python swapaxes函數怎么用

#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、務實、高效、創新、把客戶的事當成自己的事”是我們每一個人一直以來堅持追求的企業文化。 成都創新互聯是您可以信賴的網站建設服務商、專業的互聯網服務提供商! 專注于成都網站設計、網站建設、軟件開發、設計服務業務。我們始終堅持以客戶需求為導向，結合用戶體驗與視覺傳達，提供有針對性的項目解決方案，提供專業性的建議，創新互聯建站將不斷地超越自我，追逐市場，引領市場！

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]])

python中eval是干嘛的

以python 3.8.5150.0版本為例，python中eval函數作用如下：

1、計算字符串中有效的表達式，并返回結果。

2、將字符串轉成相應的對象（如list、tuple、dict和string之間的轉換）。

3、將利用反引號轉換的字符串再反轉回對象。

參數解析：

expression：這個參數是一個字符串，python會使用globals字典和locals字典作為全局和局部的命名空間，將expression當作一個python表達式進行解析和計算。

globals：這個參數控制的是一個全局的命名空間，也就是我們在計算表達式的時候可以使用全局的命名空間中的函數，如果這個參數被提供了。

并且沒有提供自定義的builtins(python的內建模塊)，那么會將當前環境中的builtins拷貝到提供的globals里，然后進行計算。如果globals沒有被提供，則使用python的全局命名空間。

locals：這個參數控制的是一個局部的命名空間，和globals類似，不過當它和globals中有重復的部分時，locals里的定義會覆蓋掉globals中的，也就是說當globals和locals中有沖突的部分時，locals說了算，它有決定權，以它的為準。如果locals沒有被提供的話，則默認為globals。

python散點圖橫坐標文字傾斜

在 python 中使用 matplotlib 繪制散點圖時，可以使用 xtick.set_rotation() 函數來設置 x 軸刻度標簽的旋轉角度。例如，要將 x 軸刻度標簽傾斜 45 度，可以使用以下代碼：

Copy code

import matplotlib.pyplot as plt

# 繪制散點圖

plt.scatter(x, y)

# 獲取 x 軸的刻度對象

xticks = plt.gca().get_xticks()

# 設置 x 軸刻度標簽的旋轉角度

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() 函數繪制散點圖，然后使用 plt.gca().get_xticks() 函數獲取 x 軸的刻度對象。接著，我們使用 plt.gca().set_xticklabels() 函數設置 x 軸刻度標簽的旋轉角度，最后使用 plt.show() 函數顯示圖形。

注意：在調用 plt.scatter() 函數之前，需要先設置 x 和 y 軸的數據。

數據蛙-Python進階

這是漫長的一周，本周完成了Python的進階模塊，主要是pandas、numpy、matplotlib、seaborn、pyecharts這些模塊的學習以及一個實際的案例：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，在不斷出錯不斷嘗試中知識得到了積累，另外可視化部分沒有什么練習題，希望后面可以加上一些這方面的練習，接下來分模塊來總結一下學習的內容。

重新設置索引：df.set_index()

Series格式轉換為DataFrame：df.to_frame()

文件讀取：pd.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)

替換一個值：df.replace({'name':{'小明':'xiaoming'}},inplace=True)

對數據進行排序：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

數據拼接：pd.concat([left,right],axis=1)

# 指定列進行關聯，默認是 inner join ????result = pd.merge(left,right,on='key')

#多個關聯條件：result = pd.merge(left, right, on=['key1', 'key2'])

#左連接：result = pd.merge(left, right, how='left', on=['key1', 'key2'])

# 列名不一樣的關聯：pd.merge(left,right,left_on = ['key1','key2'],right_on = ['key3','key4'])

#單個分組：groups = df.groupby('district')

# 作用多個聚合函數：groups.agg([np.mean,np.sum,np.std])

# 針對具體列聚合 groups.age.agg([np.mean,np.sum,np.std])

# 不同列不同聚合函數 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，30為結尾取不到：np.arange(10, 30, 5)

#隨機矩陣：np.random.random((2,3))

# 平均劃分：np.linspace( 0, 2*pi, 100 )

# 類型及轉換：vector.astype('float')

# 多維變一維：matrix.ravel()

# 矩陣的擴展：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函數將位置變化為具體的普通索引，再利用loc函數

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函數替換

A2：df['priority'] = df['priority'].map({'yes': True, 'no': False}) 用map函數替換

最大最小值的索引：df.idxmax、df.idxmin

找出最大最小的前N個數：nlargest()和nsmallest()?

