程序员经验分享-hwhale

Pandas数据处理

2023-11-01
数据预览

  • 首先，调用read_excel()方法读取数据

    import pandas as pd
df = pd.read_excel("data.xlsx")
df

	姓名	班级	语文	数学
0	张三	一班	99	  90
1	李四	一班	78	  NaN
2	王五	一班	70	  88
3	小明	二班	88	  99
4	小红	二班	98	  77

  • 导入数据后，首先要熟悉数据。

    • shape属性：可以帮助我们查看数据包含几行几列

      df.shape
(5,4)

      从结果可以看出，这份数据一共有5行4列

    • **head()或tail()**方法：head()方法可以帮助我们查看数据的前几行，tail()方法可以帮助我们查看数据的后几行

      df.head()
	姓名	班级	语文	数学
0	张三	一班	99	  90
1	李四	一班	78	  NaN
2	王五	一班	70	  88
3	小明	二班	88	  99
4	小红	二班	98	  77

df.tail(2)
	姓名	班级	语文	数学
3	小明	二班	88	  99
4	小红	二班	98	  77

      head()方法默认展示的是前5行数据，tail()方法默认展示的是后5行数据。当他们传入指定数字时，就可以帮我们获取指定的行数。

    • dtypes属性：可以帮助我们查看每列数据的数据类型

      df.dtypes
姓名	object
班级	object
语文	int64
数学	int64
dtype object

      object类型是字符串，int64是整型，float64是浮点型

    • **describe()**方法：可以帮助我们查看数值型变量的描述性统计量

      df.describe()
		语文	数学
count
mean
std
min
25%
50%
75%
max

      count表示计数，mean表示平均值，std表示标准差，min和max分别表示最小值和最大值，25%、50%、75%表示四分位数

    • **info()**方法：可以帮助我们查看数据的列名、数据类型、非空值、以及内存占用情况

      df.info()
<class "pandas.core.frame.DataFrame">
RangeIndex: 6 entries, 0 to 5
Data columns (total 5 columns):
#	Column	Non-Null Count	Dtype
--	-----	-------	-----	-----
0	姓名	    6 non-null	  object			
1	班级	    6 non-null	  object
2	语文	    6 non-null	  int64
3	数学	    5 non-null	  int64
dtypes: int64(2),object(2)
memory usage: 368.0+ bytes

      可以清楚的看到每一个列字段的列名、非空值和数据类型。另外“数学”这一列只有5个非空值，表明该列存在缺失值。同时memory usage为我们展示了这份数据占用内存的大小

数据预处理

通过数据预览，可以做到对数据心中有数。然而，在正式进行数据处理之前，我们必须进行数据预处理，它直接关系到分析结果的准确性。

有些数据会存在缺失值（NaN）、重复值

  • 检测缺失值

    • 其实检测缺失值最简单的方法就是调用**info()**方法，通过观察每一列的非空值，即可判断出哪些列存在缺失值

    • 另外还有一种检测是否存在缺失值的方法，即**isnull()方法搭配any()**方法，具体介绍如下

      • isnull()：对于缺失值，返回True；对于非缺失值，返回False

      • any()：一个序列中有一个True，则返回True，否则返回False

        df.isnull()					###打印出每个数据的True或False值

	姓名	   班级	 语文	    数学	  英语
0	False	False	False	False	False
1	False	False	False	True	False
2	False	False	False	False	False
3	False	False	False	False	False
4	False	False	False	False	False
5	False	False	False	False	False

df.isnull().any(axis=1)			###axis=1，可以帮助我们打印出每一行是否存在缺失值

0	False
1	True
2	False
3	False
4	False
5	False

df.isnull().any()				###不指定打印的是每一列 是否存在缺失值
姓名	False
班级	False
语文	False
数学	True
英语	False

  • 检测重复值

    • 调用**duplicated()**方法，可以用于检测重复值

      df.duplicated()
0	False	
1	False
2	True
3	False
4	False
5	False

df.duplicated().any()
True

      调用duplicated()方法，可以返回某一行是否是重复值。由于第4行和第3行的数据属于重复行，因此返回True。接着使用any()方法，即可判断出数据中存在重复值

