# 数据分析-实验 ## Te-s-r-act，是 TensorAct，还是Tesseract ? {% content-ref url="../management-cockpit-operation/zi-chan-pei-zhi/ling-hang-duo-lei-da/zhuo-er-jin-sheng-ji-5-shen-jing-wang-luo" %} [zhuo-er-jin-sheng-ji-5-shen-jing-wang-luo](https://www.bfm-unity.org/2.0.0/qian-xian/management-cockpit-operation/zi-chan-pei-zhi/ling-hang-duo-lei-da/zhuo-er-jin-sheng-ji-5-shen-jing-wang-luo) {% endcontent-ref %} {% hint style="info" %} ### 问题描述 ### ### 使用工具 [Anaconda](https://www.anaconda.com/) (Jupyter Notebook，Jupyter Lab，Numpy，Pandas，SciPy，TensorFlow，Keras)还有matplotlib，差点忘了 [**TensorFlow**](https://www.tensorflow.org/) **|** [**TensorBoard**](https://www.tensorflow.org/tensorboard?hl=zh-cn) **|** [**TensorBoard.dev**](https://tensorboard.dev/) **|** [**Google Colab**](https://colab.research.google.com/notebooks/intro.ipynb)\*\*\*\* [**https://playground.tensorflow.org/**](https://playground.tensorflow.org/)\*\*\*\* \*\*\*\*[**https://nbviewer.jupyter.org/**](https://nbviewer.jupyter.org/)\*\*\*\* #### 数据来源 [MVRV](https://www.qkl123.com/data/mvrv/btc) | [S2F](https://www.qkl123.com/data/s2f/btc) | [NVT](https://www.qkl123.com/data/nvt/btc) {% endhint %} ![](https://1260577746-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FgqpPlwTQfAEjXOBFmDK6%2Fuploads%2Fgit-blob-e79521fec1169c8fe60abfe3bc98c7ba20894efb%2Fa4_3.png?alt=media) [22 款神经网络的设计和可视化工具](https://www.huaweicloud.com/articles/d90130bfd852a55e505155e381ebfab1.html) [Mac版Excel如何添加数据分析功能？](https://answers.microsoft.com/zh-hans/msoffice/forum/all/mac%E7%89%88excel%E5%A6%82%E4%BD%95%E6%B7%BB/4f9c7fcf-ba8a-4f1a-8f00-bc35a43cb480) [机器学习-回归问题(Regression)](https://zhuanlan.zhihu.com/p/127972563) [标准化、归一化、正规化](https://zhuanlan.zhihu.com/p/73080065) [一文读懂机器学习分类算法（附图文详解）](https://zhuanlan.zhihu.com/p/82114104) [Q\&A: 机器学习与金融行业](http://www.fintechgl.com/articles/59) ## 开发环境 ![](https://1260577746-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FgqpPlwTQfAEjXOBFmDK6%2Fuploads%2Fgit-blob-a1acb39af571c6c40558b94280eb97ee80fe3459%2Fping-mu-kuai-zhao-20210709-shang-wu-7.54.06.png?alt=media) ![](https://1260577746-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FgqpPlwTQfAEjXOBFmDK6%2Fuploads%2Fgit-blob-265b97426a6f9b163111091b56e4aa60155bfd6c%2Fqq20210625-2.jpg?alt=media) **pandas**是一个数据处理的包，本身提供了许多读取文件的函数，像read\_csv（读取csv文件），read\_excel（读取excel文件）等，只需一行代码就能实现文件的读取。 ## 规整化算法 第一步：去指数转线性，y = LN(x/x的几何平均数)，\ 第二步：Logistic 模式 ，y = 1/(1+e^(-x))\ 第三步：z-score 标准化，y=(x-μ)/σ 只要经过这三步处理，不管之前是怎样分布的数据，都会转化为标准正态分布。 ## 研发进度 ### 2021.7.9 安装了Anaconda，借助Anaconda 安装了\ Jupyter Notebook，Jupyter Lab，Numpy，Pandas，SciPy，TensorFlow，Keras\ 还有matplotlib，差点忘了 课程？[在看了在看了](https://www.bilibili.com/video/BV1rz4y117p1)。 ```python from tensorflow import keras import numpy as np import pandas as pd import matplotlib.pyplot as plt ``` 找到了 [TensorFlow学习笔记](https://www.zhihu.com/column/c_1377756991213998081) ，发现逻辑回归分类问题应该用**交叉熵损失函数，而不是均方误差MSE损失函数** \*\*\*\*[交叉熵](https://baike.baidu.com/item/%E4%BA%A4%E5%8F%89%E7%86%B5/8983241) | \*\*\*\*[损失函数](https://baike.baidu.com/item/%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0/1783236) | [归一化指数函数](https://baike.baidu.com/item/%E5%BD%92%E4%B8%80%E5%8C%96%E6%8C%87%E6%95%B0%E5%87%BD%E6%95%B0)(Softmax函数) [matplotlib-tutorial](https://www.runoob.com/w3cnote/matplotlib-tutorial.html) 学会复制粘贴了，这是一种进步 [python-tutorial](https://www.runoob.com/python/python-tutorial.html) 找到了python基础教程，重新回去学python 不学了，要吐了 再想想 找到了一本书：利用Python进行数据分析：[![](https://gblobscdn.gitbook.com/spaces%2F-LF_s_ql-GHXb31QEE8_%2Favatar.png?alt=media)README](https://seancheney.gitbook.io/python-for-data-analysis-2nd/) 找到了英文版 找到了中文版 * [Chapter 4: NumPy Basics: Arrays and Vectorized Computation（NumPy基础：数组和向量化计算）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/tree/master/Chapter-04/) * [4.1 The NumPy ndarray: A Multidimensional Array Object（ndarray: 多维数组对象)](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-04/4.1%20The%20NumPy%20ndarray%EF%BC%88%E5%A4%9A%E7%BB%B4%E6%95%B0%E7%BB%84%E5%AF%B9%E8%B1%A1%EF%BC%89.ipynb) * [4.2 Universal Functions: Fast Element-Wise Array Functions（通用函数：快速点对点数组函数）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-04/4.2%20Universal%20Functions%20\(%E9%80%9A%E7%94%A8%E5%87%BD%E6%95%B0\).ipynb) * [4.3 Array-Oriented Programming with Arrays（数组导向编程）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-04/4.3%20Array-Oriented%20Programming%20with%20Arrays%EF%BC%88%E6%95%B0%E7%BB%84%E5%AF%BC%E5%90%91%E7%BC%96%E7%A8%8B%EF%BC%89.ipynb) * [Chapter 5: Getting Started with pandas（开始使用pandas）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/tree/master/Chapter-05/) * [5.1 Introduction to pandas Data Structures（pandas的数据结构）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-05/5.1%20Introduction%20to%20pandas%20Data%20Structures%EF%BC%88pandas%E7%9A%84%E6%95%B0%E6%8D%AE%E7%BB%93%E6%9E%84%EF%BC%89.ipynb) * [5.2 Essential Functionality（主要功能）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-05/5.2%20Essential%20Functionality%EF%BC%88%E4%B8%BB%E8%A6%81%E5%8A%9F%E8%83%BD%EF%BC%89.ipynb) * [5.3 Summarizing and Computing Descriptive Statistics（汇总和描述性统计）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-05/5.3%20Summarizing%20and%20Computing%20Descriptive%20Statistics%EF%BC%88%E6%80%BB%E7%BB%93%E5%92%8C%E6%8F%8F%E8%BF%B0%E6%80%A7%E7%BB%9F%E8%AE%A1%EF%BC%89.ipynb) * [Chapter 7: Data Cleaning and