发表于 | 分类于 | 阅读次数：

前言

实现 《谁说菜鸟不会数据分析》 代码

数据处理

数据清洗

数据排序

按照一定顺序排序，以便研究者通过浏览数据发现一些明显的特征、规律或趋势，找到解决问题的线索。有助于对数据检查纠错，以及为重新归类或分组等提供方便

阅读全文 »

发表于 | 更新于 | 分类于 ， | 阅读次数：

《利用 python 进行数据分析*第二版》

1
2
3
4
5
6
import pandas as pd
from pandas import Series, DataFrame
import numpy as np
from numpy import nan as NA
import sqlite3
import re

基础部分

数据结构

Series 数据结构

Series 数据结构就是列表和字典的结合体，下面看一下具体演示

1
2
3
# 创建
obj = pd.Series([4, 7, -5, 3])
obj
0    4
1    7
2   -5
3    3
dtype: int64
阅读全文 »

发表于 | 更新于 | 分类于 ， | 阅读次数：

参考引用

1
2
3
4
5
6
7
8
9
10
11
import pandas as pd
from pandas import Series, DataFrame
import numpy as np
from numpy import nan as NA
from datetime import datetime
from datetime import timedelta
from dateutil.parser import parse
from pandas.tseries.offsets import Hour, Minute
from pandas.tseries.offsets import Day, MonthEnd
import pytz
from pandas.tseries.offsets import Hour

pandas提供了许多内置的时间序列处理工具和数据算法。因此，你可以高效处理非常大的时间序列，轻松地进行切片/切块、聚合、对定期/不定期的时间序列进行重采样等。有些工具特别适合金融和经济应用，你当然也可以用它们来分析服务器日志数据。

阅读全文 »

发表于 | 分类于 ， | 阅读次数：

Numpy 文档
Numpy 常用的运算方法 

1
2
import numpy as np
import random

numpy 比原生的 python 计算更省资源、速度更快

1
2
my_arr = np.arange(1000000)
my_list = list(range(1000000))
1
%time for _ in range(10): my_arr2 = my_arr * 2
Wall time: 20 ms

1
%time for _ in range(10): my_list2 = [x * 2 for x in my_list]
Wall time: 969 ms
阅读全文 »

发表于 | 分类于 | 阅读次数：

列相关

先看一个gii生成的正常状态下的Gridview

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
GridView::widget([
    'dataProvider' => $dataProvider,
    'filterModel' => $searchModel,
    'columns' => [
        // ['class' => 'yii\grid\SerialColumn'],
        ['class' => 'yii\grid\CheckboxColumn'],
        'id',
        'user_id',
        'goods_id',
        'need_num',
        'has_num',
        'status',
        'created_at:datetime',
        'end_time:datetime',
        //'updated_at',
        //'ver',
        ['class' => 'yii\grid\ActionColumn'],
    ],
]);

我们要修改展示内容，修改的就是 columns 下的值

阅读全文 »