  • 缺失值处理

    • 通常使用NaN表示缺失值。如果存在缺失值，我们可以调用**fillna()方法来填充数据。也可以用dropna()**方法删除缺失值

      df = df.fillna(0)	###将NaN修改为0
df = df.dropna()	###将有缺失值的一行删除

  • 重复值处理

    • **drop_duplicates()**方法，它可以对所有值进行重复值判断，并默认保留第一个（行）值

      df
	姓名	年龄
0	张三	19
1	张三	19
2	李四	20

df = df.drop_duplicates()
	姓名	年龄
0	张三	19
2	李四	20

      可以帮我们删除重复行，只保留第一行的数据

  • 数据替换

    • 调用**replace()**方法，可以实现数据替换，例如replace(A,B)，表示直接将A替换成B

      df['数学'] = df['数学'].replace(0,90)
数据选取

  • 按行/列筛选，loc和iloc两种方法，用于行/列筛选

    • loc：利用标签索引的方式获取行或列

    • iloc：利用位置索引的方式获取行或列

      选取一列
df['f']
df.loc[:,'f']
df.iloc[:,[1]]

选取多列
df[['e','f']]
df.loc[:,['e','f']]
df.iloc[:,[0,1]]

选取一行
df.loc['b',:]
df.iloc[1,:]

选取多行
df.loc[['a','b'],:]
df.iloc[[0,1],:]

同时选取行列
df.loc['b','f']
df.iloc[1,1]

同时选取多行多列
df.loc[['a','b'],['f','g']]
df.iloc[[0,1],[1,2]]

      df = df.set_index("姓名")
df

		班级	 语文	 数学	  英语
姓名
赵一	  一班	98	 96.0	97
王二	  一班	88	 90.0	75
张三	  一班	86	 87.0	93
李四	  二班	93	 92.0	81
朱五	  二班	95	 99.0	60

df.loc[['赵一','李四']]
		班级	 语文	 数学	  英语
姓名
赵一	  一班	98	 96.0	97
李四	  二班	93	 92.0	81

df.iloc[[0,3]]
		班级	 语文	 数学	  英语
姓名
赵一	  一班	98	 96.0	97
李四	  二班	93	 92.0	81

      调用set_index()方法，我们将数据框中的“姓名“列设置为新的索引。我们既可以用loc传入标签索引的方式，获取这两位同学的数据信息，也可以用iloc传入位置索引的方式获取信息

  • 按条件筛选，有时候我们想要筛选出符合某些条件的数据，提供了**query()、isin()、between()**

    • 筛选数学成绩在95分以上的同学

      df[df['数学']>95]

    • 筛选语文和数学成绩都在90分以上的同学

      df.query("语文>90 & 数学>90")

    • 筛选语文成绩是88或95的同学

      df[df['语文'].isin(['88','95'])]

    • 筛选数学成绩在85到95之间的同学

      df[df['数学'].between(85,95)]		###不包含边界值85和95
数据运算
方法 作用 方法 作用
sum() 求和 abs() 求绝对值
count() 计数 mod() 求余数
mean() 求均值 value_counts() 求每个值出现的个数
max() 求最大值 prod() 求连乘积
min() 求最小值 argmax() 求最大值的索引值
mode() 求众数 idxmax() 求最大值的索引值
var() 求方差 argmin() 求最小值的索引值
std() 求标准差 idxmin() 求最小值的索引值
median() 求中位数 unique() 去重（唯一值）

  • 计算每个人的总成绩

    df['总分'] = df['语文'] + df['数学'] + df['英语']
df

	姓名	  班级	语文	 数学	 英语	  总分
0   赵一	  一班	 98	  96.0	 97	  291.0	
1   王二	  一班	 88	  90.0	 75	  253.0
2   张三	  一班	 86	  87.0	 93	  266.0
3   李四	  二班	 93	  92.0	 81	  266.0
4   朱五	  二班	 95	  99.0	 60	  254.0

  • 如果想计算出每个班级的总人数，应该怎么做

    df['班级'].value_counts()
一班	3
二班	2
Name: 班级, dtype:int64

  • 计算出每个人的平均分，并保留两位小数

    df['平均分']=df['总分'].apply(lambda x: round(x/3,2))
df
	姓名	  班级	语文	 数学	 英语	  总分	  平均分
0   赵一	  一班	 98	  96.0	 97	  291.0		97.00
1   王二	  一班	 88	  90.0	 75	  253.0	    84.33
2   张三	  一班	 86	  87.0	 93	  266.0		88.67
3   李四	  二班	 93	  92.0	 81	  266.0		88.67
4   朱五	  二班	 95	  99.0	 60	  254.0		84.67

    apply()将”总分“这一列的每个元素，都除以3且结果保留两位小数。

    相当于

    a=[1,2,3,4,5]
c=list(map(lambda x:x-1,a))
print(c)

