和人工智能时代的必备语言,Python 的优点太多了,语言简洁、易学、开发效率高、可移植性强........

优快云资讯 2254
上一篇: 数据分析之numpy常用知识点、难点梳理
下一篇: RPA项目经验分享
tony哒...
博客等级 码龄8年 18粉丝 6原创
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
 
 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