Python酷库之旅-第三方库Pandas(044)

目录

一、用法精讲

151、pandas.Series.any方法

151-1、语法

151-2、参数

151-3、功能

151-4、返回值

151-5、说明

151-6、用法

151-6-1、数据准备

151-6-2、代码示例

151-6-3、结果输出

152、pandas.Series.autocorr方法

152-1、语法

152-2、参数

152-3、功能

152-4、返回值

152-5、说明

152-6、用法

152-6-1、数据准备

152-6-2、代码示例

152-6-3、结果输出

153、pandas.Series.between方法

153-1、语法

153-2、参数

153-3、功能

153-4、返回值

153-5、说明

153-6、用法

153-6-1、数据准备

153-6-2、代码示例

153-6-3、结果输出

154、pandas.Series.clip方法

154-1、语法

154-2、参数

154-3、功能

154-4、返回值

154-5、说明

154-6、用法

154-6-1、数据准备

154-6-2、代码示例

154-6-3、结果输出

155、pandas.Series.corr方法

155-1、语法

155-2、参数

155-3、功能

155-4、返回值

155-5、说明

155-6、用法

155-6-1、数据准备

155-6-2、代码示例

155-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

151、pandas.Series.any方法
151-1、语法
# 151、pandas.Series.any方法
pandas.Series.any(*, axis=0, bool_only=False, skipna=True, **kwargs)
Return whether any element is True, potentially over an axis.Returns False unless there is at least one element within a series or along a Dataframe axis that is True or equivalent (e.g. non-zero or non-empty).Parameters:
axis
{0 or ‘index’, 1 or ‘columns’, None}, default 0
Indicate which axis or axes should be reduced. For Series this parameter is unused and defaults to 0.0 / ‘index’ : reduce the index, return a Series whose index is the original column labels.1 / ‘columns’ : reduce the columns, return a Series whose index is the original index.None : reduce all axes, return a scalar.bool_only
bool, default False
Include only boolean columns. Not implemented for Series.skipna
bool, default True
Exclude NA/null values. If the entire row/column is NA and skipna is True, then the result will be False, as for an empty row/column. If skipna is False, then NA are treated as True, because these are not equal to zero.**kwargs
any, default None
Additional keywords have no effect but might be accepted for compatibility with NumPy.Returns:
scalar or Series
If level is specified, then, Series is returned; otherwise, scalar is returned.
151-2、参数

151-2-1、axis(可选，默认值为0)：该参数在Series对象中没有实际意义，因为Series是一维的。

151-2-2、bool_only(可选，默认值为False)：如果为True，则仅计算布尔值。

151-2-3、skipna(可选，默认值为True)：如果为True，则跳过NA/null值。

151-2-4、**kwargs(可选)：传递给函数的其他关键字参数。

151-3、功能

        检查Series对象中的是否存在至少一个True值，如果Series中至少有一个值为True，则返回True，否则返回False。

151-4、返回值

        返回一个布尔值，如果Series对象中的任意一个元素是True，则返回True，否则返回False。

151-5、说明

        应用场景：

151-5-1、数据验证：在数据分析过程中，可以用来验证某些条件是否在至少一个数据中满足。

151-5-2、条件检查：可以用于检查数据集中的是否存在任何一个元素符合特定条件。

151-5-3、数据清理：在数据清理过程中，检查数据集中是否存在任何非空值或者是否有任何数据满足特定标准。

151-6、用法
151-6-1、数据准备
无
151-6-2、代码示例
# 151、pandas.Series.any方法
import pandas as pd
data = pd.Series([False, False, True, 0, 1])
result = data.any()
print(result)
151-6-3、结果输出
# 151、pandas.Series.any方法
# True
152、pandas.Series.autocorr方法
152-1、语法
# 152、pandas.Series.autocorr方法
pandas.Series.autocorr(lag=1)
Compute the lag-N autocorrelation.This method computes the Pearson correlation between the Series and its shifted self.Parameters:
lag
int, default 1
Number of lags to apply before performing autocorrelation.Returns:
float
The Pearson correlation between self and self.shift(lag).
152-2、参数

