#就是軸的互換，如下例，b是2*4的ndarray，把0軸（2）和一軸（4）換了，就成了4*2的ndarray
“專業(yè)、務(wù)實(shí)、高效、創(chuàng)新、把客戶的事當(dāng)成自己的事”是我們每一個(gè)人一直以來堅(jiān)持追求的企業(yè)文化。 成都創(chuàng)新互聯(lián)是您可以信賴的網(wǎng)站建設(shè)服務(wù)商、專業(yè)的互聯(lián)網(wǎng)服務(wù)提供商! 專注于成都網(wǎng)站設(shè)計(jì)、網(wǎng)站建設(shè)、軟件開發(fā)、設(shè)計(jì)服務(wù)業(yè)務(wù)。我們始終堅(jiān)持以客戶需求為導(dǎo)向，結(jié)合用戶體驗(yàn)與視覺傳達(dá)，提供有針對(duì)性的項(xiàng)目解決方案，提供專業(yè)性的建議，創(chuàng)新互聯(lián)建站將不斷地超越自我，追逐市場(chǎng)，引領(lǐng)市場(chǎng)！
b?=?array([[0,?1,?2,?3],
[4,?5,?6,?7]])
np.swapaxes(b,0,1)
b
array([[0,?4],
[1,?5],
[2,?6],
[3,?7]])
以python 3.8.5150.0版本為例，python中eval函數(shù)作用如下：
1、計(jì)算字符串中有效的表達(dá)式，并返回結(jié)果。
2、將字符串轉(zhuǎn)成相應(yīng)的對(duì)象（如list、tuple、dict和string之間的轉(zhuǎn)換）。
3、將利用反引號(hào)轉(zhuǎn)換的字符串再反轉(zhuǎn)回對(duì)象。
參數(shù)解析：
expression：這個(gè)參數(shù)是一個(gè)字符串，python會(huì)使用globals字典和locals字典作為全局和局部的命名空間，將expression當(dāng)作一個(gè)python表達(dá)式進(jìn)行解析和計(jì)算。
globals：這個(gè)參數(shù)控制的是一個(gè)全局的命名空間，也就是我們?cè)谟?jì)算表達(dá)式的時(shí)候可以使用全局的命名空間中的函數(shù)，如果這個(gè)參數(shù)被提供了。
并且沒有提供自定義的builtins(python的內(nèi)建模塊)，那么會(huì)將當(dāng)前環(huán)境中的builtins拷貝到提供的globals里，然后進(jìn)行計(jì)算。如果globals沒有被提供，則使用python的全局命名空間。
locals：這個(gè)參數(shù)控制的是一個(gè)局部的命名空間，和globals類似，不過當(dāng)它和globals中有重復(fù)的部分時(shí)，locals里的定義會(huì)覆蓋掉globals中的，也就是說當(dāng)globals和locals中有沖突的部分時(shí)，locals說了算，它有決定權(quán)，以它的為準(zhǔn)。如果locals沒有被提供的話，則默認(rèn)為globals。
在 python 中使用 matplotlib 繪制散點(diǎn)圖時(shí)，可以使用 xtick.set_rotation() 函數(shù)來設(shè)置 x 軸刻度標(biāo)簽的旋轉(zhuǎn)角度。例如，要將 x 軸刻度標(biāo)簽傾斜 45 度，可以使用以下代碼：
Copy code
import matplotlib.pyplot as plt
# 繪制散點(diǎn)圖
plt.scatter(x, y)
# 獲取 x 軸的刻度對(duì)象
xticks = plt.gca().get_xticks()
# 設(shè)置 x 軸刻度標(biāo)簽的旋轉(zhuǎn)角度
plt.gca().set_xticklabels(xticks, rotation=45)
# 顯示圖形
plt.show()
