Pandas入门(3)

文章目录

  • Pandas入门(3)
    • 一.数据重塑和轴向旋转
      • 1.层次化索引
        • ①Series的层次化索引
        • ②通过unstack方法将Series变成一个DataFrame
        • ③DataFrame的层次化索引
        • ④将豆瓣电影数据处理成多索引结构
      • 2.轴向旋转
    • 二.数据分组，分组运算
      • Groupby技术:实现数据的分组和分组运算，作用类似于数据透视表
        • 按照电影产地进行分组
          • 先定义一个分组变量
          • 计算分组后的各个统计量
          • 计算每年的平均评分
          • 计算每个产地的电影的平均得分
          • 前面的对各个数值型变量求均值，但其实对年代求平均值没啥意义，可以先将年代转为字符串
          • 传入多个分组变量
            • 获得每个地区,每一年电影的评分的均值
          • series通过unstack方法转化为dataframe,会产生缺失值
    • 三.离散化处理
      • 1.cut函数进行离散化
        • 比如，我们可以把评分9分及以上的电影定义为A，7到9分定义为B，5到7分定义为c，3到5分定义为D，小于3分定义为E
          • 新增一列评分等级
          • 可以根据投票人数来刻画电影热门程度
            • 烂片统计:评分人数多，分数低
            • 冷门高分电影
      • 2.保存处理后的数据
    • 四.合并数据集
      • 1.append
        • 先把数据集拆分为多个,再进行合并
        • 将这两个数据集进行合并
      • 2.merge(最常用)
      • 3.concat

准备工作

导入包

import pandas as pd
import numpy as np

读入数据

df=pd.read_excel("movie_data2.xlsx")
df.head()
名字 投票人数 类型 产地 上映时间 时长 年代 评分 首映地点
0 肖申克的救赎 692795 剧情/犯罪 美国 1994-09-10 00:00:00 142 1994 9.6 多伦多电影节
1 控方证人 42995 剧情/悬疑/犯罪 美国 1957-12-17 00:00:00 116 1957 9.5 美国
2 美丽人生 327855 剧情/喜剧/爱情 意大利 1997-12-20 00:00:00 116 1997 9.5 意大利
3 阿甘正传 580897 剧情/爱情 美国 1994-06-23 00:00:00 142 1994 9.4 洛杉矶首映
4 霸王别姬 478523 剧情/爱情/同性 中国大陆 1993-01-01 00:00:00 171 1993 9.4 香港

一.数据重塑和轴向旋转

1.层次化索引

层次化索引能使我们在一个轴上拥有多个索引

①Series的层次化索引

来看一个两层索引

s = pd.Series(np.arange(1, 11), index=[['a', 'a', 'a', 'a', 'a', 'b', 'b', 'b', 'c', 'c'],['①', '②', '③', '④', '⑤', '①', '②', '③', '①', '②']])
s

运行结果:

a  ①     1②     2③     3④     4⑤     5
b  ①     6②     7③     8
c  ①     9②    10
dtype: int32

s.index

运行结果:

MultiIndex([('a', '①'),('a', '②'),('a', '③'),('a', '④'),('a', '⑤'),('b', '①'),('b', '②'),('b', '③'),('c', '①'),('c', '②')],)

对外层索引进行操作

s['a']

运行结果:

①    1
②    2
③    3
④    4
⑤    5
dtype: int32

#切片
s['a':'b']
#和原生切片不一样,两边都是闭

运行结果:

a  ①    1②    2③    3④    4⑤    5
b  ①    6②    7③    8
dtype: int32

对内层操作

#逗号前面表示外层索引,冒号两边没东西那就是全取
s[:,'①']
#取出来了('a', '①'),('b', '①'),('c', '①')的值

运行结果:

a    1
b    6
c    9
dtype: int32

取具体的值

s['c','②']

运行结果:

10

②通过unstack方法将Series变成一个DataFrame

例如:

s.unstack()

运行结果:

① ② ③ ④ ⑤
a 1.0 2.0 3.0 4.0 5.0
b 6.0 7.0 8.0 NaN NaN
c 9.0 10.0 NaN NaN NaN 
s.unstack().stack()

运行结果:

a  ①     1.0②     2.0③     3.0④     4.0⑤     5.0
b  ①     6.0②     7.0③     8.0
c  ①     9.0②    10.0
dtype: float64

#stack堆叠:将列转到行, unstack为反操作:行转到列
s.unstack().stack().unstack()

运行结果:

① ② ③ ④ ⑤
a 1.0 2.0 3.0 4.0 5.0
b 6.0 7.0 8.0 NaN NaN
c 9.0 10.0 NaN NaN NaN

③DataFrame的层次化索引

DataFrame的行和列都可以层次化索引

data=pd.DataFrame(np.arange(12).reshape(4,3))
data
#默认索引是数字
0 1 2
0 0 1 2
1 3 4 5
2 6 7 8
3 9 10 11

行的层次化,增加index参数

data2 = pd.DataFrame(np.arange(12).reshape(4, 3),index=[['一','二','二','二'],['a','a','b','c']])
data2
#默认索引是数字
0 1 2
一 a 0 1 2
二 a 3 4 5
b 6 7 8
c 9 10 11

列的层次化,增加columns参数

data3 = pd.DataFrame(np.arange(12).reshape(4, 3), index=[['一', '二', '二', '二'], ['a', 'a', 'b', 'c']],columns=[['(1)','(1)','(2)'],['Ⅰ','Ⅰ','Ⅱ']])
data3
#默认索引是数字
(1) (2)
Ⅰ Ⅰ Ⅱ
一 a 0 1 2
二 a 3 4 5
b 6 7 8
c 9 10 11

注意像上面那样写(1)的话，要加单引号，否则会被认为是只有一个数字的元组(只有一个数字没有逗号的元组就是数字本身)

选取列

data3['(1)']
Ⅰ Ⅰ
一 a 0 1
二 a 3 4
b 6 7
c 9 10

给行索引设定名称

data3.index.names=['row1','row2']
data3
(1) (2)
Ⅰ Ⅰ Ⅱ
row1 row2
一 a 0 1 2
二 a 3 4 5
b 6 7 8
c 9 10 11

给列索引设定名称

data3.columns.names=['col1','col2']
data3
col1 (1) (2)
col2 Ⅰ Ⅰ Ⅱ
row1 row2
一 a 0 1 2
二 a 3 4 5
b 6 7 8
c 9 10 11