152-2-1、lag(可选，默认值为1)：指定的滞后值，滞后值表示计算当前数据与之前多少个时间步的数据之间的相关性。

152-3、功能

        计算时间序列数据与其自身在指定滞后(lag)下的自相关系数。

152-4、返回值

        返回一个浮点数，表示时间序列在指定滞后下的自相关系数。

152-5、说明

        应用场景：

152-5-1、时间序列分析：自相关性分析是时间序列分析中的重要部分，帮助理解数据的模式和趋势。

152-5-2、预测模型：自相关性高的数据可能具有预测性，可以用于构建预测模型。

152-5-3、信号处理：在信号处理和控制系统中，自相关性用于分析信号的延迟效应。

152-6、用法
152-6-1、数据准备
无
152-6-2、代码示例
# 152、pandas.Series.autocorr方法
import pandas as pd
data = pd.Series([0.1, 0.4, 0.3, 0.7, 0.9])
result = data.autocorr(lag=1)
print(result)
152-6-3、结果输出
# 152、pandas.Series.autocorr方法
# 0.6657502859356824
153、pandas.Series.between方法
153-1、语法
# 153、pandas.Series.between方法
pandas.Series.between(left, right, inclusive='both')
Return boolean Series equivalent to left <= series <= right.This function returns a boolean vector containing True wherever the corresponding Series element is between the boundary values left and right. NA values are treated as False.Parameters:
leftscalar or list-like
Left boundary.rightscalar or list-like
Right boundary.inclusive{“both”, “neither”, “left”, “right”}
Include boundaries. Whether to set each bound as closed or open.Changed in version 1.3.0.Returns:
Series
Series representing whether each element is between left and right (inclusive).
153-2、参数

153-2-1、left(必须)：表示区间的左端点。

153-2-2、right(必须)：表示区间的右端点。

153-2-3、inclusive(可选，默认值为'both')：指定是否包含边界值，可以是以下三个值之一：

153-2-3-1、'both'：包括left和right。

153-2-3-2、'neither'：不包括left和right。

153-2-3-3、'left'：包括left，但不包括right。

153-2-3-4、'right'：包括right，但不包括left。

153-3、功能

        用于判断序列中的元素是否在指定的left和right值之间，并返回一个布尔序列。

153-4、返回值

        返回一个布尔类型的pandas.Series，其中每个值表示原序列中的相应值是否在指定的区间范围内。

153-5、说明

        应用场景：

153-5-1、数据筛选：快速筛选出符合条件的数值。

153-5-2、条件判断：在数据处理中进行复杂的条件判断和过滤。

153-5​​​​​​​-3、数据分析：分析数据时，筛选出在特定范围内的数据点

153-6、用法
153-6-1、数据准备
无
153-6-2、代码示例
# 153、pandas.Series.between方法
import pandas as pd
data = pd.Series([3, 5, 6, 8, 10, 11, 24])
result = data.between(5, 11, 'neither')
print(result)
153-6-3、结果输出
# 153、pandas.Series.between方法
# 0    False
# 1    False
# 2     True
# 3     True
# 4     True
# 5    False
# 6    False
# dtype: bool
154、pandas.Series.clip方法
154-1、语法
# 154、pandas.Series.clip方法
pandas.Series.clip(lower=None, upper=None, *, axis=None, inplace=False, **kwargs)
Trim values at input threshold(s).Assigns values outside boundary to boundary values. Thresholds can be singular values or array like, and in the latter case the clipping is performed element-wise in the specified axis.Parameters:
lower
float or array-like, default None
Minimum threshold value. All values below this threshold will be set to it. A missing threshold (e.g NA) will not clip the value.upper
float or array-like, default None
Maximum threshold value. All values above this threshold will be set to it. A missing threshold (e.g NA) will not clip the value.axis
{{0 or ‘index’, 1 or ‘columns’, None}}, default None
Align object with lower and upper along the given axis. For Series this parameter is unused and defaults to None.inplace
bool, default False
Whether to perform the operation in place on the data.*args, **kwargs
Additional keywords have no effect but might be accepted for compatibility with numpy.Returns:
Series or DataFrame or None
Same type as calling object with the values outside the clip boundaries replaced or None if inplace=True.
154-2、参数