在這段代碼中，我們使用 plt.scatter() 函數(shù)繪制散點(diǎn)圖，然后使用 plt.gca().get_xticks() 函數(shù)獲取 x 軸的刻度對(duì)象。接著，我們使用 plt.gca().set_xticklabels() 函數(shù)設(shè)置 x 軸刻度標(biāo)簽的旋轉(zhuǎn)角度，最后使用 plt.show() 函數(shù)顯示圖形。
注意：在調(diào)用 plt.scatter() 函數(shù)之前，需要先設(shè)置 x 和 y 軸的數(shù)據(jù)。
這是漫長(zhǎng)的一周，本周完成了Python的進(jìn)階模塊，主要是pandas、numpy、matplotlib、seaborn、pyecharts這些模塊的學(xué)習(xí)以及一個(gè)實(shí)際的案例：商品銷售情況分析，之前一直覺得課程難度不夠，但到這一周難度就大大提高了。尤其是案例練習(xí)中的RFM模型和用戶生命周期建立，看懂不難但是自己寫一直出錯(cuò)，在不斷出錯(cuò)不斷嘗試中知識(shí)得到了積累，另外可視化部分沒有什么練習(xí)題，希望后面可以加上一些這方面的練習(xí)，接下來分模塊來總結(jié)一下學(xué)習(xí)的內(nèi)容。
重新設(shè)置索引：df.set_index()
Series格式轉(zhuǎn)換為DataFrame：df.to_frame()
文件讀?。簆d.read_csv(filepath, header = 0,skiprows=[1,2])?
使用位置做索引：df.loc[0]????????使用列表做索引：df.loc[[0,1,2]]
使用切片做索引：df.loc[0:4]????????使用bool類型索引：df[df['年齡']30]
loc 是基于索引值的，切片是左閉右閉的
iloc 是基于位置的，切片是左閉右開的
修改列索引：df.rename(columns={'姓名':'name', '年齡':'age'},inplace=True)
替換一個(gè)值：df.replace({'name':{'小明':'xiaoming'}},inplace=True)
對(duì)數(shù)據(jù)進(jìn)行排序：df.sort_values('age')
累加求和：df.cumsum(0)
刪除列：del df['player']?????????刪除行：df.drop(labels=0)?labels 是行列的名字
數(shù)據(jù)拼接：pd.concat([left,right],axis=1)
# 指定列進(jìn)行關(guān)聯(lián)，默認(rèn)是 inner join ????result = pd.merge(left,right,on='key')
#多個(gè)關(guān)聯(lián)條件：result = pd.merge(left, right, on=['key1', 'key2'])
#左連接：result = pd.merge(left, right, how='left', on=['key1', 'key2'])
# 列名不一樣的關(guān)聯(lián)：pd.merge(left,right,left_on = ['key1','key2'],right_on = ['key3','key4'])
#單個(gè)分組：groups = df.groupby('district')
# 作用多個(gè)聚合函數(shù)：groups.agg([np.mean,np.sum,np.std])
# 針對(duì)具體列聚合 groups.age.agg([np.mean,np.sum,np.std])
# 不同列不同聚合函數(shù) groups.agg({"age":np.mean,"novip_buy_times":np.sum})
分組后該列值求和顯示：groups['vip_buy_times'].transform('sum')
通常用于求占比：transform(lambda x: x /sum(x))
# 填充指定值：np.full([3,4],1)
# 起始為10，5為步長(zhǎng)，30為結(jié)尾取不到：np.arange(10, 30, 5)
#隨機(jī)矩陣：np.random.random((2,3))
