1)仅换掉index名称 df.index = list 2)调整index时,后面的项目也要跟着调整: df.reindex(list) 注意如果list中出现了df中没有的index,后面的项目会变成nan 举例: df=pd.DataFrame({'a':[1,2,3],'b':[4,5,6],'c':[7,8,9]},columns=['a','b','c'],index=['11','22','33']) print(df): a  b  c 11  1  4  7 22  2  5 

一.功能 删除集合中的整行或整列: 二.格式 df.drop(labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') labels:指示标签,表示行标或列标: axis = 0:默认取 0,表示删除集合的行: axis = 1:删除集合中的列: index:删除行: columns:删除列: level:针对有两级行标或列标的集合:如下图,集合有两级行标: level =

在Ubuntu下安装Python模块通常有3种方法:1)使用apt-get:2)使用pip命令(推荐);3)easy_instal 可安装方法参考:[转]linux和windows下安装python集成开发环境及其python包 ——[二.安装] 参考:[Install Python packages on Ubuntu 14.04] 使用pip安装以下包时可能会出现问题(某些基础库缺失),导致安装失败,所以可确定系统中是否存在以下基础库: Ubuntu dependencies A varie

Boosting performance with Cython     Even with my old pc (AMD Athlon II, 3GB ram), I seldom run into performance issues when running vectorized code. But unfortunately there are plenty of cases where that can not be easily vectorized, for example the

课程  Java面向对象程序设计 一.实验目的 掌握多线程程序设计 二.实验环境 1.微型计算机一台 2.WINDOWS操作系统,Java SDK,Eclipse开发环境 三.实验内容 1.Java有两种实现多线程的方式:通过Runnable接口.通过Thread直接实现,请掌握这两种实现方式,并编写示例程序. 2.多线程是并发执行的,交替占有cpu执行,请编写示例程序,并观察输出结果. 3.编写程序实现生产者消费者问题代码,采用线程同步机制来解决多线程共享冲突问题. 四.实验步骤和结果 1.J

DataFrame使用总结1(超实用): 1. 合并两个表 frame = [df1, df2] df = pd.concat(frame) res = pd.merge(df, df1, on=['key', 'key1'], how='inner') res = pd.merge(df, df1, left_on=['key'], left_on=['key1'], how='inner') 合并表的操作(Merge, join, and concatenate) http://pandas

0. 第一个量化策略 # 初始化函数,设定基准等等 def initialize(context): set_benchmark('000300.XSHG') g.security = get_index_stocks('000300.XSHG') # 股票池 set_option('use_real_price', True) set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003, close_

基于双向BiLstm神经网络的中文分词详解及源码 基于双向BiLstm神经网络的中文分词详解及源码 1 标注序列 2 训练网络 3 Viterbi算法求解最优路径 4 keras代码讲解 最后 源代码地址 在自然语言处理中(NLP,Natural Language ProcessingNLP,Natural Language Processing),分词是一个较为简单也基础的基本技术.常用的分词方法包括这两种:基于字典的机械分词 和 基于统计序列标注的分词.对于基于字典的机械分词本文不再赘述,可

上一篇文章:<数据质量检查-理论篇>主要介绍了数据质量检查的基本思路与方法,本文作为补充,从Python实战角度,提供具体的实现方法. 承接上文,仍然从重复值检查.缺失值检查.数据倾斜问题.异常值检查四方面进行描述. 1.环境介绍 版本:python2.7 工具:Spyder 开发人:hbsygfz 2.数据集介绍 数据集:dataset.xlsx 3.代码实现 3.1 导入相关库 import pandas as pd 3.2 读取数据集 dataset = pd.read_excel(&q

1. 数据分析基本流程 作为非专业的数据分析人员,在平时的工作中也会遇到一些任务:需要对大量进行分析,然后得出结果,解决问题. 所以了解基本的数据分析流程,数据分析手段对于提高工作效率还是非常有帮助的. 首先都是存在一个要解决的问题,主要问题和预期分析目标,简单来讲就是对问题进行定义. 然后才是开始收集数据.数据清洗.数据建模.数据展现.优化和重复,最后是报告撰写. 1. 明确分析目的和思路:在进行数据分析之前,首先考虑的应该是"为什么要展开数据分析?我要解决什么问题?从哪些角度分析数据才系统?