调整行索引的顺序

data3.swaplevel('row1','row2')
col1 (1) (2)
col2 Ⅰ Ⅰ Ⅱ
row2 row1
a 一 0 1 2
二 3 4 5
b 二 6 7 8
c 二 9 10 11

④将豆瓣电影数据处理成多索引结构

df.index

运行结果:

RangeIndex(start=0, stop=38722, step=1)

set_index可以把列变成索引， reset_index可以把索引变成列

将产地作为外索引，年代作为内索引

df2=df.set_index(['产地','年代'])
df2
名字 投票人数 类型 上映时间 时长 评分 首映地点
产地 年代
美国 1994 肖申克的救赎 692795 剧情/犯罪 1994-09-10 00:00:00 142 9.6 多伦多电影节
1957 控方证人 42995 剧情/悬疑/犯罪 1957-12-17 00:00:00 116 9.5 美国
意大利 1997 美丽人生 327855 剧情/喜剧/爱情 1997-12-20 00:00:00 116 9.5 意大利
美国 1994 阿甘正传 580897 剧情/爱情 1994-06-23 00:00:00 142 9.4 洛杉矶首映
中国大陆 1993 霸王别姬 478523 剧情/爱情/同性 1993-01-01 00:00:00 171 9.4 香港
... ... ... ... ... ... ... ... ...
法国 1983 神学院 S 46 Adult 1905-06-05 00:00:00 58 8.6 美国
美国 1935 1935年 57 喜剧/歌舞 1935-03-15 00:00:00 98 7.6 美国
中国大陆 1986 血溅画屏 95 剧情/悬疑/犯罪/武侠/古装 1905-06-08 00:00:00 91 7.1 美国
1986 魔窟中的幻想 51 惊悚/恐怖/儿童 1905-06-08 00:00:00 78 8.0 美国
俄罗斯 1977 列宁格勒围困之星火战役 Блокада: Фильм 2: Ленинградский ме... 32 剧情/战争 1905-05-30 00:00:00 97 6.6 美国

38722 rows × 7 columns

这样的情况下，每一个索引都是一个元组

df2.index[0]

运行结果:

('美国', 1994)

df2.index[1]

运行结果:

('美国', 1957)

若要获取所有的美国电影信息，此时产地已经变成了索引,要用.loc()

.loc根据行标签获取行数据,下面会获得以年代为索引的dataframe

df2.loc['美国']
名字 投票人数 类型 上映时间 时长 评分 首映地点
年代
1994 肖申克的救赎 692795 剧情/犯罪 1994-09-10 00:00:00 142 9.6 多伦多电影节
1957 控方证人 42995 剧情/悬疑/犯罪 1957-12-17 00:00:00 116 9.5 美国
1994 阿甘正传 580897 剧情/爱情 1994-06-23 00:00:00 142 9.4 洛杉矶首映
2012 泰坦尼克号 157074 剧情/爱情/灾难 2012-04-10 00:00:00 194 9.4 中国大陆
1993 辛德勒的名单 306904 剧情/历史/战争 1993-11-30 00:00:00 195 9.4 华盛顿首映
... ... ... ... ... ... ... ...
1987 跷家的一夜 82 喜剧/动作/惊悚/冒险 1987-07-01 00:00:00 102 7.8 美国
1987 零下的激情 199 剧情/爱情/犯罪 1987-11-06 00:00:00 98 7.4 美国
1986 离别秋波 240 剧情/爱情/音乐 1986-02-19 00:00:00 90 8.2 美国
1986 极乐森林 45 纪录片 1986-09-14 00:00:00 90 8.1 美国
1935 1935年 57 喜剧/歌舞 1935-03-15 00:00:00 98 7.6 美国

11976 rows × 7 columns

df2.loc['中国大陆']
名字 投票人数 类型 上映时间 时长 评分 首映地点
年代
1993 霸王别姬 478523 剧情/爱情/同性 1993-01-01 00:00:00 171 9.4 香港
1961 大闹天宫 74881 动画/奇幻 1905-05-14 00:00:00 114 9.2 上集
2015 穹顶之下 51113 纪录片 2015-02-28 00:00:00 104 9.2 中国大陆
1982 茶馆 10678 剧情/历史 1905-06-04 00:00:00 118 9.2 美国
1988 山水情 10781 动画/短片 1905-06-10 00:00:00 19 9.2 美国
... ... ... ... ... ... ... ...
1986 T省的八四、八五 380 剧情 1905-06-08 00:00:00 94 8.7 美国
1986 失踪的女中学生 101 儿童 1905-06-08 00:00:00 102 7.4 美国
1986 血战台儿庄 2908 战争 1905-06-08 00:00:00 120 8.1 美国
1986 血溅画屏 95 剧情/悬疑/犯罪/武侠/古装 1905-06-08 00:00:00 91 7.1 美国
1986 魔窟中的幻想 51 惊悚/恐怖/儿童 1905-06-08 00:00:00 78 8.0 美国

3802 rows × 7 columns

调整行索引的顺序

df2=df2.swaplevel('产地','年代')

df2.head()
名字 投票人数 类型 上映时间 时长 评分 首映地点
年代 产地
1994 美国 肖申克的救赎 692795 剧情/犯罪 1994-09-10 00:00:00 142 9.6 多伦多电影节
1957 美国 控方证人 42995 剧情/悬疑/犯罪 1957-12-17 00:00:00 116 9.5 美国
1997 意大利 美丽人生 327855 剧情/喜剧/爱情 1997-12-20 00:00:00 116 9.5 意大利
1994 美国 阿甘正传 580897 剧情/爱情 1994-06-23 00:00:00 142 9.4 洛杉矶首映
1993 中国大陆 霸王别姬 478523 剧情/爱情/同性 1993-01-01 00:00:00 171 9.4 香港 
df2.loc[1994]

运行结果:

名字 投票人数 类型 上映时间 时长 评分 首映地点
产地
美国 肖申克的救赎 692795 剧情/犯罪 1994-09-10 00:00:00 142 9.6 多伦多电影节
美国 阿甘正传 580897 剧情/爱情 1994-06-23 00:00:00 142 9.4 洛杉矶首映
法国 这个杀手不太冷 662552 剧情/动作/犯罪 1994-09-14 00:00:00 133 9.4 法国
美国 34街的 768 剧情/家庭/奇幻 1994-12-23 00:00:00 114 7.9 美国
中国大陆 活着 202794 剧情/家庭 1994-05-18 00:00:00 132 9.0 法国
... ... ... ... ... ... ... ...
美国 鬼精灵2： 恐怖 60 喜剧/恐怖/奇幻 1994-04-08 00:00:00 85 5.8 美国
英国 黑色第16 44 剧情/惊悚 1996-02-01 00:00:00 106 6.8 美国
日本 蜡笔小新之布里布里王国的秘密宝藏 クレヨンしんちゃん ブリブリ王国の 2142 动画 1994-04-23 00:00:00 94 7.7 日本
日本 龙珠Z剧场版10：两人面临危机! 超战士难以成眠 ドラゴンボール Z 劇場版：危険なふたり！ 579 动画 1994-03-12 00:00:00 53 7.2 美国
中国香港 重案实录之惊天械劫案 重案實錄之驚天械劫 90 动作/犯罪 1905-06-16 00:00:00 114 7.3 美国