Preparation（数据清洗和准备）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/tree/master/Chapter-07/) * [7.1 Handling Missing Data（处理缺失数据）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-07/7.1%20Handling%20Missing%20Data%EF%BC%88%E5%A4%84%E7%90%86%E7%BC%BA%E5%A4%B1%E6%95%B0%E6%8D%AE%EF%BC%89.ipynb) * [7.2 Data Transformation（数据变换）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-07/7.2%20Data%20Transformation%EF%BC%88%E6%95%B0%E6%8D%AE%E5%8F%98%E6%8D%A2%EF%BC%89.ipynb) * [7.3 String Manipulation（字符串处理）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-07/7.3%20String%20Manipulation%EF%BC%88%E5%AD%97%E7%AC%A6%E4%B8%B2%E5%A4%84%E7%90%86%EF%BC%89.ipynb) * [Chapter 11: Time Series（时间序列）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/tree/master/Chapter-11/) * [11.1 Date and Time Data Types and Tools（日期和时间数据类型及其工具）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-11/11.1%20Date%20and%20Time%20Data%20Types%20and%20Tools%EF%BC%88%E6%97%A5%E6%9C%9F%E5%92%8C%E6%97%B6%E9%97%B4%E6%95%B0%E6%8D%AE%E7%B1%BB%E5%9E%8B%E5%8F%8A%E5%85%B6%E5%B7%A5%E5%85%B7%EF%BC%89.ipynb) * [11.2 Time Series Basics（时间序列基础）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-11/11.2%20Time%20Series%20Basics%EF%BC%88%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E5%9F%BA%E7%A1%80%EF%BC%89.ipynb) * [11.3 Date Ranges, Frequencies, and Shifting（日期范围，频度，和位移）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-11/11.3%20Date%20Ranges%2C%20Frequencies%2C%20and%20Shifting%EF%BC%88%E6%97%A5%E6%9C%9F%E8%8C%83%E5%9B%B4%EF%BC%8C%E9%A2%91%E5%BA%A6%EF%BC%8C%E5%92%8C%E4%BD%8D%E7%A7%BB%EF%BC%89.ipynb) * [Chapter 12: Advanced pandas（高级pandas用法）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/tree/master/Chapter-12/) * [12.1 Categorical Data（类别数据）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-12/12.1%20Categorical%20Data%EF%BC%88%E7%B1%BB%E5%88%AB%E6%95%B0%E6%8D%AE%EF%BC%89.ipynb) * [Chapter 14: Data Analysis Examples（数据分析实例）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/tree/master/Chapter-14/) * [14.1 USA.gov Data from Bitly（USA.gov数据集）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-14/14.1%20USA.gov%20Data%20from%20Bitly%EF%BC%88USA.gov%E6%95%B0%E6%8D%AE%E9%9B%86%EF%BC%89.ipynb) * [14.2 MovieLens 1M Dataset（MovieLens 1M数据集）](http://nbviewer.jupyter.org/github/LearnXu/pydata-notebook/blob/master/Chapter-14/14.2%20MovieLens%201M%20Dataset%EF%BC%88MovieLens%201M%E6%95%B0%E6%8D%AE%E9%9B%86%EF%BC%89.ipynb) * [14.3 US Baby Names 1880–2010（1880年至2010年美国婴儿姓名](http://nbviewer.jupyter.org/github/BrambleXu/pydata-notebook/blob/master/Chapter-14/14.3%20US%20Baby%20Names%201880%E2%80%932010%EF%BC%881880%E5%B9%B4%E8%87%B32010%E5%B9%B4%E7%BE%8E%E5%9B%BD%E5%A9%B4%E5%84%BF%E5%A7%93%E5%90%8D%EF%BC%89.ipynb)\*\*\*\* **pandas**是一个数据处理的包，本身提供了许多读取文件的函数，像read\_csv（读取csv文件），read\_excel（读取excel文件）等，只需一行代码就能实现文件的读取。 ### 2021.7.10 [python pandas read\_html快读读取中国商情网的A股，港股以及新三板股票](https://www.bilibili.com/video/BV1aQ4y1A7fh) [pandas.read\_csv 详细介绍](https://www.gairuo.com/p/pandas-read-csv) [pandas.read\_excel 详细介绍](https://www.gairuo.com/p/pandas-read-excel) ### 教程 [30分钟带你入门数据分析工具 Pandas](https://oicebot.github.io/2018/09/05/30-mins-into-pandas-for-data-science.html) [十分钟入门 Pandas](https://www.pypandas.cn/docs/getting_started/10min.html) 🚩 ### 读取写入数据 * CSV * [写入 CSV 文件 (opens new window)](https://pandas.pydata.org/pandas-docs/stable/user_guide/io.html#io-store-in-csv)。 ``` In [143]: df.to_csv('foo.csv') ``` * * 读取 CSV 文件数据： ``` In [144]: pd.read_csv('foo.csv') ``` * Excel * 详见 [Excel (opens new window)](https://pandas.pydata.org/pandas-docs/stable/user_guide/io.html#io-excel)文档。 * 写入 Excel 文件： ``` In [147]: df.to_excel('foo.xlsx', sheet_name='Sheet1') ``` * * 读取 Excel 文件： ``` In [148]: pd.read_excel('foo.xlsx', 'Sheet1', index_col=None, na_values=['NA']) ``` ### Pandas 数据结构 #### 1. Series Series 是一种一维数组，和 NumPy 里的数组很相似。事实上，Series 基本上就是基于 NumPy 的数组对象来的。和 NumPy 的数组不同，Series 能为数据自定义标签，也就是索引（index），然后通过索引来访问数组中的数据。 ``` import numpy as np import pandas as pd ``` 创建一个 Series 的基本语法如下： ``` my_series = pd.Series(data, index) ``` #### 2. DataFrames Pandas 的 DataFrame（数据表）是一种 2 维数据结构，数据以表格的形式存储，分成若干行和列。通过 DataFrame，你能很方便地处理数据。常见的操作比如选取、替换行或列的数据，还能重组数据表、修改索引、多重筛选等。 构建一个 DataFrame 对象的基本语法如下： ``` pd.DataFrame(data,index) ``` ``` df = pd.DataFrame(data,index) ``` ### 可视化 详见[可视化 (opens new window)](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html#visualization)文档。 ``` In [135]: ts = pd.Series(np.random.randn(1000), .....: index=pd.date_range('1/1/2000', periods=1000)) .....: In [136]: ts = ts.cumsum() In [137]: ts.plot() Out[137]: ``` ![可视化](https://static.pypandas.cn/public/static/images/series_plot_basic.png) DataFrame 的 [plot() (opens new window)](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html#visualization)方法可以快速绘制所有带标签的列： ``` In [138]: df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, .....: columns=['A', 'B', 'C', 'D']) .....: In [139]: df = df.cumsum() In [140]: plt.figure() Out[140]:
In [141]: df.plot() Out[141]: In [142]: plt.legend(loc='best') Out[142]: ``` ![可视化2](https://static.pypandas.cn/public/static/images/frame_plot_basic.png) ## [【美国微软大神的数据分析课】Pandas vs Excel](https://www.bilibili.com/video/BV1rt411y7PY) 🚩 ## [python3带你玩转excel--工作党福利--（评论区附有课件和代码）](https://www.bilibili.com/video/BV1W7411G7wP)🚩 ## [Excel动态仪表盘制作流程，非常详细【完结】](https://www.bilibili.com/video/BV1ov41147UG)🚩 ## [python实现统计学包Scipy所有语法](https://www.bilibili.com/read/cv12026943) 