qq_45951891的博客

实现要求：将两个月份的销售数据汇总，计算每一天的销售总额，并可视化展示。2.设计一个抽象类，定义文件读取的相关功能，并使用子类实现具体功能。4.进行数据需求的逻辑计算（计算每一天的销售额）5.通过PyEcharts进行图形绘制。1.设计一个类，可以完成数据的封装。二月份各省销售数据：json格式。一月份各省销售数据：csv格式。3.读取文件，生产数据对象。

【代码】【Python数据分析】案例1.如何统计销售额的最大连续递增和递减天数。

通常情况下，数据集中会存在许多同一类别的信息，比如相同国家、相同行政编码、相同性别等，当这些相同类别的数据多次出现时，就会给数据处理增添许多麻烦，导致数据集变得臃肿，不能直观、清晰地展示数据。通过上述示例，您可能会注意到，虽然传递给 Series 四个元素值，但是它的类别为 3，这是因为 a 的类别存在重复。上述示例中，第二个参数值表示类别，当列表中不存在某一类别时，会自动将类别值设置为 NA。对已经分类的数据使用 describe() 方法，您会得到和数据统计相关的摘要信息。命令可以获取对象的类别信息。

Pandas 提供了 resample() 函数来实现数据的重采样。

随机抽样，是统计学中常用的一种方法，它可以帮助我们从大量的数据中快速地构建出一组数据分析模型。在 Pandas 中，如果想要对数据集进行随机抽样，需要使用 sample() 函数。该函数返回与数据集类型相同的新对象，相当于 numpy.random.choice()。

时间序列（time series），就是由时间构成的序列，它指的是在一定时间内按照时间顺序测量的某个变量的取值序列，比如一天内的温度会随时间而发生变化，或者股票的价格会随着时间不断的波动，这里用到的一系列时间，就可以看做时间序列。当进行数据分析时，我们会遇到很多带有日期、时间格式的数据集，在处理这些数据集时，可能会遇到日期格式不统一的问题，此时就需要对日期时间做统一的格式化处理。下面示例，使用 asfreq() 和 start 参数，打印 “01” ，若使用 end 参数，则打印 “31”。

如果要连接 Series 和 DataFrame 对象，有一个最方便、快捷的方法，那就是 append() 方法。上述示中，可以看出行索引 index 存在重复使用的现象，如果想让输出的行索引遵循依次递增的规则，那么需要将 ignore_index 设置为 True。如果想把指定的键与 DataFrame 对象连接，您可以使用 keys 参数来实现。注意：此时的索引顺序被改变了，而且键 keys 指定的键也被覆盖了。如果您想要沿着 axis=1 添加两个对象，那么将会追加新的列。

Pandas 提供的 merge() 函数能够进行高效的合并操作，这与 SQL 关系型数据库的 MERGE 用法非常相似。从字面意思上不难理解，merge 翻译为“合并”，指的是将两个 DataFrame 数据表按照指定的规则进行连接，最后拼接成一个新的 DataFrame 数据表。参数可以确定 DataFrame 中要包含哪些键，如果在左表、右表都不存的键，那么合并后该键对应的值为 NaN。注意：Pandas 库的 merge() 支持各种内外连接，与其相似的还有 join() 函数（默认为左连接）。

在数据分析中，经常会遇到这样的情况：根据某一列（或多列）标签把数据划分为不同的组别，然后再对其进行数据分析。比如，某网站对注册用户的性别或者年龄等进行分组，从而研究出网站用户的画像（特点）。在 Pandas 中，要完成数据的分组操作，需要使用 groupby() 函数，它和 SQL 的。在划分出来的组（group）上应用一些统计函数，从而达到数据分析的目的，比如对分组数据进行聚合、转换，或者过滤。通过 filter() 函数可以实现数据的筛选，该函数根据定义的条件过滤数据并返回一个新的数据集。