[0, 1, 2, 3, 4]

  • 数据排序与排名

    • 数据排序：sort_value()方法可以实现

      DataFrame.sort_value(by,ascending,inplace)
by:列名（字符/字符列表）
ascending：是否升序排序，默认为升序：True
inplace：是否修改原DataFrame

    • 按照总分降序排序

      df.sort_values(by = ["总分"],ascending=False,inplace=True)
df

	姓名	  班级	语文	 数学	 英语	  总分	  平均分
0   赵一	  一班	 98	  96.0	 97	  291.0		97.00
2   张三	  一班	 86	  87.0	 93	  266.0		88.67
3   李四	  二班	 93	  92.0	 81	  266.0		88.67
4   朱五	  二班	 95	  99.0	 60	  254.0		84.67
1   王二	  一班	 88	  90.0	 75	  253.0	    84.33

###如果总分相同，再按英语来排序

df.sort_values(by = ["总分","英语"],ascending=[False,True],inplace=True)
df

	姓名	  班级	语文	 数学	 英语	  总分	  平均分
0   赵一	  一班	 98	  96.0	 97	  291.0		97.00
3   李四	  二班	 93	  92.0	 81	  266.0		88.67
2   张三	  一班	 86	  87.0	 93	  266.0		88.67
4   朱五	  二班	 95	  99.0	 60	  254.0		84.67
1   王二	  一班	 88	  90.0	 75	  253.0	    84.33

    • 数据排名

      • 当我们对数据完成排序后，就可以进行数据排名了。调用rank()方法可以实现。

        DataFrame.rank(method,ascending)
method:排序方式
ascending:是否升序排序，默认为True

      • method有5个常用选项

        • first

          姓名 总分 排名
          赵一 291 1
          张三 266 2
          李四 266 3
          朱五 254 4
          王二 253 5

        • average

          姓名 总分 排名
          赵一 291 1
          张三 266 2.5
          李四 266 2.5
          朱五 254 4
          王二 253 5

        • min

          姓名 总分 排名
          赵一 291 1
          张三 266 2
          李四 266 2
          朱五 254 4
          王二 253 5

        • max

          姓名 总分 排名
          赵一 291 1
          张三 266 3
          李四 266 3
          朱五 254 4
          王二 253 5

        • dense

          姓名 总分 排名
          赵一 291 1
          张三 266 2
          李四 266 2
          朱五 254 3
          王二 253 4

    • 按照总分来排名

      df['排名'] = df['总分'].rank(method='dense',ascending=False).astype('int')
df

	姓名	  班级	语文	 数学	 英语	  总分	  平均分	排名
0   赵一	  一班	 98	  96.0	 97	  291.0		97.00	  1
2   张三	  一班	 86	  87.0	 93	  266.0		88.67	  2
3   李四	  二班	 93	  92.0	 81	  266.0		88.67	  2
4   朱五	  二班	 95	  99.0	 60	  254.0		84.67	  3
1   王二	  一班	 88	  90.0	 75	  253.0	    84.33	  4

      由于这里返回的排名值是一个浮点型，因此需要调用astype()方法实现数据类型转换

  • 数据合并与连接：用于实现对多表的操作

    • 数据合并：将同种性质表的不同部分合并在一起，一般不需要考虑公共列

      • 分为横向合并和纵向合并两种方式。使用concat()方法

        df
	a	b	c
0	10 	20	30
1	40	50	60
2	70	80	90

df2
	d
0	35
1	65
2	95

###横向合并
df_concat=pd.concat([df,df2],axis=1)
df_concat
	a	b	c	d
0	10 	20	30	35
1	40	50	60	65
2	70	80	90	95

df3
	a	b	c
0	110	120	130

###纵向合并,使用reset_index()可以帮助我们重置合并后的索引。不然就是 0 1 2 0
df_concat=pd.concat([df,df3],axis=0).reset_index(drop=True)
df_concat
	a	b	c
0	10 	20	30
1	40	50	60
2	70	80	90
3	110	120	130