將原表分組 并設置分段區間 pd.cut(df['A'], np.arange(0, 101, 10))

resample函數 日期重采樣：s.resample('M').mean()

TimeGrouper 重組：s.groupby(pd.TimeGrouper('4M')).idxmax()

split 分割函數：temp = df['From_To'].str.split('_', expand=True) True為DataFrame

兩個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簽

plt.rcParams['axes.unicode_minus']=False #用來正常顯示負號

%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bar x設置不同 堆積圖 bottom設置不同

散點圖：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") 添加數據標簽

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軸標題

plt.ylabel("Num") y軸標題

fig, axes = plt.subplots(nrows=2, ncols=2,facecolor='darkslategray')? 繪制多個圖形

axes[0,0] axes[0,1] axes[1,0] axes[1,1]

pylab.rcParams['figure.figsize'] = (10, 6) # 調整圖片大小

動態展示圖表

from pyecharts.charts import Bar

from pyecharts import options as opts

** pyecharts 繪圖的五個步驟：**

創建圖形對象：bar = Bar()

添加繪圖數據：bar.add_xaxis(["襯衫", "毛衣", "領帶", "褲子", "風衣", "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：對標簽、線型等的一些設置

配置全局參數：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", "領帶", "褲子", "風衣", "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="某商場銷售情況"))

)

bar.render_notebook()

柱狀圖：Bar()

條形圖：bar.reversal_axis() #翻轉XY軸，將柱狀圖轉換為條形圖

折線圖：from pyecharts.charts import Line? line=Line()

餅圖：from pyecharts.charts import Page, Pie????Pie()?

轉換日期類型：df['order_dt']=pd. to_datetime (df.order_dt,format="%Y%m%d")

將日期轉換為月為單位：df['month']=df.order_dt.values. astype('datetime64[M]') 所有日期顯示為當月第一天

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

數據透視表：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DF中的元素級別的操作, 可以對df的某列或某多列

applymap(func) 也是DF的屬性, 對整個DF所有元素應用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DF中的行數據或列數據應用func操作,也可用于Series

apply(lambda x:x.cumsum()/x.sum())? ? 累計占比

apply(lambda x:x/x.sum(),axis=0)? ? ?每一列中每行數據占比

下周開始進入數據分析思維的課程，很期待后面的課程以及項目，加油！

Python對列表排序函數sort()和reverse()的講解

列表中的數據種類很多，有字符串，有整型，有其他列表的嵌套，還有更多的數據類型，這些數據在列表中往往是錯亂的，沒有一定的邏輯關系，但是我們在使用列表的時候往往需要按照一定的邏輯關系進行調用或檢索。下面就來看看 列表是如何排序和翻轉的 ，所謂翻轉也就是把既定列表倒序排列。

返回結果：

從上面的返回結果可以看出來，sort()函數如果遇到字符串是按照首字母順序進行排列的，如果遇到浮點型數據還是按照大小排列。

由上面的結果可以看出來，不同的數據類型是沒有辦法進行排列的。

這個方法是把原列表中的元素順序從左至右的重新存放，而不會對列表中的參數進行排序整理。如果需要對列表中的參數進行整理，就需要用到列表的另一種排序方式sort正序排序。

python字符串反轉遞歸函數為什么等于空格為基例

[::-1]實現翻轉功能。

Python 的切片功能實際上比很多程序員認為的更強大。

a = m [ 0 : 100 : 10 ] # 帶步進的切片（步進值=10）

注意：步進值為step

當step 0 時

切片從 start(含start)處開始，到end（不含end）處結束，**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）個元素進行一次截取。

這時，start 指向的位置應該在end指向的位置的左邊，否則返回值為空

當step 0 時

切片從 start(含start)處開始，到end（不含end）處結束，**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）個元素進行一次截取。

這時，start 指向的位置應該在end指向的位置的右邊，否則返回值為空