pandas读取文件官方提供的文档 在使用pandas读取文件之前,必备的内容,必然属于官方文档,官方文档查阅地址 http://pandas.pydata.org/pandas-docs/version/0.24/reference/io.html 文档操作属于pandas里面的Input/Output也就是IO操作,基本的API都在上述网址,接下来本文核心带你理解部分常用的命令 pandas读取txt文件 读取txt文件需要确定txt文件是否符合基本的格式,也就是是否存在\t,` ,,`等特

1.创建数据帧 import pandas as pd df = pd.DataFrame([[1, 'A', '3%' ], [2, 'B'], [3, 'C', '5%']], index=['row_0', 'row_1', 'row_2'], columns=['col_0', 'col_1', 'col_2']) 2.增加行.列 数据帧DataFrame的每一行都可看作是一个对象,每一列都是该对象的不同属性.每行都具有多维度的属性,因此每行都可以看作是一个小的DataFrame:而每列

一.初始Series Series 是一个带有 名称 和索引的一维数组,既然是数组,肯定要说到的就是数组中的元素类型,在 Series 中包含的数据类型可以是整数.浮点.字符串.Python对象等. pandas.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False) 创建第一个Series import pandas as pd user_age = pd.Series(data=[18,

一.均值回归策略 1.什么是回归策略 二.归一标准化 import numpy as np a = np.random.uniform(100,5000,1000) b = np.random.uniform(0.1,3.0,1000) (a.min(),a.max()) 输出 预处理 (a - a.min())/(a.max()-a.min()) 输出 预处理 aa = (a - a.min())/(a.max()-a.min()) bb = (b - b.min())/(b.max()-b.

一.背景和挖掘目标 二.分析方法与过程 1.数据获取 2.数据预处理  1.筛选有效问卷(根据表8-6的标准) 共发放1253份问卷,其中有效问卷数为930  2.属性规约 3.数据变换 ''' 聚类离散化,最后的result的格式为: 1 2 3 4 A 0 0.178698 0.257724 0.351843 An 240 356.000000 281.000000 53.000000 即(0, 0.178698]有240个,(0.178698, 0.257724]有356个,依此类推. '

四.关联规则 Apriori算法代码(被调函数部分没怎么看懂) from __future__ import print_function import pandas as pd #自定义连接函数,用于实现L_{k-1}到C_k的连接 def connect_string(x, ms): x = list(map(lambda i:sorted(i.split(ms)), x)) l = len(x[0]) r = [] for i in range(len(x)): for j in rang

  对网站日记分析其实比较常见,今天模拟演示一下一些应用场景,也顺便说说Pandas,图示部分也简单分析了下 1.数据清洗¶ 一般数据都不可能直接拿来用的,或多或少都得清理一下,我这边就模拟一下清洗完的数据 In [1]: %%time import numpy as np import pandas as pd   Wall time: 520 ms In [2]: %%time # 生成一个2017年的所有时间点(分钟为单位) datetime_index = pd.date_range("

1.数值计算和统计基础 常用数学.统计方法 数值计算和统计基础 基本参数:axis.skipna df.mean(axis=1,skipna=False)  -->> axis=1是按行来进行统计: 默认按列统计(axis默认为0,可不写): skipna=False是不忽略,显示NaN,默认为True,即忽略NaN. >>> import numpy as np >>> import pandas as pd >>> df = pd.Da

1.检查缺失值 为了更容易地检测缺失值(以及跨越不同的数组dtype),Pandas提供了isnull()和notnull()函数,它们也是Series和DataFrame对象的方法 - 示例1 import pandas as pd import numpy as np df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f', 'h'],columns=['one', 'two', 'three']) df = df

2018-2019 前期任务(一):资料阅读&Python入门 资料原文地址:Dumbcoin - An educational python implementation of a bitcoin-like blockchain[本文详细解读了比特币的基础技术,实现了Python中类比特币区块链中的大部分概念.虽不是真正的区块链,但有助于对其技术的理解.] --------CONTENTS-------- hash函数和挖矿 难度 钱包 交易 区块 攻击 参考资料 Requires # - p