# 平均劃分：np.linspace( 0, 2*pi, 100 )
# 類型及轉(zhuǎn)換：vector.astype('float')
# 多維變一維：matrix.ravel()
# 矩陣的擴(kuò)展：a = np.arange(0, 40, 10)? ? b = np.tile(a, (3, 5))? ? # 行變成3倍，列變成5倍
# 水平拼接：np.hstack((a,b))? 豎直拼接：np.vstack((a,b))
# 豎直分割：np.hsplit(a,3)? ? #水平分割：np.vsplit(a,3)
8. Select the data in rows [3, 4, 8] and in columns ['animal', 'age'].
A：df.loc[df.index[[3,4,8]],['animal','age']]
行采用位置，列采用普通索引，這里利用index函數(shù)將位置變化為具體的普通索引，再利用loc函數(shù)
19. The 'priority' column contains the values 'yes' and 'no'. Replace this column with a column of boolean values: 'yes' should be True and 'no' should be False
A1：df['priority'].replace(['yes','no'],[True,False],inplace=True) 用replace函數(shù)替換
A2：df['priority'] = df['priority'].map({'yes': True, 'no': False}) 用map函數(shù)替換
最大最小值的索引：df.idxmax、df.idxmin
找出最大最小的前N個(gè)數(shù)：nlargest()和nsmallest()?
將原表分組 并設(shè)置分段區(qū)間 pd.cut(df['A'], np.arange(0, 101, 10))
resample函數(shù) 日期重采樣：s.resample('M').mean()
TimeGrouper 重組：s.groupby(pd.TimeGrouper('4M')).idxmax()
split 分割函數(shù)：temp = df['From_To'].str.split('_', expand=True) True為DataFrame
兩個(gè)DataFrame拼接用join：df = df.join(temp)
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #用來正常顯示中文標(biāo)簽
plt.rcParams['axes.unicode_minus']=False #用來正常顯示負(fù)號(hào)
%matplotlib inline 直接顯示
折線圖：plt.plot(x,y,color = 'r')
柱狀圖：plt.bar(x,y)? plt.barh(x,y) 多個(gè)bar x設(shè)置不同 堆積圖 bottom設(shè)置不同
散點(diǎn)圖：plt.scatter(x, y, c=colors, alpha=0.5, s = area)
直方圖：plt.hist(a,bins= 20) bin代表分隔的最小單位
plt.legend() 顯示圖例
for a,b in zip(X+W[i],data[i]):
plt.text(a,b,"%.0f"% b,ha="center",va= "bottom") 添加數(shù)據(jù)標(biāo)簽
plt.annotate('注釋文本',xy=(1, np.sin(1)),xytext=(2, 0.5), fontsize=16,arrowprops=dict(arrowstyle="-")) 添加注釋文本
plt.xlabel("Group") x軸標(biāo)題
plt.ylabel("Num") y軸標(biāo)題
fig, axes = plt.subplots(nrows=2, ncols=2,facecolor='darkslategray')? 繪制多個(gè)圖形
axes[0,0] axes[0,1] axes[1,0] axes[1,1]
pylab.rcParams['figure.figsize'] = (10, 6) # 調(diào)整圖片大小
動(dòng)態(tài)展示圖表
from pyecharts.charts import Bar
from pyecharts import options as opts
** pyecharts 繪圖的五個(gè)步驟：**
創(chuàng)建圖形對(duì)象：bar = Bar()
添加繪圖數(shù)據(jù)：bar.add_xaxis(["襯衫", "毛衣", "領(lǐng)帶", "褲子", "風(fēng)衣", "高跟鞋", "襪子"])
? ? ???????????????? bar.add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])
? ? ? ? ? ? ? ? ? ? ?bar.add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])
配置系列參數(shù)：對(duì)標(biāo)簽、線型等的一些設(shè)置
配置全局參數(shù)：bar.set_global_opts(title_opts=opts.TitleOpts(title="銷售情況"))
渲染圖片：生成本地 HTML 文件 bar.render("mycharts.html")? bar.render()
notebook 渲染：bar.render_notebook()
bar = (Bar()
.add_xaxis(["襯衫", "毛衣", "領(lǐng)帶", "褲子", "風(fēng)衣", "高跟鞋", "襪子"])
.add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])
.add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])
.set_global_opts(title_opts=opts.TitleOpts(title="某商場(chǎng)銷售情況"))
)
bar.render_notebook()
柱狀圖：Bar()
條形圖：bar.reversal_axis() #翻轉(zhuǎn)XY軸，將柱狀圖轉(zhuǎn)換為條形圖
折線圖：from pyecharts.charts import Line? line=Line()
餅圖：from pyecharts.charts import Page, Pie????Pie()?