🚩 ## [python 正态分布\_python绘制正态分布及三大抽样分布的概率密度图像](https://blog.csdn.net/weixin_39725403/article/details/111293843) ## [太玄的工具库0X04 NumPy SciPy](https://www.bilibili.com/read/cv115510) 🚩 ## [【2021新版】Python入门编程100例，用小例子提升实战技能！](https://www.bilibili.com/video/BV1of4y1a7pz) ## [python3带你玩转excel--工作党福利--（评论区附有课件和代码）](https://www.bilibili.com/video/BV1W7411G7wP) | | | | | -------------------- | ------------------ | -------------------------------------------------------------------------------------------------------------- | | numpy | np.array # ndarray | NumPy 提供了很多[统计函数](https://www.runoob.com/numpy/numpy-statistical-functions.html)，用于从数组中查找最小元素，最大元素，百分位标准差和方差等。 | | scipy | | scipy.stats | | pandas | Series,DataFrame | excel,csv | | matplotlib | | | | tensorflow | | keras | | | | | | IPython | | | | Spyder | | | | Jupyter Notebook/Lab | | | | PyCharm | | | [SciPy - Stats\_学习Scipy|WIKI教程](https://iowiki.com/scipy/scipy_stats.html) [Scipy统计函数- Scipy教程™ - 易百教程](https://www.yiibai.com/scipy/scipy_stats.html) 🚩 [NumPy Ndarray 对象| 菜鸟教程](https://www.runoob.com/numpy/numpy-ndarray-object.html) [Scipy统计函数- Scipy教程教学| 程式教程网- 亿聚网](https://www.1ju.org/scipy/scipy-stats) ## [1.5 ScSciPy Lecture Notes 中文版 🚩](https://wizardforcel.gitbooks.io/scipy-lecture-notes/content/4.html) * [scipy：高级科学计算| SciPy Lecture Notes 中文版 🚩](https://wizardforcel.gitbooks.io/scipy-lecture-notes/content/4.html) ## 1.5 Scipy：高级科学计算 作者：Adrien Chauve, Andre Espaze, Emmanuelle Gouillart, Gaël Varoquaux, Ralf Gommers **Scipy** `scipy`包包含许多专注于科学计算中的常见问题的工具箱。它的子模块对应于不同的应用，比如插值、积分、优化、图像处理、统计和特殊功能等。 `scipy`可以与其他标准科学计算包相对比，比如GSL (C和C++的GNU科学计算包), 或者Matlab的工具箱。`scipy`是Python中科学程序的核心程序包；这意味着有效的操作`numpy`数组，因此，numpy和scipy可以一起工作。 在实现一个程序前，有必要确认一下需要的数据处理时候已经在scipy中实现。作为非专业程序员，科学家通常倾向于**重新发明轮子**，这产生了小玩具、不优化、很难分享以及不可以维护的代码。相反，scipy的程序是优化并且测试过的，因此应该尽可能使用。 **警告** 这个教程根本不是数值计算的介绍。因为列举scipy的不同子模块和功能将会是非常枯燥的，相反我们将聚焦于列出一些例子，给出如何用scipy进行科学计算的大概思路。 scipy是由针对特定任务的子模块组成的： | | | | --------------------------------------------------------------------------------------------------- | ------------- | | [`scipy.cluster`](http://docs.scipy.org/doc/scipy/reference/cluster.html#scipy.cluster) | 向量计算 / Kmeans | | [`scipy.constants`](http://docs.scipy.org/doc/scipy/reference/constants.html#scipy.constants) | 物理和数学常量 | | [`scipy.fftpack`](http://docs.scipy.org/doc/scipy/reference/fftpack.html#scipy.fftpack) | 傅里叶变换 | | [`scipy.integrate`](http://docs.scipy.org/doc/scipy/reference/integrate.html#scipy.integrate) | 积分程序 | | [`scipy.interpolate`](http://docs.scipy.org/doc/scipy/reference/interpolate.html#scipy.interpolate) | 插值 | | [`scipy.io`](http://docs.scipy.org/doc/scipy/reference/io.html#scipy.io) | 