      • 如果想要加入学生信息表的数据

        df3 = pd.read_excel("学生信息表.xlsx")
df3
	姓名	性别	住址
0	王二	男	朝阳
1	李四	女	朝阳
2	朱五	男	海淀
3	黄七	男	海淀
4	赵一	女	朝阳
5	马六	女	海淀
6	张三	男	海淀

pd.concat([df_concat,df3],axis=1)
	姓名	  班级	语文	 数学	 英语	 姓名	性别	住址
0   赵一	  一班	 98	  96.0	 97	 王二	 男	 朝阳
1   王二	  一班	 88	  90.0	 75	 李四	 女	 朝阳
2   张三	  一班	 86	  87.0	 93	 朱五	 男	 海淀
3   李四	  二班	 93	  92.0	 81	 黄七	 男	 海淀
4   朱五	  二班	 95	  99.0	 60	 赵一	 女	 朝阳
5	马六	  三班	 86	  90	 89	 马六	 女	 海淀
6	黄七	  三班	 96	  88	 91	 张三	 男	 海淀

由于concat()方法合并数据依赖索引，当两表的数据顺序不一致时，就会产生这类错误，姓名对不上。
要想规避，以姓名为连接键

    • 数据连接：将不同性质表连接在一起，一般需要考虑公共列

      • 调用merge()方法实现数据连接

        pd.merge(left,right,how,on)

left：左侧DataFrame对象
right：右侧DataFrame对象
how：数据合并的方式
on：连接键

      • 两个数据框DataFrame想要进行数据连接，需要依赖某个“公共列”作为连接键，数据连接后的结果受参数how的影响

        • how=“left”：左表中的数据都会展示出来，右表会根据连接键将数据连接到左表上，对于不符合条件的数据用NaN补充（左连接）
        • how=“right”：右表中的数据都会展示出来，左表会根据连接键将数据连接到左表上，对于不符合条件的数据用NaN补充（右连接）
        • how=“inner”：参数的默认值，显示左表和右表中连接键都存在的数据（内连接）
        • how=“outer”：保留两个表的所有信息（全连接）
        df
	a	b	c
0	10	20	30
1	40	50	60
2	70	80	90

df2
	a	d
0	10	35
1	40	65
2	75	95

pd.merge(df,df2,how='left',on='a')
	a	b	c	d
0	10	20	30	35	
1	40	50	60	65
2	70	80	90	NaN

pd.merge(df,df2,how='right',on='a')
	a	b	c	d
0	10	20	30	35	
1	40	50	60	65
2	75	NaN	NaN	95

pd.merge(df,df2,how='inner',on='a')
	a	b	c	d
0	10	20	30	35	
1	40	50	60	65

pd.merge(df,df2,how='outer',on='a')
	a	b	c	d
0	10	20	30	35	
1	40	50	60	65
2	70	80	90	NaN
3	75	NaN	NaN	95

  • 数据分组与透视表

    • 通过合并和连接得到的大表，一般用于“数据分组”和“数据透视表”的计算

      DataFrame.groupby(by).聚合函数
by：分组依据

    • 一般分组和聚合是搭配使用的，分组后调用聚合函数完成聚合操作

      函数 作用 函数 作用
      sum() 求和 median() 求中位数
      count() 计数 var() 求方差
      mean() 求平均值 std() 求标准差
      max() 求最大值 describe() 计算描述性统计量
      min() 求最小值 first 第一次出现的值
      mode() 求众数 last 最后一次出现的值

    • 以班级分组，计算每个班级的学生数量

      df_merge = pd.merge(df_concat,df3,how='inner',on='姓名')
df_merge
	姓名	  班级	语文	 数学	 英语 性别	住址
0   赵一	  一班	 98	  96.0	 97  男	 朝阳
1   王二	  一班	 88	  90.0	 75  女	 朝阳
2   张三	  一班	 86	  87.0	 93  男	 海淀
3   李四	  二班	 93	  92.0	 81  男	 海淀
4   朱五	  二班	 95	  99.0	 60  女	 朝阳
5	马六	  三班	 86	  90	 89  女	 海淀
6	黄七	  三班	 96	  88	 91  男	 海淀

df_merge.groupby("班级").count()