494 rows × 7 columns

若要取消层次化索引

df2 = df2.reset_index()
df2.head()

运行结果:

年代 产地 名字 投票人数 类型 上映时间 时长 评分 首映地点
0 1994 美国 肖申克的救赎 692795 剧情/犯罪 1994-09-10 00:00:00 142 9.6 多伦多电影节
1 1957 美国 控方证人 42995 剧情/悬疑/犯罪 1957-12-17 00:00:00 116 9.5 美国
2 1997 意大利 美丽人生 327855 剧情/喜剧/爱情 1997-12-20 00:00:00 116 9.5 意大利
3 1994 美国 阿甘正传 580897 剧情/爱情 1994-06-23 00:00:00 142 9.4 洛杉矶首映
4 1993 中国大陆 霸王别姬 478523 剧情/爱情/同性 1993-01-01 00:00:00 171 9.4 香港

2.轴向旋转

取前五行电影数据为例子

Data=df2[:5]
Data
年代 产地 名字 投票人数 类型 上映时间 时长 评分 首映地点
0 1994 美国 肖申克的救赎 692795 剧情/犯罪 1994-09-10 00:00:00 142 9.6 多伦多电影节
1 1957 美国 控方证人 42995 剧情/悬疑/犯罪 1957-12-17 00:00:00 116 9.5 美国
2 1997 意大利 美丽人生 327855 剧情/喜剧/爱情 1997-12-20 00:00:00 116 9.5 意大利
3 1994 美国 阿甘正传 580897 剧情/爱情 1994-06-23 00:00:00 142 9.4 洛杉矶首映
4 1993 中国大陆 霸王别姬 478523 剧情/爱情/同性 1993-01-01 00:00:00 171 9.4 香港

行列转换.T方法

Data.T
0 1 2 3 4
年代 1994 1957 1997 1994 1993
产地 美国 美国 意大利 美国 中国大陆
名字 肖申克的救赎 控方证人 美丽人生 阿甘正传 霸王别姬
投票人数 692795 42995 327855 580897 478523
类型 剧情/犯罪 剧情/悬疑/犯罪 剧情/喜剧/爱情 剧情/爱情 剧情/爱情/同性
上映时间 1994-09-10 00:00:00 1957-12-17 00:00:00 1997-12-20 00:00:00 1994-06-23 00:00:00 1993-01-01 00:00:00
时长 142 116 116 142 171
评分 9.6 9.5 9.5 9.4 9.4
首映地点 多伦多电影节 美国 意大利 洛杉矶首映 香港

DataFrame也可以用stack和unstack转换为层次化索引的Series

Data.stack()

运行结果:

0  年代                     1994产地                       美国名字                   肖申克的救赎投票人数                 692795类型                    剧情/犯罪上映时间    1994-09-10 00:00:00时长                      142评分                      9.6首映地点                 多伦多电影节
1  年代                     1957产地                       美国名字                     控方证人投票人数                  42995类型                 剧情/悬疑/犯罪上映时间    1957-12-17 00:00:00时长                      116评分                      9.5首映地点                     美国
2  年代                     1997产地                      意大利名字                    美丽人生 投票人数                 327855类型                 剧情/喜剧/爱情上映时间    1997-12-20 00:00:00时长                      116评分                      9.5首映地点                    意大利
3  年代                     1994产地                       美国名字                     阿甘正传投票人数                 580897类型                    剧情/爱情上映时间    1994-06-23 00:00:00时长                      142评分                      9.4首映地点                  洛杉矶首映
4  年代                     1993产地                     中国大陆名字                     霸王别姬投票人数                 478523类型                 剧情/爱情/同性上映时间    1993-01-01 00:00:00时长                      171评分                      9.4首映地点                     香港
dtype: object

Data.stack().unstack()
年代 产地 名字 投票人数 类型 上映时间 时长 评分 首映地点
0 1994 美国 肖申克的救赎 692795 剧情/犯罪 1994-09-10 142 9.6 多伦多电影节
1 1957 美国 控方证人 42995 剧情/悬疑/犯罪 1957-12-17 116 9.5 美国
2 1997 意大利 美丽人生 327855 剧情/喜剧/爱情 1997-12-20 116 9.5 意大利
3 1994 美国 阿甘正传 580897 剧情/爱情 1994-06-23 142 9.4 洛杉矶首映
4 1993 中国大陆 霸王别姬 478523 剧情/爱情/同性 1993-01-01 171 9.4 香港

二.数据分组，分组运算

Groupby技术:实现数据的分组和分组运算，作用类似于数据透视表

按照电影产地进行分组

先定义一个分组变量
group=df.groupby(df['产地'])

#GroupBy对象
print(group)
print(type(group))

运行结果:

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x00000214044DE2E0>
<class 'pandas.core.groupby.generic.DataFrameGroupBy'>
计算分组后的各个统计量
#计算各个组别的数值型数据的平均值
group.mean()
投票人数 时长 年代 评分
产地
中国台湾 8474.864078 87.257282 1999.009709 7.066667
中国大陆 10898.293793 81.432930 2004.599684 6.064703
中国香港 8167.446159 88.541214 1991.100316 6.474114
丹麦 1993.858586 88.101010 1999.090909 7.245960
俄罗斯 1019.134172 95.918239 1984.899371 7.554507
其他 1591.494007 87.100573 1998.761334 7.237467
加拿大 1915.304288 80.109267 2002.461964 6.733610
印度 3210.843137 121.016807 2005.974790 6.872269
墨西哥 1173.218487 91.840336 1992.815126 7.087395
巴西 3536.000000 87.811881 1999.871287 7.262376
德国 2597.851744 92.062016 1996.062984 7.198062
意大利 3340.740988 104.008011 1985.503338 7.179306
日本 3565.876585 84.705428 1999.907092 7.194572
比利时 1230.122302 82.352518 1999.496403 7.217986
法国 3628.402842 89.901599 1991.757016 7.239432
波兰 881.640884 80.734807 1987.027624 7.441989
泰国 5322.724490 88.442177 2009.129252 6.109184
澳大利亚 4719.043333 85.163333 2002.986667 6.978000
瑞典 1510.817708 93.218750 1986.932292 7.413021
美国 8500.825234 89.347111 1994.573313 6.946685
英国 4797.089790 88.343592 1996.726647 7.526937
荷兰 934.425806 75.387097 2001.283871 7.190323
西班牙 3326.024609 90.503356 2001.588367 7.024385
阿根廷 2226.474138 91.706897 2004.034483 7.273276
韩国 6484.885270 99.729090 2008.119171 6.362990
计算每年的平均评分
df['评分'].groupby(df['年代']).mean()