轉(zhuǎn)換日期類型：df['order_dt']=pd. to_datetime (df.order_dt,format="%Y%m%d")
將日期轉(zhuǎn)換為月為單位：df['month']=df.order_dt.values. astype('datetime64[M]') 所有日期顯示為當(dāng)月第一天
去除日期單元值：order_diff/ np.timedelta64(1,'D')
過濾部分極值：grouped_user.sum() .query('order_products100') .order_amount
數(shù)據(jù)透視表：rfm=df.pivot_table( index ='user_id', values =['order_products','order_amount'], aggfunc ={'order_amount':'sum','order_products':'sum'})
map() 方法是pandas.series.map()方法, 對(duì)DF中的元素級(jí)別的操作, 可以對(duì)df的某列或某多列
applymap(func) 也是DF的屬性, 對(duì)整個(gè)DF所有元素應(yīng)用func操作
purchase_r=pivoted_counts.applymap(lambda x: 1 if x1 else np.NaN if x==0 else 0)
apply(func) 是DF的屬性, 對(duì)DF中的行數(shù)據(jù)或列數(shù)據(jù)應(yīng)用func操作,也可用于Series
apply(lambda x:x.cumsum()/x.sum())? ? 累計(jì)占比
apply(lambda x:x/x.sum(),axis=0)? ? ?每一列中每行數(shù)據(jù)占比
下周開始進(jìn)入數(shù)據(jù)分析思維的課程，很期待后面的課程以及項(xiàng)目，加油！
列表中的數(shù)據(jù)種類很多，有字符串，有整型，有其他列表的嵌套，還有更多的數(shù)據(jù)類型，這些數(shù)據(jù)在列表中往往是錯(cuò)亂的，沒有一定的邏輯關(guān)系，但是我們?cè)谑褂昧斜淼臅r(shí)候往往需要按照一定的邏輯關(guān)系進(jìn)行調(diào)用或檢索。下面就來看看 列表是如何排序和翻轉(zhuǎn)的 ，所謂翻轉(zhuǎn)也就是把既定列表倒序排列。
返回結(jié)果：
從上面的返回結(jié)果可以看出來，sort()函數(shù)如果遇到字符串是按照首字母順序進(jìn)行排列的，如果遇到浮點(diǎn)型數(shù)據(jù)還是按照大小排列。
由上面的結(jié)果可以看出來，不同的數(shù)據(jù)類型是沒有辦法進(jìn)行排列的。
這個(gè)方法是把原列表中的元素順序從左至右的重新存放，而不會(huì)對(duì)列表中的參數(shù)進(jìn)行排序整理。如果需要對(duì)列表中的參數(shù)進(jìn)行整理，就需要用到列表的另一種排序方式sort正序排序。
[::-1]實(shí)現(xiàn)翻轉(zhuǎn)功能。
Python 的切片功能實(shí)際上比很多程序員認(rèn)為的更強(qiáng)大。
a = m [ 0 : 100 : 10 ] # 帶步進(jìn)的切片（步進(jìn)值=10）
注意：步進(jìn)值為step
當(dāng)step 0 時(shí)
切片從 start(含start)處開始，到end（不含end）處結(jié)束，**從左往右**，每隔（step-1）（索引之間的差仍為step，但相隔的元素是step-1個(gè)）個(gè)元素進(jìn)行一次截取。
這時(shí)，start 指向的位置應(yīng)該在end指向的位置的左邊，否則返回值為空
當(dāng)step 0 時(shí)
切片從 start(含start)處開始，到end（不含end）處結(jié)束，**從右往左**，每隔（step-1）（索引之間的差仍為step，但相隔的元素是step-1個(gè)）個(gè)元素進(jìn)行一次截取。
這時(shí)，start 指向的位置應(yīng)該在end指向的位置的右邊，否則返回值為空
重慶分公司
重慶分公司
