问题场景 删除重复值: 统计重复项出现的次数: 对比两列,找出重复项. 场景一 某列员工编号user_id相当于身份证,可以唯一代表这个人,需要删除重复项. 目标 将user_id重复的人员所在行都删除,只留下唯一编号所在的行. 解决方案 用Excel自带去重功能实现. 第一步:选中A列-->点击功能选项[数据]-->点击[删除重复项]-->选择[扩展选定区域]-->点击[删除重复项]. 选择扩展选定区域是因为重复项所在的行的数据也需要删除. 第二步:最后结果,保留了8个唯一的值.

pandas是基于NumPy构建的模块,含有使数据分析更快更简单的操作工具和数据结构,最常用的数据结构是:序列Series和数据框DataFrame,Series类似于numpy中的一维数组,类似于关系表的一列:而DataFrame类似于二维的关系表. >>> import pandas as pd >>> from pandas import Series,DataFrame 一,数据类型 用dtype属性来显示元素的数据类型,pandas主要有以下几种dtype:

本来打算学习pandas模块,并写一个博客记录一下自己的学习,但是不知道怎么了,最近好像有点急功近利,就想把别人的东西复制过来,当心沉下来,自己自觉地将原本写满的pandas学习笔记删除了,这次打算写上自己的学习记录,这里送给自己一句话,同时送给看这篇博客的人,共勉 当你迷茫的时候,当你饱受煎熬的时候,请停下来,想想自己学习的初衷,想想自己写博客的初衷,爱你所爱,行你所行,听从你心,无问西东. 好了,正文开始. pandas是做数据分析非常重要的一个模块,它使得数据分析的工作变得更快更简单.由于

好久好久没有更新博客了,之前自学的估计也都忘记差不多了.由于毕业选择从事的行业与自己的兴趣爱好完全两条路,心情也难过了很久,既然入职了就要好好干,仍要保持自己的兴趣,利用业余时间重拾之前的乐趣. 从基本的数据清理学起吧 讲一下drop函数的用法 删除表中的某一行或者某一列更明智的方法是使用drop,它不改变原有的df中的数据,而是可选择性的返回另一个dataframe来存放删除后的数据. 删除无效项 df[df.isnull()] #返回的是个true或false的Series对象(掩码对象),

常见聚合方法 方法 说明 count 计数 describe 给出各列的常用统计量 min,max 最大最小值 argmin,argmax 最大最小值的索引位置(整数) idxmin,idxmax 最大最小值的索引值 quantile 计算样本分位数 sum,mean 对列求和,均值 mediam 中位数 mad 根据平均值计算平均绝对离差 var,std 方差,标准差 skew 偏度(三阶矩) Kurt 峰度(四阶矩) cumsum 累积和 Cummins,cummax 累计组大致和累计最小值

1.set集合 set集合是一个无序.不可重复.可嵌套的序列,基本功能是进行成员关系测试和删除重复元素,可以使用大括号({})或者 set()函数创建集合,注意:创建一个空集合必须用 set() 而不是 { },因为 { } 是用来创建一个空字典 1.1 常用功能函数 增加元素 使用set.add()函数单个添加元素:使用set.update()函数来批量添加元素,参数为可迭代的对象,如列表,元组,字符串 >>> test = {1,2,3,4,} #创建一个集合 >>>

这个ini开头的函数在devstack的启动配置中用的非常多,他主要负责.ini文件的配置,这个过程包括对相关ini文件的添加,注释,删除,获取信息,多行信息获取等. 这里主要说的iniset和iniget函数在devstack/inc/ini-config文件里面. iniset具体函数内容: # Set an option in an INI file # iniset [-sudo] config-file section option value # - if the file does

ASP.NET给Table动态添加控件并且得到控件的值 由于跟老师做一个小的项目,可是我自己又不太懂js,所以一直为动态建立表格并且能动态的取值和赋值感到苦恼.起初在网上找到了一些js资源,解决了动态添加和取值的问题,可是给表中控件灵活的赋值又成了一个问题.于是乎我又回过头来利用ASP.NET的TABLE控件,容易赋值且容易取值,但是有一个问题就是,ASP.NET页面每次触发页面都会刷新一次,则我动态建立的表格就会在页面刷新后不见了,而这是若在后台取值就会出现“使用了未实例化对象”的错误,致使无

html { font-family: sans-serif } body { margin: 0 } article,aside,details,figcaption,figure,footer,header,hgroup,main,nav,section,summary { display: block } audio,canvas,progress,video { display: inline-block; vertical-align: baseline } audio:not([co

一.Pandas Python Data Analysis Library或Pandas是基于NumPy的一种工具,该工具是为了解决数据分析任务而创建的.Pandas纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具.Pandas提供了大量能使我们快速便捷地处理数据的函数和方法. 二.Series Series是一维数组,与Numpy中的一维array类似.二者与Python基本的数据结构List也很相近,其区别是List中的元素可以是不同的数据类型,而Array和Serie