运行结果:

年代
1888    7.950000
1890    4.800000
1892    7.500000
1894    6.633333
1895    7.575000...
2012    6.457717
2013    6.392604
2014    6.259777
2015    6.142238
2016    5.868217
Name: 评分, Length: 126, dtype: float64
计算每个产地的电影的平均得分
df['评分'].groupby(df['产地']).mean()

运行结果:

产地
中国台湾    7.066667
中国大陆    6.064703
中国香港    6.474114
丹麦      7.245960
俄罗斯     7.554507
其他      7.237467
加拿大     6.733610
印度      6.872269
墨西哥     7.087395
巴西      7.262376
德国      7.198062
意大利     7.179306
日本      7.194572
比利时     7.217986
法国      7.239432
波兰      7.441989
泰国      6.109184
澳大利亚    6.978000
瑞典      7.413021
美国      6.946685
英国      7.526937
荷兰      7.190323
西班牙     7.024385
阿根廷     7.273276
韩国      6.362990
Name: 评分, dtype: float64
前面的对各个数值型变量求均值，但其实对年代求平均值没啥意义，可以先将年代转为字符串
df['年代']=df['年代'].astype('str')

df.groupby(df['产地']).mean()
投票人数 时长 评分
产地
中国台湾 8474.864078 87.257282 7.066667
中国大陆 10898.293793 81.432930 6.064703
中国香港 8167.446159 88.541214 6.474114
丹麦 1993.858586 88.101010 7.245960
俄罗斯 1019.134172 95.918239 7.554507
其他 1591.494007 87.100573 7.237467
加拿大 1915.304288 80.109267 6.733610
印度 3210.843137 121.016807 6.872269
墨西哥 1173.218487 91.840336 7.087395
巴西 3536.000000 87.811881 7.262376
德国 2597.851744 92.062016 7.198062
意大利 3340.740988 104.008011 7.179306
日本 3565.876585 84.705428 7.194572
比利时 1230.122302 82.352518 7.217986
法国 3628.402842 89.901599 7.239432
波兰 881.640884 80.734807 7.441989
泰国 5322.724490 88.442177 6.109184
澳大利亚 4719.043333 85.163333 6.978000
瑞典 1510.817708 93.218750 7.413021
美国 8500.825234 89.347111 6.946685
英国 4797.089790 88.343592 7.526937
荷兰 934.425806 75.387097 7.190323
西班牙 3326.024609 90.503356 7.024385
阿根廷 2226.474138 91.706897 7.273276
韩国 6484.885270 99.729090 6.362990

这时候就不会对年代求平均了

#求中位数
df.groupby(df.产地).median()
投票人数 时长 评分
产地
中国台湾 487.0 92.0 7.1
中国大陆 501.5 90.0 6.4
中国香港 637.0 92.0 6.5
丹麦 181.5 93.5 7.3
俄罗斯 132.0 93.0 7.7
其他 154.0 90.0 7.4
加拿大 251.0 89.0 6.9
印度 138.0 131.0 7.0
墨西哥 174.0 93.0 7.2
巴西 126.0 96.0 7.3
德国 208.5 94.0 7.3
意大利 181.0 101.0 7.3
日本 355.5 89.0 7.3
比利时 226.0 90.0 7.3
法国 240.0 95.0 7.3
波兰 174.0 87.0 7.5
泰国 542.5 92.5 6.2
澳大利亚 303.5 94.0 7.0
瑞典 186.0 95.5 7.6
美国 392.0 93.0 7.1
英国 316.5 91.0 7.6
荷兰 175.0 84.0 7.3
西班牙 254.0 97.0 7.1
阿根廷 140.0 95.5 7.3
韩国 998.0 104.0 6.5
传入多个分组变量
df.groupby([df['产地'],df["年代"]]).mean()
投票人数 时长 评分
产地 年代
中国台湾 1963 121.000000 113.000000 6.400000
1965 153.666667 105.000000 6.800000
1966 51.000000 60.000000 7.900000
1967 4444.000000 112.000000 8.000000
1968 89.000000 83.000000 7.400000
... ... ... ... ...
韩国 2012 5762.537736 100.669811 6.064151
2013 10189.036036 96.504505 6.098198
2014 3776.266667 98.666667 5.650833
2015 3209.247706 100.266055 5.423853
2016 1739.850000 106.100000 5.730000

1584 rows × 3 columns

获得每个地区,每一年电影的评分的均值
means=df['评分'].groupby([df['产地'],df['年代']]).mean()

means

运行结果:

产地    年代
中国台湾  1963    6.4000001965    6.8000001966    7.9000001967    8.0000001968    7.400000...
韩国    2012    6.0641512013    6.0981982014    5.6508332015    5.4238532016    5.730000
Name: 评分, Length: 1584, dtype: float64
series通过unstack方法转化为dataframe,会产生缺失值
means.unstack().T

运行结果:

产地 中国台湾 中国大陆 中国香港 丹麦 俄罗斯 其他 加拿大 印度 墨西哥 巴西 ... 波兰 泰国 澳大利亚 瑞典 美国 英国 荷兰 西班牙 阿根廷 韩国
年代
1888 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN 7.950000 NaN NaN NaN NaN
1890 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN 4.800000 NaN NaN NaN NaN NaN
1892 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
1894 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN 6.450000 NaN NaN NaN NaN NaN
1895 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
2012 6.556098 5.727187 6.110526 7.418750 6.572727 6.591743 6.425000 6.502632 7.100000 7.32 ... 7.066667 5.962963 6.614286 5.9625 6.437622 7.293103 6.766667 6.595238 6.483333 6.064151
2013 7.076471 5.316667 6.105714 6.555556 6.875000 6.853571 6.018182 6.400000 6.983333 8.00 ... 6.966667 5.568000 6.760000 7.1000 6.339668 7.448322 6.563636 6.358333 6.616667 6.098198
2014 6.522222 4.963757 5.616667 7.120000 7.175000 6.596250 5.921739 6.374194 7.250000 6.86 ... 7.060000 5.653571 6.568750 6.9600 6.415922 7.275000 7.300000 6.868750 7.150000 5.650833
2015 6.576000 4.969189 5.589189 7.166667 7.342857 6.735714 6.018750 6.736364 6.500000 6.76 ... 6.300000 5.846667 6.880000 7.6250 6.278641 7.155056 6.700000 6.514286 7.233333 5.423853
2016 NaN 4.712000 5.390909 7.000000 NaN 7.225000 6.200000 6.900000 NaN NaN ... NaN NaN NaN NaN 6.540909 7.200000 NaN NaN NaN 5.730000