154-2-1、lower(可选，默认值为None)：用于设置下界的标量值或数组，如果设置为None，则不应用下界。

154-2-2、upper(可选，默认值为None)：用于设置上界的标量值或数组，如果设置为None，则不应用上界。

154-2-3、axis(可选，默认值为None)：未使用，保留参数。

154-2-4、inplace(可选，默认值为False)：如果设置为True，将直接在原序列上进行修改，而不是返回一个新的序列。

154-2-5、**kwargs(可选)：其他关键字参数。

154-3、功能

        将序列中的值限制在指定的上下界范围内，如果某个值小于lower，则将其设置为lower；如果某个值大于upper，则将其设置为upper。

154-4、返回值

        返回一个新的pandas.Series，其中的值已被限制在指定范围内，如果inplace=True，则返回None。

154-5、说明

        应用场景：

154-5-1、处理异常值：限制数据中的极端值，防止其影响分析结果。

154-5-2、数据清理：将数据限制在合理范围内，确保数据质量。

154-5​​​​​​​-3、预处理：在机器学习中对数据进行预处理，确保输入数据在合理范围内。

154-6、用法
154-6-1、数据准备
无
154-6-2、代码示例
# 154、pandas.Series.clip方法
import pandas as pd
data = pd.Series([1, 2, 3, 4, 5])
clipped_data = data.clip(lower=2, upper=4)
print(clipped_data, end='\n\n')
data.clip(lower=2, upper=4, inplace=True)
print(data)
154-6-3、结果输出
# 154、pandas.Series.clip方法
# 0    2
# 1    2
# 2    3
# 3    4
# 4    4
# dtype: int64
#
# 0    2
# 1    2
# 2    3
# 3    4
# 4    4
# dtype: int64
155、pandas.Series.corr方法
155-1、语法
# 155、pandas.Series.corr方法
pandas.Series.corr(other, method='pearson', min_periods=None)
Compute correlation with other Series, excluding missing values.The two Series objects are not required to be the same length and will be aligned internally before the correlation function is applied.Parameters:
otherSeries
Series with which to compute the correlation.method{‘pearson’, ‘kendall’, ‘spearman’} or callable
Method used to compute correlation:pearson : Standard correlation coefficientkendall : Kendall Tau correlation coefficientspearman : Spearman rank correlationcallable: Callable with input two 1d ndarrays and returning a float.WarningNote that the returned matrix from corr will have 1 along the diagonals and will be symmetric regardless of the callable’s behavior.min_periodsint, optional
Minimum number of observations needed to have a valid result.Returns:
float
Correlation with other.
155-2、参数

155-2-1、other(必须)：表示另一个与当前序列进行相关性计算的Series对象。

155-2-2、method(可选，默认值为'pearson')：计算相关系数的方法，可选值包括：

155-2-2-1、'pearson'：计算皮尔逊相关系数，这是最常用的相关系数，衡量线性关系。

155-2-2-2、'kendall'：计算肯德尔等级相关系数，用于衡量序列间的等级相关性。

155-2-2-3、'spearman'：计算斯皮尔曼等级相关系数，用于衡量序列间的单调关系。

155-2-3、min_periods(可选，默认值为None)：最小有效观察数，要求计算相关系数的非NA(缺失值)数据点的最少数量，如果可用数据点少于这个值，将返回NaN。

155-3、功能

        用于计算两个序列之间的相关系数，相关系数用于衡量两个序列之间的线性关系。

155-4、返回值

        返回一个浮点数，表示两个序列之间的相关系数。

155-5、说明

        应用场景：

155-5-1、数据分析：评估两个变量之间的线性关系。

155-5-2、特征选择：在机器学习中，选择与目标变量高度相关的特征。

155-5​​​​​​​-3、金融分析：评估不同金融资产之间的关系。

155-6、用法
155-6-1、数据准备
无
155-6-2、代码示例
# 155、pandas.Series.corr方法
# 155-1、计算皮尔逊相关系数
import pandas as pd
data1 = pd.Series([1, 2, 3, 4, 5])
data2 = pd.Series([5, 4, 3, 2, 1])
corr_pearson = data1.corr(data2)
print(corr_pearson, end='\n\n')# 155-2、计算斯皮尔曼等级相关系数
import pandas as pd
data1 = pd.Series([1, 2, 3, 4, 5])
data2 = pd.Series([5, 4, 3, 2, 1])
corr_spearman = data1.corr(data2, method='spearman')
print(corr_spearman, end='\n\n')# 155-3、指定最小有效观察数
import pandas as pd
data1 = pd.Series([1, 2, 3, 4, None])
data2 = pd.Series([5, 4, 3, 2, 1])
corr_with_min_periods = data1.corr(data2, min_periods=4)
print(corr_with_min_periods)
155-6-3、结果输出
# 155、pandas.Series.corr方法
# 155-1、计算皮尔逊相关系数
# -0.9999999999999999# 155-2、计算斯皮尔曼等级相关系数
# -0.9999999999999999# 155-3、指定最小有效观察数
# -1.0

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/49717.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

线上语音交友平台成熟案例源码出售本地找搭子交友app软件线下陪玩系统开发服务

线上语音交友平台成熟案例源码出售本地找搭子交友app软件线下陪玩系统开发服务

1、上麦相亲互动:直播间内除了红娘外&#xff0c;还有男女用户两个视频麦位&#xff0c;直播间符合要求的用户可以申请上麦, 2、公屏聊天:为上麦用户可以通过在公屏发言的方式参与直播间内的话题互动。 3、私信异性用户之间可以发送私信消息&#xff0c;通过付要或开通会员可解…
阅读更多...
无线领夹麦克风哪个牌子好？几十块和几百块的领夹麦克风推荐

