1. python基础语法

1.1 怎么让两个list或者其它可以迭代的放到一起

可以使用zip
可以使用索引

for i in range(len(xxx)):list[i]

1.2 random.choice(x, n, replace=True) numpy中从某个数据集中选择

不是随机random.int() 而是从既有数据集中选择！

1.3 如何根据key返回字典的value

精髓就在于，直接封装成方法！
这样就可以直接调用了！！

def return_key(levels_dict, target):for key, value in levels_dict.items():if value == target:return keyreturn "ERROR"return_key(levels_dict, val)

1.4 The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

any() 函数用于判断给定的可迭代参数 iterable 是否全部为 False，则返回 False，如果有一个为 True，则返回 True。

元素除了是 0、空、FALSE 外都算 TRUE。

注意针对的是可迭代的对象！

1.5 到底是.xxx呢还是.xxx()呢？？

是不是经常会有疑问，到底加不加括号！
其实这个可以通过经验来获得！
如果我们想返回的是值，比如df.columns,那么多半是不加括号的；
而如果是一个功能，比如sort，那么就需要加括号

1.6 list and generator and any(iterable) all(iterable)

如果是any和all则选用generator
因为只要判断了第一个满足条件或者不满足条件就可以返回了，list则要全部访问完
any(i for i in range(n)) # 就是一个括号
any([i for i in range(n)])

1.7 globals 获取全局的变量/函数/类

链接

链接

一句话: 就是会返回所有全局变量的一个字典, key值为该变量的命名;
这里的全局变量包含了:
**导入的包! 导入的函数! **
如果是在某个函数中,则包含了局部变量(参数);
如果是在类中,则包含了定义的实例变量.

在调用的时候,由于globals()是一个字典,所以先加key值,再写参数

train_dataset = globals()[dataset_name](conf, conf.data.train_json_files, generate_dict=True)

1.8 a = a.append(3)这件事

    loc_level = [level_levelid[i][0] for i in range(idx+1)]\.append(ll[1])print(loc_level)  # None## 正确loc_level = [level_levelid[i][0] for i in range(idx+1)]loc_level .append(ll[1])print(loc_level)  # 

好像没错，但是其实错了 ！ 因为这个时候a被赋值是append()函数
这个函数是inplace的，不需要重新定义，没有返回值，肯定为None

1.9 <class “NoneType”>

一般是函数的输出会是NoneType
判断方式:

a is None

1.10时间格式的整理

时间格式转换 str --> datetime or datetime --> str

需要的函数:

import datetime

时间格式的加减(加秒/加小时/加天/周/月等)

datetime.timedelta(
[days
[, seconds
[, microseconds
[, milliseconds
[, minutes
[, hours
[, weeks
]]]]]]])now=datetime.datetime.now()
now
datetime.datetime(2018, 1, 20, 11, 5, 18, 227000)
delta=datetime.timedelta(days=1)
delta
datetime.timedelta(1)
newtime=now+delta

时间格式的提取(比如将dataframe中某一列设为周)

2. numpy

2.1 numpy中如何使得维度降低维度

降低维度到1维

x = x.reshape(-1)x = x.flatten()

2.2. np.bincount()

• 解释
  这是一个加权对同类累加的函数 ！ 当然是同类的加权！ 同时是降序返回

• 参数
  x
  weights（optional）： array of the same shape as x，默认是1
  minlength（optional）：

• 举例
  x： array([2, 2, 0, 2, 0, 0, 1, 1, 2, 1, 1, 0, 1, 1, 0, 1, 2, 2, 0])
  weights： array([0.4, 0.4, 0.2,0.2, …])

x * weights 后对同类进行累加并返回
所以返回的是三个数 [x_1, x_2, x_3] 2/1、0的加权和

• 应用场景
  一般用在求概率上！
  比如gini系数!

   def gini(y):# Gini impurity (local entropy) of a label sequencehist = np.bincount(y)N = np.sum(hist)return 1 - sum([(i / N) ** 2 for i in hist])

2.3 numpy里的高级索引

• 支持索引查找
  x[[1,2,3], [2,3,4]]
  或者是x[1,2,3] 表示取的是array x的索引为1,2，3的数组

2.4. np.unique()

去重以及排序

2.5 re.sub(pattern, repl, string, count=0, flags=0)

re.sub的参数：5个参数

参数1：pattern
表示正则中的模式字符串。
参数2：repl
就是replacement，表示被替换的字符串，可以是字符串也可以是函数。
参数3：string
表示要被处理和替换的原始字符串
参数4：count
可选参数，表示是要替换的最大次数，而且必须是非负整数，该参数默认为0，即所有的匹配都会被替换；
参数5：flags
可选参数，表示编译时用的匹配模式（如忽略大小写、多行模式等），数字形式，默认为0。

import rere.sub('[，]', ',', str1)  # a = '   (rr 我)#1  (d 只是)#1  (p 以)#1  (vi 笑) (v 作答)#1#2#3 (。 。)'
a = re.sub(u"[\u4e00-\u9fa5]+", '*', a) # 匹配多个连续汉字，替换为*

2.6 设置展示行（列也是同理的，可以自己去查）

pd.options.display.max_rows = None
pd.set_option('display.max_rows', 200)