稀疏数据，指的是在数据库或者数据集中存在大量缺失数据或者空值，我们把这样的数据集称为稀疏数据集。稀疏数据不是无效数据，只不过是信息不全而已，只要通过适当的方法就可以“变废为宝”。

可以与聚合函数一起使用，聚合函数指的是对一组数据求总和、最大值、最小值以及平均值的操作，本节重点讲解聚合函数的应用。首先让我们创建一个 DataFrame 对象，然后对聚合函数进行应用。

设置 min_periods=3，表示至少 3 个数求一次均值，计算方式为 (index0+index1+index2)/3，而 index3 的计算方式是 (index0+index1+index2+index3)/3，依次类推。举一个简单的例子：现在有 10 天的销售额，而您想每 3 天求一次销售总和，也就说第五天的销售额等于（第三天 + 第四天 + 第五天）的销售额之和，此时窗口函数就派上用场了。expanding() 又叫扩展窗口函数，扩展是指由序列的第一个元素开始，逐个向后计算元素的聚合值。

rank() 按照某种规则（升序或者降序）对序列中的元素值排名，该函数的返回值的也是一个序列，包含了原序列中每个元素值的名次。Pandas 提供了计算相关性的三种方法，分别是 pearson(default)、spearman() 和 kendall()。默认情况下，pct_change() 对列进行操作，如果想要操作行，则需要传递参数 axis=1 参数。rank() 默认按行方向排名（axis=0），也可以更改为 axis =1，按列排名。同时，该方法也会将缺失值(NAN )自动排除。

在数据分析过程中，很多时候需要从数据表中提取出相应的数据，而这么做的前提是需要先“索引”出这一部分数据。虽然通过 Python 提供的索引操作符"[]"和属性操作符"."可以访问 Series 或者 DataFrame 中的数据，但这种方式只适应与少量的数据，为了解决这一问题，Pandas 提供了两种类型的索引方式来实现数据的访问。本节就来讲解一下，如何在 Pandas 中使用 loc 函数和 iloc 函数。

在用 Pandas 做数据分析的过程中，总需要打印数据分析的结果，如果数据体量较大就会存在输出内容不全（部分内容省略）或者换行错误等问题。Pandas 为了解决上述问题，允许你对数据显示格式进行设置。option_context() 上下文管理器，用于临时设置 with 语句块中的默认显示参数。注意：第一个 Print 语句打印 option_context() 设置的临时值。该方法接受一个参数，并将修改后的值设置回默认值。由此可知，默认值显示上限是（60，20）。上述参数项，基本上可以满足我们的需求。

注意：上述所有字符串函数全部适用于 DataFrame 对象，同时也可以与 Python 内置的字符串函数一起使用，这些函数在处理 Series/DataFrame 对象的时候会自动忽略缺失值数据（NaN）。Pandas 提供了一系列的字符串函数，因此能够很方便地对字符串进行处理。在本节，我们使用 Series 对象对常用的字符串函数进行讲解。检查 Series 中的每个字符，如果字符中包含空格，则返回 True，否则返回 False。如果返回 -1 表示该字符串中没有出现指定的字符。

Panda DataFrame 对象提供了一个数据去重的函数 drop_duplicates()，本节对该函数的用法做详细介绍。

Pands 提供了两种排序方法，分别是按标签排序和按数值排序。本节讲解 Pandas 的排序操作。上述示例，行标签和数值元素均未排序，下面分别使用标签排序、数值排序对其进行操作。

遍历是众多编程语言中必备的一种操作，比如 Python 语言通过 for 循环来遍历列表结构。那么 Pandas 是如何遍历 Series 和 DataFrame 结构呢？我们应该明确，它们的数据结构类型不同的，遍历的方法必然会存在差异。对于 Series 而言，您可以把它当做一维数组进行遍历操作；而像 DataFrame 这种二维数据表结构，则类似于遍历 Python 字典。在 Pandas 中同样也是使用 for 循环进行遍历。通过for。