弹出窗口:messagebox() 基本写法:Messagebox('标题','内容') 完整写法: MessageBox ( '标题','内容',图标,按键,默认值) (1)其中标题与内容为要显示的字符串,不可省略,但可以省略,即什么也不显示,例如Messagebox('','')这样也是正确的单里面的东西一样也不能少!   (2)图标可选值: Question!或None! 或Information!或 StopSign! 或 Exclamation!(默认图标)    (3)按键可选值:

编辑行:$("#jqGrid").jqGrid('editRow', rowKey); 删除行:$("#jqGrid").delGridRow(rowKey); 新增行:$("#jqGrid").addRowData(rowId, {}, rowInd);//新增一个空行 保存行:$("#jqGrid").jqGrid('saveRow',rowKey); 以下分别给出几个用到以上函数的自定义方法: function star

用Python做数据分析,涉及到的函数实在是太多了,容易忘记,去网上查中文基本上差不到,英文有时候描述不清楚问题. 这里搞个针对个人习惯的函数汇总速查手册,下次需要用一个什么功能,就在这里面查到对应的函数名字,然后取搜索具体用法.随时更新. Numpy 创建: 创建一个随机数组x*y: np.empty(x,y) 产生随机数组,产生指定大小随机数组,指定范围随机数组,均匀分布,数组元素在0到1之间 np.random.uniform(0,100,size=5) -----------Pandas

当你要删除某一行或者某一列时,用drop函数,它不改变原有的df中的数据,而是返回另一个dataframe来存放删除后的数据. 1.命令: df.drop() 删除行:df.drop('apps') 删除列:df.dorp('col', axis=1),删除列要加axis=1,默认是删除行的 2.使用: temp = deviceid_packages.drop('apps', axis=1) 3.调用效果一样啊 temp = deviceid_packages.drop('apps', axi

<table id="table"> <tr> <th>用户ID</th> <th>用户名</th> <th>手机号码</th> <th>状态</th> <th>操作</th> </tr> <tr> <td>zhangsan</td> <td>张三</td> <td&

一.环境:刚安装好的Ubuntu14.04,本文只能保证 在Ubuntu下能达到效果. 二.安装GVim. sudo apt-get update sudo apt-get install vim-gtk 三.自定义vim与Gim语法高亮. 控制语法高亮的文件叫做 语言名.vim,例如,你想自定义C语言的语法高亮,那么叫做c.vim. 你可以在自己的根目录下新建目录,然后在这里面配置,这样仅针对你一个用户有效 ~/.vim/plugin 插件目录 ~/.vim/doc 文档目录 ~/.vim/s

文件读取 df = pd.read_csv(path='file.csv') 参数:header=None 用默认列名,0,1,2,3... names=['A', 'B', 'C'...] 自定义列名 index_col='A'|['A', 'B'...] 给索引列指定名称,如果是多重索引,可以传list skiprows=[0,1,2] 需要跳过的行号,从文件头0开始,skip_footer从文件尾开始 nrows=N 需要读取的行数,前N行 chunksize=M 返回迭代类型TextFi

一.对待存储过程和函数的态度 优点: 1.存储过程只在创建时进行编译,sql语句则每次执行都需要编译.能提高数据库执行速度. 2.简单复杂操作结合事物一起封装. 3.复用性高. 4.安全性高,可指定存储过程的使用权. 在实际项目中应该尽量少用存储过程和函数,理由如下: 1.移植性差,在MySQL中的存储过程移植到sqlsever上就不一定可以用了. 2.调试麻烦,在db中报一个错误和在应用层报一个错误不是一个概念,那将是毁灭性打击,直接一个error:1045什么的更本毫无头绪. 3.扩展性不高

def fun_ndarray(): a = [[1,2,7], [-6,-2,-3], [-4,-8,-55] ] b = [3,5,6] a = np.array(a) b = np.array(b) a_b_column = np.column_stack((a,b))#左右根据列拼接 a_b_row = np.row_stack((a,b))#上下按照行拼接 print('a_b_column') print(a_b_column) print('a_b_row') print(a_b_

原文网址:https://www.cnblogs.com/zhaoxiong/p/8082523.html PB之常用函数 弹出窗口:messagebox() 基本写法:Messagebox('标题','内容') 完整写法: MessageBox ( '标题','内容',图标,按键,默认值) (1)其中标题与内容为要显示的字符串,不可省略,但可以省略,即什么也不显示,例如Messagebox('','')这样也是正确的单里面的东西一样也不能少!   (2)图标可选值: Question!或Non

drop()函数 1 删除前务必指定columns或index,避免出错. import pandas as pd df = pd.DataFrame({'a':[1,2,3], 'b':[3,4,5], 'c':[5,6,7]}) # 删除列 删除多列是加['a','b'] df.drop(columns='a', inplace=True) print(df) # 删除行 df.drop(index=[1,2], inplace=True) print(df) # b c # 0 3 5 #