Pandas-高级部分及其实验
有趣的事，Python永远不会缺席！
jupyter代码原文件及数据集提取连接
链接：https://pan.baidu.com/s/1N8sm-qxnErgHCIbKqZTlVQ
提取码：z3jn
- 1 实例：美国各州的统计数据
- 2 实例 行星数据-累计与分组
- 2.1 Pandas的简单累计功能
- 2.2 GroupBy：分割、应用和组合
- 2.2.1 分割、应用、组合
- 2.2.2 GroupBy对象
- 2.2.3 累计、过滤、转换、应用
- 2.2.4 设置分割的键
- 2.2.4.1 将列表、数组、Series或索引作为分组键
- 2.2.4.2 用字典或Series将索引映射到分组名称
- 2.2.4.3 任意Python函数
- 2.2.4.4 多个有效键构成的列表
- 2.2.4.5 分组案例
- 3 数据透视表
- 3.1 演示数据透视表
- 3.2 手工制作数据透视表
- 3.3 数据透视表语法
- 3.3.1 多级透视表
- 3.3.2 其他数据透视表选项
- 4 案例：美国人的生日
- 5 向量化字符串操作
- 5.1 Pandas字符串操作简介
- 5.2 Pandas字符串方法列表
- 6 处理时间序列
- 6.1 Python的使与时间工具
- 6.2 NumPy的datetime64类型
- 6.3 理想与先是最佳解决方案
- 6.4 Pandas时间序列：用时间作索引
- 6.5 pandas时间序列数据结构
- 6.6 时间频率与偏移量
- 7 案例：美国西雅图自行车统计数据的可视化
- 7.1 数据可视化
- 7.2 深入数据挖掘
- 7.2.1 单日内的小时均值流量
- 7.2.2 工作日和双休日每小时的通过量
- 8 高性能Pandas：eval()与query()
- 8.1 用Pandas.eval()实现高性能运算
- 8.1.1 pd.eval()支持的运算
- 8.2 用DataFrame.eval()实现列间运算
- 8.2.1 用DataFrame.eval()新增列
- 8.2.2 DataFrame.eval()使用局部变量
- 8.3 DataFrame.query()方法