126 rows × 25 columns

三.离散化处理

在实际的数据分析项目中，对有的数据属性，我们往往并不关注数据的绝对取值，只关注它所处的区间或者等级

1.cut函数进行离散化

离散化也可称为分组、区间化

pd.cut(x, bins, right=True, labels=None, retbins=False, plecision=3, include_lowest=False)
参数解释︰×∶需要离散化的数组、Series、DataFrame对象

bins :分组的依据

right=True 默认包括右端点(默认左开右闭区间)

比如，我们可以把评分9分及以上的电影定义为A，7到9分定义为B，5到7分定义为c，3到5分定义为D，小于3分定义为E

#x:需要离散化的数组:评分 bins:分组的依据[0，3，5，7，9] 默认左开右闭区间
pd.cut(df['评分'],[0,3,5,7,9,10])

运行结果:

0        (9, 10]
1        (9, 10]
2        (9, 10]
3        (9, 10]
4        (9, 10]...
38717     (7, 9]
38718     (7, 9]
38719     (7, 9]
38720     (7, 9]
38721     (5, 7]
Name: 评分, Length: 38722, dtype: category
Categories (5, interval[int64]): [(0, 3] < (3, 5] < (5, 7] < (7, 9] < (9, 10]]

添加labels参数,labels要和bins区间划分一 一对应

pd.cut(df['评分'], [0, 3, 5, 7, 9, 10],labels=['E','D','C','B','A'])

运行结果:

0        A
1        A
2        A
3        A
4        A..
38717    B
38718    B
38719    B
38720    B
38721    C
Name: 评分, Length: 38722, dtype: category
Categories (5, object): ['E' < 'D' < 'C' < 'B' < 'A']
新增一列评分等级
df['评分等级'] = pd.cut(df['评分'], [0, 3, 5, 7, 9, 10],labels=['E', 'D', 'C', 'B', 'A'])
df.head()
名字 投票人数 类型 产地 上映时间 时长 年代 评分 首映地点 评分等级
0 肖申克的救赎 692795 剧情/犯罪 美国 1994-09-10 00:00:00 142 1994 9.6 多伦多电影节 A
1 控方证人 42995 剧情/悬疑/犯罪 美国 1957-12-17 00:00:00 116 1957 9.5 美国 A
2 美丽人生 327855 剧情/喜剧/爱情 意大利 1997-12-20 00:00:00 116 1997 9.5 意大利 A
3 阿甘正传 580897 剧情/爱情 美国 1994-06-23 00:00:00 142 1994 9.4 洛杉矶首映 A
4 霸王别姬 478523 剧情/爱情/同性 中国大陆 1993-01-01 00:00:00 171 1993 9.4 香港 A
可以根据投票人数来刻画电影热门程度

投票越多越热门

可以先设定区间，用np.np.percentile(a,q)
a是进行分位数处理的对象,q是百分位数

bins = np.percentile(df['投票人数'], [0,20,40,60,80,100])

df['热门程度']=pd.cut(df['投票人数'],bins,labels=['E', 'D', 'C', 'B', 'A'])
df.head()
名字 投票人数 类型 产地 上映时间 时长 年代 评分 首映地点 评分等级 热门程度
0 肖申克的救赎 692795 剧情/犯罪 美国 1994-09-10 00:00:00 142 1994 9.6 多伦多电影节 A A
1 控方证人 42995 剧情/悬疑/犯罪 美国 1957-12-17 00:00:00 116 1957 9.5 美国 A A
2 美丽人生 327855 剧情/喜剧/爱情 意大利 1997-12-20 00:00:00 116 1997 9.5 意大利 A A
3 阿甘正传 580897 剧情/爱情 美国 1994-06-23 00:00:00 142 1994 9.4 洛杉矶首映 A A
4 霸王别姬 478523 剧情/爱情/同性 中国大陆 1993-01-01 00:00:00 171 1993 9.4 香港 A A 
df.tail()
名字 投票人数 类型 产地 上映时间 时长 年代 评分 首映地点 评分等级 热门程度
38717 神学院 S 46 Adult 法国 1905-06-05 00:00:00 58 1983 8.6 美国 B E
38718 1935年 57 喜剧/歌舞 美国 1935-03-15 00:00:00 98 1935 7.6 美国 B E
38719 血溅画屏 95 剧情/悬疑/犯罪/武侠/古装 中国大陆 1905-06-08 00:00:00 91 1986 7.1 美国 B D
38720 魔窟中的幻想 51 惊悚/恐怖/儿童 中国大陆 1905-06-08 00:00:00 78 1986 8.0 美国 B E
38721 列宁格勒围困之星火战役 Блокада: Фильм 2: Ленинградский ме... 32 剧情/战争 俄罗斯 1905-05-30 00:00:00 97 1977 6.6 美国 C E
烂片统计:评分人数多，分数低

