鄭州python人工智能培訓(xùn)班

鄭州python人工智能培訓(xùn)班，鄭州云和數(shù)據(jù)作為河南省內(nèi)比較有影響力的高新技術(shù)企業(yè)，專注于ICT職業(yè)教育、Java、PHP、Web前端、云計(jì)算、大數(shù)據(jù)、Python人工智能、UI/UE、跨境貿(mào)易、網(wǎng)絡(luò)安全、VR等研究和服務(wù)。鄭州云和教育始終堅(jiān)持職業(yè)教育、良心教育、小班化教學(xué)、雙師教學(xué)、實(shí)時(shí)更新的課程體系和大量的實(shí)踐項(xiàng)目。學(xué)生畢業(yè)后有1-2年工作經(jīng)驗(yàn)，貼近企業(yè)需求，就業(yè)率和平均工資在同行業(yè)處于同一水平。因此，云和教育成為河南省專業(yè)的IT培訓(xùn)機(jī)構(gòu)。

python分析包熊貓有哪些小技巧？

了解python的同學(xué)都知道Pandas是python的一個(gè)數(shù)據(jù)分析包。2008年4月由AQR資本管理首次開發(fā)，2009年底對(duì)外開放。目前繼續(xù)由PyData開發(fā)團(tuán)隊(duì)開發(fā)維護(hù)，專注于Python數(shù)據(jù)包開發(fā)，是PyData項(xiàng)目的一部分。熊貓作為金融數(shù)據(jù)分析工具發(fā)展較早，因此熊貓為時(shí)間序列分析提供了很好的支持。

既然有熊貓這樣的工具，用它的人就會(huì)很多。今天python培訓(xùn)班的小編總結(jié)了熊貓?jiān)诠ぷ髦谐Ｓ玫囊恍┘记?，方便?shù)據(jù)分析。

1.計(jì)算變量的缺失率。

df = PD . read _ CSV(' titanic _ train . CSV ')

def missing_cal(df):

"""

Df:數(shù)據(jù)集

返回:每個(gè)變量的缺失率

"""

missing_series=df.isnull()。sum()/df.shape[0]

missing_df=pd。數(shù)據(jù)幀(缺少系列)。重置_索引()

missing_df=missing_df.rename(列={'index':'col '，

0:“缺少_ pct”})

missing _ df = missing _ df . sort _ values(' missing _ pct '，升序=False)。重置_索引(丟棄=真)

返回丟失的_df

缺失_cal(df)

如果需要計(jì)算樣本的缺失率分布，只需加上參數(shù)軸=1即可。

2.獲取組中較大值的row方法。

有兩種類型的分組:重復(fù)值和非重復(fù)值。沒有重復(fù)的值。

df=pd。DataFrame({'Sp':['a '，' b '，' c '，' d '，' e '，' f '，' Mt':['s1 '，' s1 '，' s2 '，' s2 '，' s3']，' Value':[1，2，3，4，5，6]，' Count':[3，2，5，10，10，6]})

df

df.iloc[df.groupby(['Mt'])。應(yīng)用(λx:x['計(jì)數(shù)'])。idxmax())]

先按Mt列分組，然后用idxmax函數(shù)取出分組數(shù)據(jù)幀Count值較大的列，再用iloc位置索引取出行。在重復(fù)值的情況下

df[" rank "]= df . group by(" ID ")[" score "]。等級(jí)(方法=“最小”，升序=假)。a type(NP . int 64)

df[df[" rank "]= = 1][" ID "，" class"]]

將標(biāo)識(shí)分組后，對(duì)分?jǐn)?shù)應(yīng)用等級(jí)函數(shù)。如果分?jǐn)?shù)相同，會(huì)給他們同樣的排名，然后拿出排名1的數(shù)據(jù)。

3.多列合并為一行。

df=pd。DataFrame({'id_part':['a '，' b '，' c '，' d '，' pred':[0.1，0.2，0.3，0.4]，' pred_class':['women '，' man '，' cat '，' dog '，' v_id':['d1 '，' d2 '，' d3 '，' d1']})

df.groupby(['v_id'])。agg({'pred_class':['，')。join]，' pred':lambda x:list(x)，

id_part':'first'})。重置_索引()

4.刪除包含特定字符串的行。

df=pd。DataFrame({'a':[1，2，3，4]，' b':['s1 '，' exp_s2 '，' s3 '，' exps4']，' c':[5，6，7，8]，' d':[3，2，5，10]})

df[df[' b ']. str . contains(' exp ')]

5.在組內(nèi)排序

df=pd。data frame(['A '，1]，['A '，3]，[' A '，2]，['B '，5]，['B '，9]]，列=['name '，' score'])

本文介紹了土地集團(tuán)內(nèi)部的兩種分類方法。

df.sort_values(['name '，' score']，升序=[True，F(xiàn)alse])

df.groupby('name ')。apply(lambda x:x . sort _ values(' score '，升序=False))。重置_索引(丟棄=真)