无线领夹麦克风哪个牌子好？几十块和几百块的领夹麦克风推荐

现如今视频自媒体行业还在蓬勃发展&#xff0c;麦克风对于自媒体行业可以说是必不可少的装备了&#xff0c;在互联网“内卷”的时代&#xff0c;各大视频博主、Up主、主播大多都会使用无线麦克风来辅助视频和直播内容输出。无线领夹麦克风作为视频行业中的麦克风新宠&#xff0…
阅读更多...
深入理解TCP：互联网通信的基石

深入理解TCP：互联网通信的基石

深入理解TCP&#xff1a;互联网通信的基石 引言TCP的普遍应用TCP连接的建立与维护三次握手&#xff08;Three-Way Handshake&#xff09;连接的可靠性与超时重传数据传输与流量控制连接的终止状态转换 TCP与UDP的对比TCP协议栈的层级结构应用层&#xff08;Application Layer&a…
阅读更多...
DevExpress WPF中文教程：如何完成GridControl的列和编辑器配置？

DevExpress WPF中文教程：如何完成GridControl的列和编辑器配置？

DevExpress WPF拥有120个控件和库&#xff0c;将帮助您交付满足甚至超出企业需求的高性能业务应用程序。通过DevExpress WPF能创建有着强大互动功能的XAML基础应用程序&#xff0c;这些应用程序专注于当代客户的需求和构建未来新一代支持触摸的解决方案。 无论是Office办公软件…
阅读更多...
【C++BFS算法】2192. 有向无环图中一个节点的所有祖先

【C++BFS算法】2192. 有向无环图中一个节点的所有祖先

本文涉及知识点 CBFS算法 LeetCode2192. 有向无环图中一个节点的所有祖先 给你一个正整数 n &#xff0c;它表示一个 有向无环图 中节点的数目&#xff0c;节点编号为 0 到 n - 1 &#xff08;包括两者&#xff09;。 给你一个二维整数数组 edges &#xff0c;其中 edges[i]…
阅读更多...
springcloud rocketmq 新增的消费者组从哪里开始消费

springcloud rocketmq 新增的消费者组从哪里开始消费

如果新建一个新的消费者组&#xff0c;是否会消费历史消息&#xff0c;导致重复消费&#xff1f; 直接在 console 界面新增消费者组&#xff0c;但是没有办法绑定订阅关系&#xff0c;没有找到入口&#xff0c;在 控制台项目源码 rocketmq-externals 也没有找到可以确定订阅关系…
阅读更多...
Android 常用调试工具/方法解析

Android 常用调试工具/方法解析

一、内存相关 参考Android内存分析命令_dumpsys meminfo 算出rss-CSDN博客 1、基本概念 1&#xff09;PSS & RSS & USS & VSS a、PSS 概念&#xff1a;全称Proportional Set Size&#xff0c;根据进程实际使用的内存量按照共享比例分配给进程的一种内存度量方…
阅读更多...
SpringBoot 项目配置文件注释乱码的问题解决方案

SpringBoot 项目配置文件注释乱码的问题解决方案

一、问题描述 在项目的配置文件中&#xff0c;我们写了一些注释&#xff0c;如下所示&#xff1a; 但是再次打开注释会变成乱码&#xff0c;如下所示&#xff1a; 那么如何解决呢&#xff1f; 二、解决方案 1. 点击” File→Setting" 2. 搜索“File Encodings”, 将框…
阅读更多...
Wonder3D 论文学习

Wonder3D 论文学习

论文链接&#xff1a;https://arxiv.org/abs/2310.15008 代码链接&#xff1a;https://github.com/xxlong0/Wonder3D 解决了什么问题&#xff1f; 随着扩散模型的提出&#xff0c;3D 生成领域取得了长足进步。从单张图片重建出 3D 几何是计算机图形学和 3D 视觉的基础任务&am…
阅读更多...
World of Warcraft [CLASSIC] Timebadge

World of Warcraft [CLASSIC] Timebadge

游戏币【每个服务器实时金价不一样&#xff0c;本例子是5000-6000金】 1枚【魔兽世界时光徽章】 30天游戏时间。 5760金币游戏币&#xff0c;策划如何消耗游戏里面的金币总量&#xff0c;以及如何留住那些非人民币玩家呢 30天加上去了 World of Warcraft [CLASSIC] [魔兽世界…
阅读更多...
搜索与下载Stable Diffusion 模型