数据输入和输出 | | [`scipy.linalg`](http://docs.scipy.org/doc/scipy/reference/linalg.html#scipy.linalg) | 线性代数程序 | | [`scipy.ndimage`](http://docs.scipy.org/doc/scipy/reference/ndimage.html#scipy.ndimage) | n-维图像包 | | [`scipy.odr`](http://docs.scipy.org/doc/scipy/reference/odr.html#scipy.odr) | 正交距离回归 | | [`scipy.optimize`](http://docs.scipy.org/doc/scipy/reference/optimize.html#scipy.optimize) | 优化 | | [`scipy.signal`](http://docs.scipy.org/doc/scipy/reference/signal.html#scipy.signal) | 信号处理 | | [`scipy.sparse`](http://docs.scipy.org/doc/scipy/reference/sparse.html#scipy.sparse) | 稀疏矩阵 | | [`scipy.spatial`](http://docs.scipy.org/doc/scipy/reference/spatial.html#scipy.spatial) | 空间数据结构和算法 | | [`scipy.special`](http://docs.scipy.org/doc/scipy/reference/special.html#scipy.special) | 一些特殊数学函数 | | [`scipy.stats`](http://docs.scipy.org/doc/scipy/reference/stats.html#scipy.stats) | 统计 | 他们全都依赖于[numpy](http://docs.scipy.org/doc/numpy/reference/index.html#numpy), 但是大多数是彼此独立的。导入Numpy和Scipy的标准方式： In \[1]: ``` import numpy as np from scipy import stats # 其他的子模块类似 ``` `scipy`的主要命名空间通常包含的函数其实是numpy（试一下`scipy.cos`其实是`np.cos`) 。这些函数的暴露只是因为历史原因；通常没有必要在你的代码中使用`import scipy`。 ![](https://1260577746-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FgqpPlwTQfAEjXOBFmDK6%2Fuploads%2Fgit-blob-65e2d70c4d74bd4cf9352f41d85a213281f52758%2Fa3.png?alt=media) ## [如何系统地学习Python 中 matplotlib, numpy, scipy, pandas？](https://www.zhihu.com/question/37180159/answer/304720890) {% hint style="info" %} * [【美国微软大神的数据分析课】Pandas vs Excel](https://www.bilibili.com/video/BV1rt411y7PY) 🚩 * [python3带你玩转excel--工作党福利--（评论区附有课件和代码）](https://www.bilibili.com/video/BV1W7411G7wP)🚩 * [如何系统地学习Python 中 matplotlib, numpy, scipy, pandas？](https://www.zhihu.com/question/37180159/answer/304720890)🚩 * \*\*\*\*[**机器学习之数据的偏态分布和数据的标准化**](https://blog.csdn.net/m0_37870649/article/details/80638179)**🚩** * [人工智能实践：Tensorflow笔记](https://www.icourse163.org/course/PKU-1002536002?tid=1452937471)🚩 {% endhint %} ## 2021.7.13 ### columns 列 ### 连接 pandas.concat() pandas.concat()通常用来连接DataFrame对象。\ [pandas中concat()的用法](https://zhuanlan.zhihu.com/p/69224745) #### .reset\_index(drop=True) ### 索引 pandas (loc、iloc、ix) [pandas (loc、iloc、ix)的区别](https://www.cnblogs.com/keye/p/7825280.html)\ \*\*loc：\*\*通过行标签索引数据\ \*\*iloc：\*\*通过行号索引行数据\ \*\*ix：\*\*通过行标签或行号索引数据（基于loc和iloc的混合） ### 删除 pandas.drop(columns=\_\_\_\_\_) ### 插入 pandas.insert(1,columns=\_\_\_\_\_,value=\_\_\_\_\_) ### 改名 pandas.rename(字典) ### line 行 ### 追加.append #### .reset\_index(drop=True) ### .at ### 删除行.index ### .concat(),.iloc(),.drop(),.insert(),.rename(),.append(),.reset\_index(),.at(),.index() [原创 PANDAS 数据合并与重塑（concat篇）](https://blog.csdn.net/stevenkwong/article/details/52528616) [原创 