如何从上述函数中选择适合的函数，这取决于函数的操作对象。下面介绍了三种方法的使用。

重置索引（reindex）可以更改原 DataFrame 的行标签或列标签，并使更改后的行、列标签与 DataFrame 中的数据逐一匹配。通过重置索引操作，您可以完成对现有数据的重新排序。如果重置的索引标签在原 DataFrame 中不存在，那么该标签对应的元素值将全部填充为 NaN。

描述统计学（descriptive statistics）是一门统计学领域的学科，主要研究如何取得反映客观现象的数据，并以图表形式对所搜集的数据进行处理和显示，最终对数据的规律、特征做出综合性的描述分析。Pandas 库正是对描述统计学知识完美应用的体现，可以说如果没有“描述统计学”作为理论基奠，那么 Pandas 是否存在犹未可知。在 DataFrame 中，使用聚合类方法时需要指定轴(axis)参数。从图可以看出，axis=0 表示按垂直方向进行计算，而 axis=1 则表示按水平方向。

在 CSV 文件中指定了一个列，然后使用index_col可以实现自定义索引。

在数据分析的过程中，我们把大部分时间都花费在数据的准备和预处理上，Pandas 作为一个灵活、高效的数据预处理工具，提供了诸多数据处理的方法，分层索引（Multiple Index）就是其中之一，分层索引（或多层索引）是 Pandas 的基本特性，它能够增强 Pands 数据预处理的能力。分层索引（Multiple Index）是 Pandas 中非常重要的索引类型，它指的是在一个轴上拥有多个（即两个以上）索引层数，这使得我们可以用低维度的结构来处理更高维的数据。下面介绍几种创建分层索引的方式。

如果您使用的是 Pandas 0.25 以前的版本，那么您需要掌握本节内容，否则，作为了解内容即可。DataFrame 一个表格型的数据结构，既有行标签（index），又有列标签（columns），它也被称异构数据表，所谓异构，指的是表格中每列的数据类型可以不同，比如可以是字符串、整型或者浮点型等。Series 结构，也称 Series 序列，是 Pandas 常用的数据结构之一，它是一种类似于一维数组的结构，由一组数据值（value）和一组标签组成，其中标签与数据值之间是一一对应的关系。

构造函数将 Series 转换为 DataFrame。在构造函数中，将 Series 作为一个列传递给 DataFrame，并且可以通过指定列名来为 DataFrame 的列命名。方法，它可以将 Series 转换为 DataFrame。该方法可以选择是否为 DataFrame 指定列名。Series 对象提供了一个。

import matplotlib.pyplot as plt函数名称函数作用plt.figure创建一个空白画布，可以指定画布大小，像素figure.add_subplot创建并选中子图，可以指定子图的行数，列数，与选中图片编号plt.title在当前图形中添加标题，可以指定标题的名称、位置、颜色、字体大小等参数。plt.xlabel在当前图形中添加x轴名称，可以指定位置、颜色、字体大小等参数。plt.ylabel在当前图形中添加y轴名称，可以指定位

numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。np.where(condition, x, y)，第一个参数为一个布尔数组，第二个参数和第三个参数可以是标量也可以是数组。sorted 并没有修改原来的数组，而是将排序的结果作为参数传递给一个新的数组，而 sort 则在原数组上直接进行了排序。arr[condition]，condition为一个条件/多个条件组成的布尔数组。数组的转置/轴对换只会返回源数据的一个视图，不会对源数据进行修改。axis=1为沿横轴排序；

是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，数据来源：1960-2019全球GDP数据.csv(本文提供下载)实现要求：将每一年GDP排名前八国家的数据展现出来。下面介绍几种用法，更多用法访问。学习更多图形样式展示，可以访问。

Apache Spark是用于大规模数据(large-scala data)处理的统一(unified)分析引擎简单来说，Spark是一款分布式的计算框架，用于调度成百上千的服务器集群，计算TB、PB乃至EB级别的海量数据。