import numpy as np # def Sort()代码越短越好 # 普通的排序 n1 = np.array([2, 4, 5, 7, 1]) def sort(nd): for i in range(nd.size): for j in range(i, nd.size): if nd[i] > nd[j]: nd[i], nd[j] = nd[j], nd[i] return nd sort(n1) print(n1) # 降低运算的空间复杂度和时间复杂度 n2 = np.arr...

import numpy as np # 1.基本矩阵操作 # 1)算术运算符：加减乘除 n = np.random.randint(0, 10, size=(4, 5)) print(n) n1 = n + 10 print(n1) n2 = np.add(n, 10) print(n2) n3 = n/2 print(n3) # 2)矩阵积np.dot() n4 = np.random.randint(0, 10, size=(2, 3)) n5 = np.random.randint(0, 10, size=(3, 2)) print("***************...

import numpy as np import matplotlib.pyplot as plt # 1.索引 一维与列表完全一致 多维也与列表完全一致 可以根据索引修改数据 n1 = np.random.randint(0, 100, 10) print(n1, "索引为3的值为:%d" % n1[3]) # [13 44 75 33 49 59 42 17 38 18] 索引为3的值为:33 n2 = np.random.randint(0, 100, (3, 4)) print(n2, "n2[1][2]的值为:%d" % n2[1...

import matplotlib.pyplot as plt import numpy as np import pandas as pd # 1.求和np.sum n = np.random.randint(0, 150, size=(4, 4, 4)) print(n) print(np.sum(n)) # 最大最小值：np.max/np.min image = plt.imread('DSC.JPG') print(image.shape) print(image.max(), image.min()) # 求所有值的平均值 # print(np.mean()) #print(...

import numpy as np from pandas import DataFrame, Series import pandas as pd # 处理丢失数据 有两种丢失数据： ''' 1)None 是Python自带的，其类型为python object。因此，None不能参与到任何计算中 object类型的运算要比int类型的运算慢的多，计算不同类型数据求和时间 2)np.nan(NaN) 是浮点类型，能参与到计算中。但计算的结果总是NaN。但可以使用np.nan*()函数来计算 nan，此时视nan为0。 ''' n1 = np.arange(0, 500, dt...

import numpy as np from pandas import DataFrame, Series import matplotlib.pyplot as plt import pandas as pd '''1.创建多层索引 1)隐式构造：最常见的方法是给DataFrame构造函数的index参数传递两个或更多的数组 ''' # Series也可以创建多层索引 s = Series([1, 2, 3, 4], index=[["a", "a", "b", "b"], ["期中"...

import numpy as np from pandas import DataFrame, Series import pandas as pd ''' 假设菜市场张大妈在卖菜，有以下属性： 菜品(item):萝卜，白菜，辣椒，冬瓜 颜色(color):白，红，青 重量(weight) 价格(price) 1.要求以属性作为列索引，新建一个df 2.对df进行聚合操作，求出颜色为白色的价格总和 3.对df进行聚合操作，求出萝卜的所有重量(包括白萝卜，胡萝卜，青萝卜)以及平均价格 4.使用merge合并总重量及平均价格 ''' # 1.要求以属性作为列索引，新建一个df df = Dat...

import pandas as pd import numpy as np from pandas import DataFrame, Series '''5.数据聚合 数据聚合是数据处理的最后一步，通常是要使每一个数组生成一个单一的数值。 数据分类处理： -----分组：先把数据分为几组 -----用函数处理：为不同组的数据应用不同的函数以转换数据 -----合并：吧不同组得到的结果合并起来''' # 数据分类的核心：groupby()函数 df = DataFrame({"item": ["苹果", "香蕉", &quot...

使用np.array()创建ndarray 使用np.array()由python list创建，参数列表为：[1,2,3,4,5]。 注意：numpy默认ndarray的所有元素的类型是相同的，如果传递进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int。 import numpy as np n1 = np.array([1, 2, 3, 4, 5]) print(n1) # [1 2 3 4 5] n2 = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) pr...

import numpy as np from pandas import DataFrame, Series import pandas as pd ''' pandas的拼接分为两种：级联：pd.concat,pd.append；合并：pd.merge,pd.join ''' '''0回顾numpy的级联 练习：1.生成2个3*3的矩阵，对其分别进行两个维度上的级联 ''' nd = np.random.randint(0, 10, size=(3, 3)) print(nd) con_np = np.concatenate((nd, nd), axis=0) # 0是第一维的方向...

Number（数字） 主要包括了整数，浮点数（小数）和复数。 ###整数 Python可以处理任意大小的整数，当然包括负整数，在程序中的表示和在数学中的写法是一致的。 num1 = 10 num2 = num1 # 连续定义多个变量 num3 = num4 = num5 =1 # 交互式赋值定义变量 num6,num7 = 6,7 浮点数 浮点数由整数部分和小数部分组成，浮点数运算可能会有四舍五入的误差。 f1 = 1.1 f2 = 2.2 print("f1+f2") 输出结果为:3.3000000000000003 复数 复试是由实数部分和虚数部...

电商网站用户行为分析 项目需求 1.用户整体购物情况怎样？ 统计数据集中总的用户数，商品数，商品类别数，用户行为数。 核心指标如PV，UV，跳出率，复购率，留存率等分别是多少? 2.用户的购物行为情况。 3.统计出每天各种行为的访问次数。 4.找出购买率最高的前二十个商品品类。 分析过程：获取业务方的需求->获取数据->分析数据->整理并清洗异常数据->实现需求 获取数据 import pandas as pd import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = '...

用户消费行为的分析报告   想必大家对于CD用户消费者行为的分析已经见得多了，这里就不再一一叙述，这里主要是作为我的一个小练习，来提高自己处理业务的能力。   项目需求如下： （1）用户消费趋势分析 每月的消费总金额 每月的消费次数 每月的产品购买量 每月的消费人数 （2）用户个体消费行为分析 用户消费金额和消费总数的描述统计 用户消费金额和消费总数的散点图 用户消费金额和消费总数的分布图 用户累计消费金额的占比 （3）用户消费行为分析 用户第一次消费时间（用户首次购买产品的时间） 用户最后一次消费时间 新老客消费占比 用户分层（RFM模型） ...

某打车公司业务题：分析打车业务问题 公司A是的app（类似滴滴、uber）为用户提供打车服务。现有四张表（模拟数据），分别是driver（司机数据）表，online_time（在线时长数据）表，order_info（订单数据）表，city（城市匹配数据）表。 现有如下业务问题： 提取2020年8月各城市每天的司机数、快车订单量和快车流水数据。 提取2020年8月和9月，每个月的北京市新老司机（首单日期在当月为新司机）的司机数、在线时长和TPH（订单量/在线时长）数据。 分别提取司机数大于20，司机总在线时长大于2小时，订单量大于1，乘客数大于1的城市名称数据。 1...