		姓名	语文	数学	英语	性别	住址
班级
一班		3	 3	  3		3	 3	   3
二班		2	 2	  2		2	 2	   2
三班		2	 2	  2		2	 2	   2

df_merge.groupby("班级")['姓名'].count()
班级
一班		3	
二班		2	
三班		2
Name：姓名，dtype:int64

      调用groupby()方法并搭配聚合函数count()，按照班级这列进行分组并对其他列进行计数，统计出每个班级的学生数量，实际上只需要对姓名这列计数就够了。

    • 以班级、住址分组

      df_merge.groupby(['班级','住址'])['姓名'].count()

班级	 住址
一班	 朝阳	 2
	   海淀  1
二班	 朝阳	 1
	   海淀  1
三班	 海淀  2
Name:姓名，dtype:int64

    • 以班级分组，计算每个班语文成绩最高的分数

      df_merge.group("班级")['语文'].max()

班级
一班	98
二班	96
三班	95
Name:语文,dtype:int64

  • 数据透视表：pivot_table()可以实现数据透视表

    参数 作用
    data 相当于Excel中的“选中数据源”
    index 相当于数据透视表字段中的行
    columns 相当于数据透视表字段中的列
    values 相当于数据透视表字段中的值
    aggfunc 相当于计算类型
    margins 相当于结果中的总计
    margins_name 相当于修改总计名
    fill_value 将缺失值用某个指定值填充

    • 以住址为行，班级为列，计算每个班级的学生数量，并统计他们的合计值

      pd.pivot_table(
	df_merge,values="姓名",
		columns="班级",index="住址",
		aggfunc="count",fill_value=0,
		margins_name='合计',margins=True
)


班级	一班	二班	三班	合计
住址
朝阳	 2	  1		0	  3	
海淀	 1	  1		2	  4
合计	 3	  2	    2	  7

  • Excel拆分与合并

    • 按条件将Excel文件拆分到不同的工作簿

      import pandas as pd
df = pd.read_excel("三年级总成绩单.xlsx")

for i in df['班级'].unique():
	df[df['班级']==i].to_excel(f"{i}.xlsx",index=False)

    • 按条件将Excel拆分到不同的工作表

      import pandas as pd
df = pd.read_excel("三年级总成绩单.xlsx")

for i in df['班级'].unique():
	df[df['班级']==i].to_excel(
			"三年级总成绩单.xlsx",index=False,sheet_name=f"{i}"
		)

      但是执行后发现每次生成的工作表都会覆盖前一个，最终只剩下一个表，用这个方法实现

      import pandas as pd
df = pd.read_excel('三年级总成绩单.xlsx')

writer = pd.ExcekWriter("三年级总成绩单.xlsx")
df.to_excel(writer,sheet_name='总成绩',index=False)

for j in df['班级'].unique():
	df[df['班级']==j].to_excel(writer,sheet_name=j,index=False)

      ExcelWriter()方法，他会帮助我们建立一个空的容器对象writer

  • 批量将不同的工作表合并到一个excel文件

    import pandas as pd

sheet_names = pd.ExcelFile("三年级分班成绩单.xlsx").sheet_names

df_all = pd.DataFrame()

for i in sheet_names:
	df = pd.read_excel("三年级分班成绩单.xlsx",sheet_name=i)
	df_all = df_all.append(df)

df_all.to_excel(
	'三年级分班成绩单.xlsx',sheet_name='总成绩'
)

    ExcelFile()会得到一个ExcelFile对象。该对象有一个很好用的sheet_names属性，它能够获取当前表格中所有工作表的名称，并以一个列表返回

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

pandas

python

数据分析

Pandas数据处理 的相关文章

随机推荐

  • 联想笔记本Ubuntu14.04 无法连接无线网络，WiFi已通过硬件开关禁用

    最近给一台联想笔记本装Ubuntu14 04系统 开机后屏幕右上角没有WiFi信息出现 倒是有个灰体的 WiFi已通过硬件开关禁用 看到这我的内心奔腾而过一群草原动物 开机就关WiFi 不能连WiFi的笔记本还能搞啥 莫着急 慢慢来 看这字

  • HDFS常见的问题和处理方法积累

    Hadoop常见问题与解决办法 问题1 reduce预处理阶段shuffle时获取已完成的map的输出失败次数超过上限 问题描述 问题剖析 解决方案 问题2 Too many fetch failures 问题描述 问题剖析 解决方案 问题