注意这里条件并列要用& 而不是and，之前的博客记录过

df[(df['评分等级']=='E')&(df['热门程度']=='A')]
名字 投票人数 类型 产地 上映时间 时长 年代 评分 首映地点 评分等级 热门程度
655 B区 5187 剧情/惊悚/恐怖 中国大陆 2011-06-03 00:00:00 89 2011 2.3 中国大陆 E A
4376 怖偶 4867 悬疑/惊悚 中国大陆 2014-05-07 00:00:00 88 2014 2.8 中国大陆 E A
5413 床下有人 4309 悬疑/惊悚 中国大陆 2011-10-14 00:00:00 100 2011 2.8 中国大陆 E A
6802 帝国秘符 4351 动作/冒险 中国大陆 2013-09-18 00:00:00 93 2013 3.0 中国大陆 E A
8232 飞天 4764 剧情 中国大陆 2011-07-01 00:00:00 115 2011 2.9 中国大陆 E A
8406 分手达人 3937 喜剧/爱情 中国大陆 2014-06-06 00:00:00 90 2014 2.7 中国大陆 E A
9601 孤岛惊魂 2982 悬疑/惊悚/恐怖 中国大陆 2013-01-26 00:00:00 93 2012 2.8 中国大陆 E A
10512 海天盛宴·韦口 3788 情色 中国大陆 2013-10-12 00:00:00 88 2013 2.9 网络 E A
16797 孪生密码 6390 动作/悬疑 中国大陆 2013-11-08 00:00:00 96 2013 2.9 中国大陆 E A
21528 拳皇 6329 动作/科幻/冒险 日本 2012-10-12 00:00:00 93 2010 3.0 中国大陆 E A
22700 闪魂 3119 惊悚/犯罪 中国大陆 2014-02-21 00:00:00 94 2013 2.6 中国大陆 E A
22878 少年毛泽东 3058 动画/儿童/冒险 中国大陆 2015-04-30 00:00:00 76 2015 2.4 中国大陆 E A
24123 史前怪兽 3543 动作/惊悚/冒险 英国 2014-01-01 00:00:00 89 2013 3.0 中国大陆 E A
28256 无极限之危情速递 6319 喜剧/动作/爱情/冒险 中国大陆 2011-08-12 00:00:00 94 2011 2.8 中国大陆 E A
32093 异度公寓 3639 惊悚 中国大陆 2010-06-04 00:00:00 93 2010 2.7 中国大陆 E A
32486 英雄之战 8359 动作/爱情 中国大陆 2014-03-21 00:00:00 90 2014 3.0 中国大陆 E A
32659 咏春小龙 8861 剧情/动作 中国大陆 2013-07-20 00:00:00 90 2013 3.0 中国大陆 E A
33483 再爱一次好不好 6999 喜剧/爱情 中国大陆 2014-04-11 00:00:00 94 2014 3.0 中国大陆 E A
38650 大话天仙 21629 喜剧/奇幻/古装 中国大陆 2014-02-02 00:00:00 91 2014 3.0 中国大陆 E A
38652 天机·富春山居图 74709 动作/冒险 中国大陆 2013-06-09 00:00:00 122 2013 2.9 中国大陆 E A
38653 特工艾米拉 10852 动作/悬疑 中国大陆 2014-04-11 00:00:00 96 2014 2.7 中国大陆 E A
38657 汽车人总动员 12892 喜剧/动画/冒险 中国大陆 2015-07-03 00:00:00 85 2015 2.3 中国大陆 E A
38662 2016年中央电视台春节 17328 歌舞/真人秀 中国大陆 2016-02-07 00:00:00 280 2016 2.3 中国大陆 E A
38668 放手爱 29254 喜剧/爱情 中国大陆 2014-04-30 00:00:00 93 2014 2.3 中国大陆 E A
冷门高分电影
df[(df['热门程度']=='E')&(df['评分等级']=='A')]
名字 投票人数 类型 产地 上映时间 时长 年代 评分 首映地点 评分等级 热门程度
456 未知电影 45 音乐 美国 2015-12-14 00:00:00 60 2015 9.3 美国 A E
587 BBC喜剧音 38 喜剧/音乐/歌舞 英国 2011-08-13 00:00:00 95 2011 9.3 美国 A E
642 未知电影 38 纪录片/音乐 美国 2003-02-03 00:00:00 55 2003 9.2 美国 A E
686 未知电影 63 音乐/舞台艺术 英国 2014-05-18 00:00:00 49 2014 9.5 美国 A E
698 未知电影 52 纪录片 英国 2008-07-25 00:00:00 40 2008 9.8 美国 A E
... ... ... ... ... ... ... ... ... ... ... ...
37573 歌唱神探 36 剧情/悬疑/歌舞 英国 1986-11-16 00:00:00 415 1986 9.1 美国 A E
37699 未知电影 56 纪录片 美国 1972-12-23 00:00:00 70 1972 9.3 美国 A E
38104 山那边 70 剧情 美国 1975-11-14 00:00:00 103 1975 9.1 美国 A E
38437 奎 62 纪录片/短片 美国 2015-08-19 00:00:00 9 2015 9.1 纽约电影论坛 A E
38493 未知电影 41 纪录片/短片 英国 1905-06-29 00:00:00 57 2007 9.2 美国 A E

245 rows × 11 columns

2.保存处理后的数据

#防止unnmaed，index=False
df.to_excel("movie_data3.xlsx",index=False)

四.合并数据集

1.append

先把数据集拆分为多个,再进行合并

拆分为美国和中国再合并

df_usa=df[df.产地=='美国']
df_china=df[df.产地=='中国大陆']

将这两个数据集进行合并

df_china.append(df_usa)
名字 投票人数 类型 产地 上映时间 时长 年代 评分 首映地点 评分等级 热门程度
4 霸王别姬 478523 剧情/爱情/同性 中国大陆 1993-01-01 00:00:00 171 1993 9.4 香港 A A
21 大闹天宫 74881 动画/奇幻 中国大陆 1905-05-14 00:00:00 114 1961 9.2 上集 A A
29 穹顶之下 51113 纪录片 中国大陆 2015-02-28 00:00:00 104 2015 9.2 中国大陆 A A
38 茶馆 10678 剧情/历史 中国大陆 1905-06-04 00:00:00 118 1982 9.2 美国 A A
45 山水情 10781 动画/短片 中国大陆 1905-06-10 00:00:00 19 1988 9.2 美国 A A
... ... ... ... ... ... ... ... ... ... ... ...
38709 跷家的一夜 82 喜剧/动作/惊悚/冒险 美国 1987-07-01 00:00:00 102 1987 7.8 美国 B D
38711 零下的激情 199 剧情/爱情/犯罪 美国 1987-11-06 00:00:00 98 1987 7.4 美国 B D
38713 离别秋波 240 剧情/爱情/音乐 美国 1986-02-19 00:00:00 90 1986 8.2 美国 B C
38716 极乐森林 45 纪录片 美国 1986-09-14 00:00:00 90 1986 8.1 美国 B E
38718 1935年 57 喜剧/歌舞 美国 1935-03-15 00:00:00 98 1935 7.6 美国 B E