搜索与下载Stable Diffusion 模型

我只是一个刚开始学习SD没多久小白&#xff0c;拿到别人的工作流想要运行时&#xff0c;很多时候还要下载对应的模型才能正常运行&#xff0c;虽然也可以通过comfyui-manager下载&#xff0c;不过有时候好像会下载失败&#xff0c;而单独下载所需模型&#xff0c;我自己试过&am…
阅读更多...
英语科技写作 希拉里·格拉斯曼-蒂（英文版）pdf下载

英语科技写作 希拉里·格拉斯曼-蒂（英文版）pdf下载

下载链接&#xff1a; 链接1&#xff1a;https://pan.baidu.com 链接2&#xff1a;/s/1fxRUGnlJrKEzQVF6k1GmBA 提取码&#xff1a;b69t 由于是英文版&#xff0c;可能有些看着不太方便&#xff0c;可以在网页版使用以下软件中英文对照着看&#xff0c;看着更舒服&#xff0c;…
阅读更多...
图书管理系统设计

图书管理系统设计

设计一个图书管理系统时&#xff0c;我们需要考虑系统的基本功能、用户需求、技术选型以及数据的安全性和完整性。下面是一个基本的图书管理系统的设计概览&#xff1a; 1. 系统目标 管理图书信息&#xff1a;添加、删除、修改图书信息。借阅管理&#xff1a;处理借书、还书流…
阅读更多...
Python 教程（二）：语法与数据结构

Python 教程（二）：语法与数据结构

目录 前言专栏列表语法特点实例代码基本数据类型变量命名规则赋值动态类型作用域示例代码 运算符list、set和dict 数据结构 区别1. list&#xff08;列表&#xff09;2. set&#xff08;集合&#xff09;3. dict&#xff08;字典&#xff09; 总结 前言 Python 是一种计算机编…
阅读更多...
Linux调试器gdb

Linux调试器gdb

1.debug版本的文件才能调试 gcc默认编译生成的是release版本&#xff0c;在输入gcc编译指令时&#xff0c;要加-g&#xff0c;才会生成debug版本的可执行文件。 可以看到&#xff0c;code_dbug比code大&#xff0c;因为debug版本含有调试信息&#xff0c;往往比release版本的…
阅读更多...
【BUG】已解决：SyntaxError:positional argument follows keyword argument

【BUG】已解决：SyntaxError:positional argument follows keyword argument

SyntaxError:positional argument follows keyword argument 目录 SyntaxError:positional argument follows keyword argument 【常见模块错误】 【解决方案】 欢迎来到英杰社区https://bbs.csdn.net/topics/617804998 欢迎来到我的主页&#xff0c;我是博主英杰&#xff0c…
阅读更多...
【SOC 芯片设计 DFT 学习专栏 -- DFT OCC 与 ATPG的介绍】

【SOC 芯片设计 DFT 学习专栏 -- DFT OCC 与 ATPG的介绍】

请阅读【嵌入式及芯片开发学必备专栏】 请阅读【芯片设计 DFT 学习系列 】 如有侵权&#xff0c;请联系删除 转自&#xff1a; 简矽芯学堂 简矽芯学堂 2024年01月18日 09:00 陕西 文章目录 OCC 介绍Fast ScanFull chip ATPGPartition ATPGHierarchical ATPG OCC 介绍 OCC&am…
阅读更多...
微信小程序实现聊天界面，发送功能

微信小程序实现聊天界面，发送功能

.wxml <scroll-view scroll-y"true" style"height: {{windowHeight}}px;"><view wx:for"{{chatList}}" wx:for-index"index" wx:for-item"item" style"padding-top:{{index0?30:0}}rpx"><!-- 左…
阅读更多...
力扣高频SQL 50题（基础版）第十题

力扣高频SQL 50题（基础版）第十题

文章目录 力扣高频SQL 50题&#xff08;基础版&#xff09;第十题1661. 每台机器的进程平均运行时间题目说明思路分析实现过程准备数据实现方式结果截图总结 力扣高频SQL 50题&#xff08;基础版&#xff09;第十题 1661. 每台机器的进程平均运行时间 题目说明 表: Activity…
阅读更多...
Git merge

Git merge

Git merge 参考文档&#xff1a; https://marsishandsome.github.io/2019/07/Three_Way_Merge https://git-scm.com/docs/merge-strategies https://stackoverflow.com/questions/56889406/how-does-git-compare-two-files-while-merging Git merge的目标是合并changes&#x…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023