  • 解决el-select下拉框有值但是无法选中的问题

    问题描述 在某次开发项目时 发现el select组件无法选中数据了 下拉框中数据可以正常展示 数据是通过接口获取的 解决方案 在 el select 中加一个 change 的事件刷新一下 代码如下

  • top命令的使用和查看某个进程占用的系统内存大小

    一 top指令查看CPU状态和内存使用状态 1 查看CPU占用率 CPU 上次更新到现在的CPU时间占用百分比 2 查看内存占用率 MEM 进程使用的物理内存百分比 3 RES 进程使用的 未被换出的物理内存大小 单位kb RES CODE

  • go通过数组（切片）构建菜单树结构

    有这样的一组节点 每个节点包含自己的Id 还有父Id Parent Id 包含children指针数组 但是children是空 需要根据id和parentId把cihldren填充上 实现了如下的方法 type TreeNode inte

  • JAVA TCP客户端和服务器端简单实例

    客户端 package com example demo import java io BufferedReader import java io InputStreamReader import java io PrintWriter i

  • 详解Java中的byte类型（补充内容）

    写在前面 大家有时候可能会对Java中出现的byte类型有些疑惑 今天就来内化这些知识点 这个算是对其他博客的一个补充 内容很少 byte 在Java中 byte占据一个字节 也就是8的bite位 public static void ma

  • Kaiwii

    http blog csdn net kaiwii article details 7478038

  • qt 16进制字符串 转换为 二进制 字节流

    代码 include

  • 找出10个被打乱的数中被拿出的一个数

    include

  • RuoYi-弹出新窗口选择数据回显到父页面

    这里只贴出关键代码 其他代码需要自行编写 返回值处理根据实际需求来 目前是只取第一条 因为选择页面是单选行 表单页面新加方法 选择社区 function selectCommunity var url ctx community selec

  • 深度

    解码区块链 专题文章三 区块链的安全基础架构及构想 近期 国家发改委明确 区块链 被纳入新基建定义和范围 作为一项能够打通各个技术及领域的基础技术 区块链被认为将在各行业深度融合 新领域拓展 新场景新应用开发等方面潜力无限 解码区块链 内容

  • js 小技巧 （ 根据不同的状态生成不同的颜色和状态 ）

    HTML 解决办法 动态绑定 color 然后 根据 三元表达式 进行处理 js 解决办法 动态绑定 color 然后 根据在每个数据的后面添加color属性 可能有的人会问vueb不能用不然不会双向绑定 确实vue要使用vueset 但是

  • 他人工作多年后的总结

    1 找一个好公司 精通至少一门语言及其框架 专注做5到10年 先有深度再有广度 不要为了高工资过早转向管理角色 2 从长远来看 拥有个人项目 阅读 写博客和参加访谈都会有助于你成为一个更好的开发人员 3 成为开发者社区的一部分 努力参加线上

  • qt写C++（引用的妙处，内联函数）

    首先看什么是引用 引用和取地址很像 容易混淆 单独出现 a就是对a这个变量取地址 如果是int a 就是声明这是一个引用 引用 include

  • 基于SpringBoot+redis实现一个简单的点赞功能

    点赞操作比较频繁 而且比较随意 所以数据变更很快 如果用mysql 会对mysql产生很大的压力 于是决定使用Redis 防止数据丢失 所以会定期将数据持久化同步到mysql中 一 Redis 缓存设计及实现 1 1 Redis 安装及运行

  • mysql约束之_外键约束 foreign key

    外键约束 foreign key 创建一个员工表employee 员工编号id 员工的姓名name 部门名称dept name 员工所在的地址address CREATE TABLE employee id INT PRIMARY KEY

  • R语言学习笔记

    参考 W N Venables D M Smith and the R DCT Introduction to R Notes on R A Programming Environment for Data Analysis and Gra

  • java集合Map介绍及具体使用

    目录 Map 双例集合 存储 键值对 key value 的数据 1 基本介绍 2 HashMap 2 1源码介绍 2 2 HashMap源码中的重要常量 2 3面试题 3 LinkHashMap 3 1LinkHashMap源码分析 4

  • Pandas数据处理

    数据预览 首先 调用read excel 方法读取数据 import pandas as pd df pd read excel data xlsx df 姓名 班级 语文 数学 0 张三 一班 99 90 1 李四 一班 78 NaN 2

热门标签