15778 rows × 11 columns

2.merge(最常用)

how=‘inner’,以left数据文件为基准，若与right数据文件有交集就进行保留，只在right而不在left的不保留

连接键：若两边有相同的可以用on
若没有的话，左边指定left_on,右边指定right_on

用index连接也可以

选取六部热门电影来操作

df1=df.loc[:5]
df1
名字 投票人数 类型 产地 上映时间 时长 年代 评分 首映地点 评分等级 热门程度
0 肖申克的救赎 692795 剧情/犯罪 美国 1994-09-10 00:00:00 142 1994 9.6 多伦多电影节 A A
1 控方证人 42995 剧情/悬疑/犯罪 美国 1957-12-17 00:00:00 116 1957 9.5 美国 A A
2 美丽人生 327855 剧情/喜剧/爱情 意大利 1997-12-20 00:00:00 116 1997 9.5 意大利 A A
3 阿甘正传 580897 剧情/爱情 美国 1994-06-23 00:00:00 142 1994 9.4 洛杉矶首映 A A
4 霸王别姬 478523 剧情/爱情/同性 中国大陆 1993-01-01 00:00:00 171 1993 9.4 香港 A A
5 泰坦尼克号 157074 剧情/爱情/灾难 美国 2012-04-10 00:00:00 194 2012 9.4 中国大陆 A A 
df2 = df.loc[:5][['名字', '产地']]

df2['票房']=[314115,2151,12123,314,11,312]

#票房随便写的
df2
名字 产地 票房
0 肖申克的救赎 美国 314115
1 控方证人 美国 2151
2 美丽人生 意大利 12123
3 阿甘正传 美国 314
4 霸王别姬 中国大陆 11
5 泰坦尼克号 美国 312

打乱数据

#index也乱了，恢复一下
df2=df2.sample(frac=1)
df2
名字 产地 票房
5 美丽人生 意大利 12123
4 阿甘正传 美国 314
2 肖申克的救赎 美国 314115
0 控方证人 美国 2151
3 霸王别姬 中国大陆 11
1 泰坦尼克号 美国 312 
df2.index=range(len(df2))
df2
名字 产地 票房
0 控方证人 美国 2151
1 泰坦尼克号 美国 312
2 肖申克的救赎 美国 314115
3 霸王别姬 中国大陆 11
4 阿甘正传 美国 314
5 美丽人生 意大利 12123

df1和df2进行合并

此时对应的电影的index已经匹配不上了，所以要用on 的方式

票房产地都不适合作为连接的列，票房df1没有，产地有重复的，所以用名字来连接

pd.merge(df1,df2,how='inner',on='名字')
名字 投票人数 类型 产地_x 上映时间 时长 年代 评分 首映地点 评分等级 热门程度 产地_y 票房
0 肖申克的救赎 692795 剧情/犯罪 美国 1994-09-10 00:00:00 142 1994 9.6 多伦多电影节 A A 美国 314115
1 控方证人 42995 剧情/悬疑/犯罪 美国 1957-12-17 00:00:00 116 1957 9.5 美国 A A 美国 2151
2 美丽人生 327855 剧情/喜剧/爱情 意大利 1997-12-20 00:00:00 116 1997 9.5 意大利 A A 意大利 12123
3 阿甘正传 580897 剧情/爱情 美国 1994-06-23 00:00:00 142 1994 9.4 洛杉矶首映 A A 美国 314
4 霸王别姬 478523 剧情/爱情/同性 中国大陆 1993-01-01 00:00:00 171 1993 9.4 香港 A A 中国大陆 11
5 泰坦尼克号 157074 剧情/爱情/灾难 美国 2012-04-10 00:00:00 194 2012 9.4 中国大陆 A A 美国 312

3.concat

将多个数据集进行批量合并

df1=df[:10]
df2=df[100:110]
df3=df[200:210]

#默认是增加行axis=0
#若要增加列 axis要设置为1
dff=pd.concat([df1,df2,df3])
dff
名字 投票人数 类型 产地 上映时间 时长 年代 评分 首映地点 评分等级 热门程度
0 肖申克的救赎 692795 剧情/犯罪 美国 1994-09-10 00:00:00 142 1994 9.6 多伦多电影节 A A
1 控方证人 42995 剧情/悬疑/犯罪 美国 1957-12-17 00:00:00 116 1957 9.5 美国 A A
2 美丽人生 327855 剧情/喜剧/爱情 意大利 1997-12-20 00:00:00 116 1997 9.5 意大利 A A
3 阿甘正传 580897 剧情/爱情 美国 1994-06-23 00:00:00 142 1994 9.4 洛杉矶首映 A A
4 霸王别姬 478523 剧情/爱情/同性 中国大陆 1993-01-01 00:00:00 171 1993 9.4 香港 A A
5 泰坦尼克号 157074 剧情/爱情/灾难 美国 2012-04-10 00:00:00 194 2012 9.4 中国大陆 A A
6 辛德勒的名单 306904 剧情/历史/战争 美国 1993-11-30 00:00:00 195 1993 9.4 华盛顿首映 A A
7 新世纪福音战士剧场版：Air/真心为你 新世紀エヴァンゲリオン劇場版 Ai 24355 剧情/动作/科幻/动画/奇幻 日本 1997-07-19 00:00:00 87 1997 9.4 日本 A A
8 银魂完结篇：直到永远的万事屋 劇場版 銀魂 完結篇 万事屋よ 21513 剧情/动画 日本 2013-07-06 00:00:00 110 2013 9.4 日本 A A
9 这个杀手不太冷 662552 剧情/动作/犯罪 法国 1994-09-14 00:00:00 133 1994 9.4 法国 A A
100 101 146 喜剧/爱情 韩国 1993-06-19 00:00:00 112 1993 7.4 韩国 B D
101 10 186 喜剧 英国 1995-01-25 00:00:00 101 1995 7.4 美国 B D
102 素媛 114819 剧情/家庭 韩国 2013-10-02 00:00:00 123 2013 9.1 韩国 A A
103 101忠狗续集：伦敦 924 喜剧/动画/家庭 美国 2003-01-21 00:00:00 70 2003 7.5 美国 B B
104 10 9514 喜剧/家庭 美国 2000-09-22 00:00:00 100 2000 7.0 美国 C A
105 10 601 剧情 韩国 2014-04-24 00:00:00 93 2013 7.2 美国 B C
106 10件或 1770 剧情/喜剧/爱情 美国 2006-12-01 00:00:00 82 2006 7.7 美国 B B
107 10年 1531 喜剧/同性 美国 2015-06-02 00:00:00 90 2014 6.9 美国 C B
108 11·25自决之日 三岛由纪夫与年轻人们 11・25自決の 149 剧情 日本 2012-06-02 00:00:00 119 2012 5.6 日本 C D
109 泰坦尼克号 535491 剧情/爱情/灾难 美国 1998-04-03 00:00:00 194 1997 9.1 中国大陆 A A
200 最完美的离婚 2014特别篇 18478 剧情/喜剧/爱情 日本 2014-02-08 00:00:00 120 2014 9.1 日本 A A
201 2001夜物 84 剧情/动画 日本 2009-10-02 00:00:00 80 2009 6.6 美国 C D
202 头七 頭 7039 恐怖 中国香港 2009-05-21 00:00:00 60 2009 6.2 美国 C A
203 火车进站 L 7001 纪录片/短片 法国 1896-01-06 60 1896 8.8 法国 B A
204 银行舞蹈 6944 短片 美国 1905-07-01 00:00:00 60 2009 7.8 美国 B A
205 2003提雅 48 音乐 荷兰 2003-10-07 00:00:00 200 2003 8.9 美国 B E
206 死亡飞车3：地狱烈 6937 动作 美国 2012-12-12 00:00:00 60 2012 5.8 美国 C A
207 时光钟摆 振り 6876 剧情/动画/短片 日本 2012-03-20 00:00:00 60 2012 8.7 美国 B A
208 你还可爱么 你還可愛 6805 短片 中国香港 2011-04-22 00:00:00 60 2011 8.3 美国 B A
209 一碌蔗 6799 剧情/喜剧/爱情 中国香港 2002-09-19 00:00:00 60 2002 6.7 美国 C A

