這道python題目里面，s1=‘’.join(s1)和alp=v是什么意思？

‘’.join()的意思是字符串的拼接函數(shù)，可以將一個(gè)可迭代對(duì)象拼接成一個(gè)字符串。

創(chuàng)新互聯(lián)公司自2013年起，公司以成都網(wǎng)站設(shè)計(jì)、做網(wǎng)站、系統(tǒng)開(kāi)發(fā)、網(wǎng)絡(luò)推廣、文化傳媒、企業(yè)宣傳、平面廣告設(shè)計(jì)等為主要業(yè)務(wù)，適用行業(yè)近百種。服務(wù)企業(yè)客戶(hù)成百上千，涉及國(guó)內(nèi)多個(gè)省份客戶(hù)。擁有多年網(wǎng)站建設(shè)開(kāi)發(fā)經(jīng)驗(yàn)。為企業(yè)提供專(zhuān)業(yè)的網(wǎng)站建設(shè)、創(chuàng)意設(shè)計(jì)、宣傳推廣等服務(wù)。 通過(guò)專(zhuān)業(yè)的設(shè)計(jì)、獨(dú)特的風(fēng)格，為不同客戶(hù)提供各種風(fēng)格的特色服務(wù)。

比如說(shuō)你這個(gè)s1是一個(gè)列表的話，用了這個(gè)最后形成的就是列表里的每一個(gè)元素都按照‘’這個(gè)進(jìn)行拼接。‘’這個(gè)是一個(gè)空字符串，還可以‘，’這個(gè)意思是用逗號(hào)連接列表中的每一個(gè)元素。

alp很明顯就是一個(gè)變量呀，最后返回給調(diào)用者，這個(gè)變量記錄的是最大出現(xiàn)次數(shù)的那個(gè)元素。

join函數(shù)python

join函數(shù)python就是把一個(gè)list中所有的串按照你定義的分隔符連接起來(lái)。

join是string類(lèi)型的一個(gè)函數(shù)，用調(diào)用他的字符串去連接參數(shù)里的列表，python里面萬(wàn)物皆對(duì)象，調(diào)用join函數(shù)，將后面的列表里的值用逗號(hào)連接成新的字符串。str（i）foriinlist這是一個(gè)映射，就是把list中每個(gè)值都轉(zhuǎn)換成字符串。

含義

python中得thread的一些機(jī)制和C/C++不同：在C/C++中，主線程結(jié)束后，其子線程會(huì)默認(rèn)被主線程kill掉。而在python中，主線程結(jié)束后，會(huì)默認(rèn)等待子線程結(jié)束后，主線程才退出。

python對(duì)于thread的管理中有兩個(gè)函數(shù)：join和setDaemon。

join：如在一個(gè)線程B中調(diào)用threada。join（），則threada結(jié)束后，線程B才會(huì)接著threada。join（）往后運(yùn)行。

setDaemon：主線程A啟動(dòng)了子線程B，調(diào)用b。setDaemaon（True），則主線程結(jié)束時(shí)，會(huì)把子線程B也殺死，與C/C++中得默認(rèn)效果是一樣的。

python用字符串拼接一條語(yǔ)句，然后怎么執(zhí)行

python支持eval函數(shù)，可以把一個(gè)字符串當(dāng)作python語(yǔ)句執(zhí)行，具體你可以看看eval函數(shù)的使用方法

python字符串常用方法

python字符串常用方法

1.?Python字符串拼接（包含字符串拼接數(shù)字）

2.?Python截取字符串（字符串切片）

3.?Python 的len()函數(shù)：獲取字符串長(zhǎng)度或字節(jié)數(shù)

4.?Python split()方法：分割字符串

5.?Python join()方法：合并字符串

6.?Python count()方法：統(tǒng)計(jì)字符串出現(xiàn)的次數(shù)

7.?Python find()方法：檢測(cè)字符串中是否包含某子串

8.?Python index()方法：檢測(cè)字符串中是否包含某子串

9.?Python字符串對(duì)齊方法（ljust()、rjust()和center()）

10.?Python startswith()和endswith()方法

11.?Python字符串大小寫(xiě)轉(zhuǎn)換（3種）函數(shù)

12.?Python去除字符串中空格（刪除指定字符）的3種方法

Python數(shù)據(jù)處理：篩選、統(tǒng)計(jì)、連表、拼接、拆分、缺失值處理

file1_path ='E:/Users/lenovo/Desktop/中視/622召回.csv' # 源數(shù)據(jù)

格式：file1=pd.read_csv(file1_path)

pd.read_csv(file1_path,encoding='gbk')

pd.read_csv(file1_path,encoding='gbk',skiprows=[2,3])

pd.read_csv(file1_path,encoding='gbk',skiprows=lambda x:x%2==1)

pd.read_csv(file1_path,encoding='gbk',keep_default_na=False)

new=pd.DataFrame()

new.new[[0,1,2]]

new.new[0:2]

查詢(xún)結(jié)果同上

new.loc[new['激活數(shù)']1000]

loc和iloc的區(qū)別：

loc：純標(biāo)簽篩選

iloc：純數(shù)字篩選

#篩選出new的某兩列

new=new.loc[:,['phone','收件人姓名']]