PANDAS 数据合并与重塑（join/merge篇）](https://blog.csdn.net/stevenkwong/article/details/52540605) [原创 pandas笔记 基础／groupby／concat／merge／join](https://blog.csdn.net/sinat_27400761/article/details/79647448) [原创 Series 创建、索引、删除、数学运算 归纳总结](https://blog.csdn.net/Krinys/article/details/105668376) [数据分析之Pandas（四）DataFrame运算](https://blog.csdn.net/qq_42642945/article/details/88636151) [pandas笔记（7）DataFrame数学运算](https://blog.csdn.net/weixin_44830542/article/details/108248919) ## 三维散点图 [Python绘制三维散点图](https://blog.csdn.net/qq_29066329/article/details/89916973) [matplotlib绘制三维散点图](https://blog.csdn.net/qq_41149269/article/details/81774026) ## 二维散点图（高级） [厉害了，Matplotlib还能这样画散点图！](https://cloud.tencent.com/developer/article/1708487) ## 简单图形绘制 [Python Pandas 图形绘制（一）：折线图，柱状图](https://blog.csdn.net/qq_42067550/article/details/106366432) [matplotlib绘制直方图、条形图和饼图](https://blog.csdn.net/hohaizx/article/details/79101322) [68–95–99.7原则](https://zh.wikipedia.org/wiki/68%E2%80%9395%E2%80%9399.7%E5%8E%9F%E5%89%87) [Python求均值，方差，标准差](https://blog.csdn.net/qq_38826019/article/details/82875407) [pandas数据合并之一文弄懂pd.concat（）](https://zhuanlan.zhihu.com/p/132593960) [pandas-DataFrame列移动](https://blog.csdn.net/sinat_41701878/article/details/80945861) [Python-pandas的fillna()方法-填充空值](https://blog.csdn.net/qq_17753903/article/details/89892631) [Pandas中把dataframe和np.array的相互转换](https://blog.csdn.net/weixin_39223665/article/details/79935467) [将Pandas中的DataFrame转换成Numpy中数组](https://blog.csdn.net/weixin_42263508/article/details/90487483) [pandas将字段中的字符类型转化为时间类型，并设置为索引](https://blog.csdn.net/onemorepoint/article/details/86174624) [pandas设置index索引的标签名](https://blog.csdn.net/RogerFedereYY/article/details/109121721) [高效的5个pandas函数，你都用过吗？](https://zhuanlan.zhihu.com/p/258699675) ## [Pandas 窗口函数](https://geek-docs.com/pandas/pandas-tutorials/pandas-window-function.html) [PythonPandas-根据给定的窗口并从某个值开始计算某一列的和。](https://cloud.tencent.com/developer/ask/189430) [如何更快计算Dataframe里某一列中，上下两值的差值](https://blog.csdn.net/C10997/article/details/109526567) [pandas应用——滚动计算、筛选、判断空值、列移动、行列删除](https://blog.csdn.net/lamusique/article/details/95099965) [python数据处理——同一行或同一列的错位相减法](https://blog.csdn.net/m0_37876745/article/details/85163883) [【python】pandas库常用函数之shift详解](https://blog.csdn.net/brucewong0516/article/details/80157639) [pandas选择单元格，选择行列](https://www.cnblogs.com/guxh/p/8627251.html) 🚩 [数据可视化—使用matplotlib绘制常用类型图表](https://zhuanlan.zhihu.com/p/357477796) [matplotlib画3D图形时设置z轴尺寸](https://blog.csdn.net/qq_41009742/article/details/106292396) [np.log 和math.log的底数是什么，默认都是e](https://www.cnblogs.com/cgmcoding/p/13640281.html) ## 已经实现部分代码并开源 {% embed url="" %} {% embed url="" %}