pandas入门(3)相关推荐

  1. 【直播】耿远昊：Pandas入门讲解（安泰第四届数据科学训练营）

    Pandas入门讲解 直播信息 主讲人:耿远昊,Datawhale成员,joyful-pandas作者. 直播时间:2021年04月07日 20:00~21:00 直播内容: 时间序列中的必知必会: ...

  2. python花萼长度表_Python 数据分析答疑 5：Pandas入门

    8.23 第五课 Pandas入门作业 1: 使用如下代码创建 DataFrame, gdp = {"country":["United States", &q ...

  3. python使用教程pandas-十分钟搞定pandas(入门教程)

    本文是对pandas官方网站上<10Minutes to pandas>的一个简单的翻译,原文在这里.这篇文章是对pandas的一个简单的介绍,详细的介绍请参考:Cookbook .习惯上 ...

  4. python使用教程pandas-Python 数据处理库 pandas 入门教程基本操作

    pandas是一个Python语言的软件包,在我们使用Python语言进行机器学习编程的时候,这是一个非常常用的基础编程库.本文是对它的一个入门教程. pandas提供了快速,灵活和富有表现力的数据结 ...

  5. pandas pivot 占比_数据处理进阶pandas入门（十八）

    回顾 在数据处理进阶pandas入门(十七)中,我们介绍了pandas中对groupby()方法的分组数据处理的两个方法:transform()和apply().我们需要掌握好这两个方法,对分组数据进 ...

  6. Pandas入门3（dtype+fillna+replace+rename+concat+join）

    文章目录 5. dtype 数据类型 6. Missing data 缺失值 6.1 查找缺失值 pd.isnull(),pd.notnull() 6.2 填补缺失值 fillna(),replace ...

  7. Pandas入门2（DataFunctions+Maps+groupby+sort_values）

    文章目录 3. Summary Functions and Maps 3.1 Summary Functions 数据总结函数 3.1.1 describe() 3.1.2 mean(),median ...

  8. Pandas入门1（DataFrame+Series读写/Index+Select+Assign）

    文章目录 1. Creating, Reading and Writing 1.1 DataFrame 数据框架 1.2 Series 序列 1.3 Reading 读取数据 2. Indexing, ...

  9. pandas series取值_【小学生级】pandas入门到精通备查表——AI未来系列3

    在未来面前,每个人都是学生 江海升月明,天涯共此时,关注江时! 引 子 篇为AI未来系列第三篇,中阶部分开始.pandas的数据分析功能比excel强太多,基本上学会pandas,走遍天下都不怕.这是 ...

  10. python数据分析df_Python数据分析pandas入门！(附数据分析资料)

    Python数据分析pandas入门!(附数据分析资料) 1.pandas数据结构之DataFrame+ 这是小编准备的python数据分析资料!进群:700341555即可获取! Python数据分 ...

最新文章

  1. sql查询父节点所有子节点id_5招搞定SQL棘手问题，同事看到直呼“内行”
  2. select case when if 的一些用法
  3. 信号处理:傅立叶变换的波形分辨率和频率分辨率
  4. MVC5网站部署到IIS7
  5. 实例4：python
  6. java 数组 equals_java中用equals比较两个内容相同的字符数组
  7. 扇贝有道180919每日一句
  8. strcpy_s函数
  9. 解决win10学习汇编工具的烦恼——汇编学习工具DOSBox0.74的下载和使用（包含可用下载链接）
  10. apms阅卷系统服务器,APMS全通纸笔王网上阅卷系统网上操作指南.doc
  11. Fate Decision剧本
  12. mysql 时间加五分钟_mysql当前时间增加5分钟的实现方法
  13. linux最后一行awk,51CTO博客-专业IT技术博客创作平台-技术成就梦想
  14. hal系统命令 android,动态可用的 HAL  |  Android 开源项目  |  Android Open Source Project...
  15. android模拟器dns,网络异常，显示无网络（修改DNS方法）
  16. 单仓库设施选址决策方法(重心法,C语言代码)
  17. 4. “强人”的“皮球”生涯
  18. TensorFlow Serving的使用
  19. html vb病毒,HTML_用vbs实现的一款Worm.Win32.VB.fw病毒专杀，在写了《Worm.Win32.VB.fw分析与清 - phpStudy...
  20. 存货做12月的期未处理时提示 :尚有单据为部分记账状态,不能进行12月的期未处理?...

热门文章

  1. 南航计算机学院考研的专业课,【南航计算机考研】南航计算机考研经验贴
  2. c语言编程创意表白,C语言和图形界面编程打造——浪漫的表白程序
  3. 练习-图书馆管理系统
  4. 人体姿态识别 tensorflow版本
  5. 微软放大招，惊现杨超越鼓励师编程插件！
  6. 解决魅族手机不能Toast提示的方法
  7. stm32f4 dma da正弦波发生器 keil5 hal库 CubeMX
  8. cloverconfig机型修改_CloverConfig新手设置教程.doc
  9. 贪吃蛇c加加代码_c语言贪吃蛇代码
  10. HTML动态视频背景全代码