#篩選new的第0，1列

new.iloc[:,[0,1]]

使用‘==’篩選-篩查“崔旭”的人（只能篩查指定明確的）

#new=file1.loc[(file1['收件人姓名']=='崔旭')|(file1['收件人姓名']=='崔霞')]

#print(new)

#使用loc函數(shù)篩選-str.contains函數(shù)-篩查名字中包含'亮'和'海'的人

#new=file1.loc[file1['收件人姓名'].str.contains('亮|海')]

#print(new)

#使用loc函數(shù)篩選-str.contains函數(shù)-篩查'崔'姓的人

#new=file1.loc[file1['收件人姓名'].str.startswitch('崔')]

#print(new)

df = df[(df['DEPOSIT_PAY_TIME_x'] .notnull() ) (df['DEPOSIT_PAY_TIME_x'] != "" )]

print("during_time(number)=0的個(gè)數(shù)：",newdata[newdata['during_time(number)'] ==0].count()['during_time(number)'])

print("during_time(number)=1,2,3的個(gè)數(shù)：",newdata[(newdata['during_time(number)'] 0) (newdata['during_time(number)'] 4)].count()['during_time(number)'])

print(newdata[newdata['during_time(number)'] ==0])

newdata[newdata['Team']. isin (['England','Italy','Russia'])][['Team','Shooting Accuracy']]

df.年齡.value_counts()

1.修改指定位置數(shù)據(jù)的值（修改第0行，’創(chuàng)建訂單數(shù)‘列的值為3836）

new.loc[0,'創(chuàng)建訂單數(shù)']=3836

2.替換‘小明’-‘xiaoming’

df.replace({'name':{'小明':'xiaoming'}})

3.批量替換某一列的值（把‘性別’列里的男-male，女-felmale）

方法一：df['性別']=df['性別'].map({'男':'male','女':'female'})

方法二：df['性別'].replace('female','女',inplace=True)

? ? ? ? ? ?或df['性別']=df['性別'].replace('female','女')? ? ? ? ? ? ? ? 這就是inplace的作用

? ? ? ? ? ? +df['性別'].replace('male','男',inplace=True)

4.替換列索引

df.columns=['sex','name','height','age']

或者：df.rename(columns={'性別':'sex','姓名':'name','身高':'height','年齡':'age'})

5.刪除某一列

del df['player']

6. 刪除某一列（方法二），刪除某一行（默認(rèn)axis=0刪除行，為1則刪除列）

刪除某一列（方法二）

df.drop('性別',axis=1)

刪除某一行

df.drop(1,axis=0)

file1=pd.read_csv(file1_path)

file2=pd.read_csv(file2_path)

new1=pd.DataFrame()

new1['phone']=file1['phone']

new1['contact_time']=file1['contact_time']

new2=pd.DataFrame()

new2['phone']=file2['phone']

new2['submission_audit_time']=file2['提交審核時(shí)間']

newdata=pd.merge(new1,new2,on='phone',how='left')

df=pd.concat([df1,df2],axis=0)

4.2.2 橫向表連接

df=pd.concat([df1,df2],axis=1)

df1['地區(qū)'].str.split('·',3,expand=True)

df1:

df1[['城市', '城區(qū)','地址']] = df1['地區(qū)'].str.split('·', 3, expand = True)

5.1 缺失值刪除

data.dropna(axis=0,subset = ["Age", "Sex"]) ? # 丟棄‘Age’和‘Sex’這兩列中有缺失值的行

data.dropna(how = 'all') ? ?# 傳入這個(gè)參數(shù)后將只丟棄全為缺失值的那些行

data.dropna(axis = 1) ? ? ? # 丟棄有缺失值的列（一般不會(huì)這么做，這樣會(huì)刪掉一個(gè)特征）

data.dropna(axis=1,how="all") ? # 丟棄全為缺失值的那些列

5.2 缺失值填充：pandas.DataFrame.fillna()函數(shù)

DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)

功能：使用指定方法填充N(xiāo)A/NaN值

其中inplace=True就是直接在原有基礎(chǔ)上填滿(mǎn)

5.3 缺失值查詢(xún)：

缺失值數(shù)量查詢(xún)：df.isnull().sum()

缺失值行查詢(xún)：df[df.isnull().T.any()]

newdata['during_time']=pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])

newdata['during_time(number)']=(pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])).apply(lambda x: x.days)

new=pd.DataFrame()

new=newdata[newdata['during_time(number)'] ==0]

new.to_csv(save_path,encoding='utf-8-sig')

將數(shù)據(jù)按行拆分并存儲(chǔ)到不同的csv文件中：

path='C:/Users/EDZ/Desktop/工作/2021.08.19/'

for i in range(0,30):

df.loc[[i]].to_csv(path+str(i)+'.csv',encoding='gbk')

df = df[['購(gòu)藥日期', '星期','社保卡號(hào)','商品編碼', '商品名稱(chēng)', '銷(xiāo)售數(shù)量', '應(yīng)收金額', '實(shí)收金額' ]]