每次运行前都要重新设置！

2.7 ~的作用

~就是取反，只能用于numpy，list是不行的！ 当然用到dataframe也是可以的，因为它每个单元格都是ndarray
~np.array([True, ])

3. pandas

3.1 查看某行是不是有重复值

是否有重复行
any(df.duplicated())
可以用于某一列有重复值

查看重复的行
df[df.duplicated()]
去除重复行
df.drop_duplicats(subset = [‘price’,‘cnt’],keep=‘last’,inplace=True)
drop_duplicats参数说明：
subset subset用来指定特定的列，默认所有列
keep keep可以为first和last，表示是选择最前一项还是最后一项保留，默认first
inplace inplace是直接在原来数据上修改还是保留一个副本，默认为False

3.2 df.value_counts(normalize: bool = False,sort: bool = True,ascending: bool = False,bins=None, dropna: bool = True)

记住返回的是series！ int类型，虽然显示的是text + id
还可以实现mean！

  Examples-------->>> index = pd.Index([3, 1, 2, 3, 4, np.nan])>>> index.value_counts()3.0    21.0    12.0    14.0    1dtype: int64With `normalize` set to `True`, returns the relative frequency bydividing all values by the sum of values.>>> s = pd.Series([3, 1, 2, 3, 4, np.nan])>>> s.value_counts(normalize=True)3.0    0.41.0    0.22.0    0.24.0    0.2dtype: float64**bins**Bins can be useful for going from a continuous variable to acategorical variable; instead of counting uniqueapparitions of values, divide the index in the specifiednumber of half-open bins.>>> s.value_counts(bins=3)(0.996, 2.0]    2(2.0, 3.0]      2(3.0, 4.0]      1dtype: int64**dropna**With `dropna` set to `False` we can also see NaN index values.>>> s.value_counts(dropna=False)3.0    21.0    12.0    14.0    1NaN    1dtype: int64"""

3.3 报错 Traceback (most recent call last): parser = TextFileReader(filepath_or_buffer, **kwds) self._engine = self._make_engine(self.engine)

• 错误分析
  这是因为pd.read_csv()代码运行出错！
  最可气的是出现上面的错误，pandas不显示全部的出错信息，而且出奇的一致，你也不知道你哪个参数写错了！
  但是注意这里出错只有一种可能是你的参数写错了！

• 运行代码

pd.read_csv('../data/type_count2.csv', encoding='GBK')
或者
pd.read_csv('../data/type_count2.csv', encoding='utf-8')
或者
pd.read_csv('../data/type_count2.csv', encoding='utf-8', sep='\t')

• 出错原因：

• 第一： 最重要的看看路径！！！！
  一般都是路径引起的！！ 给我回去一层一层的看

• 第二： encoding
  如果上面没有错误，那么请看编码问题！ UTF-8或者是GBK

• 第三： sep
  默认是逗号，如果有问题，一定尝试别的’\t’

• 小技巧：查看完整错误信息

try:pd.read_csv('../data/xx')
except Exception as e:print(e.args)print('=======')print(traceback.format_exc())

3.4 存储为csv后科学计数法的问题

• 场景分析
  主要是想保存csv或者是excel，但是某一列既有字符串，又有(int)，而且int还是长int; 由于csv中自动保存使用科学计数法！
  这是csv或者excel的显示问题，不是
  

方法解决:

• 方法一：就这样吧
  链接
  

  Excel打开CSV数字显示为科学计数法解决办法

压根不要着急！ 虽然它在csv或者是excel中是科学计数法，但是精度并没有丢失！！！！！！
前提是你不要点ctrl+s；
你读的时候数据还是原封不动的，所以没有必要慌张

如果点ctrl+S保存，会直接保存更改精度后的数据！！

• 方法二：转变csv的格式
  如果真的想保存为非科学计数法，可以尝试这个方法

分隔符选择为’,'(因为to_csv默认是逗号)

注意三列都需要设置哦！！！

这样就可以了！！

• 方法三：保存为txt格式
  这种直接保存为txt格式，就不会受到csv格式的制约了！

df_.to_csv('tt.txt', endoing='utf-8', sep='\t')

• 方法四： 对每一行多一个字符
  如果我们在保存的时候多加一个字符自动转为字符串！
  注意，就算我们使用

df['xxx'] = df['xxx'].astype(str) 
或者是
df['xxx'] = df['xxx'].apply(lambda x: str(x)) 
都是无济于事的

因为它本来就是str，但是在转为csv的时候还是会以同样的方式把它认为int！ giao！
所以要这样

# 写端：
df['xxx'] = df['xxx'].apply(lambda x: str(x) + '\t') 
或者是
df['xxx'] = df['xxx'].apply(lambda x: str(x) + ' ') 
# 读端:
df['xxx'] = df['xxx'].apply(lambda x: s.strip() 

这样你保存的时候就不会显示为科学计数法了！！

3.5 读json格式

panads同样可以读json！ 不需要用json.loads(xxx)
前提：json中每个字典对象都要有相同的ziduan

with open('tt.json', 'r', encoding='utf-8') as file:json_info = file.read()
df = pd.read_json(json_info)

• groupby + reset_index + sort_values

df2_ = df.groupby(['channelid','type',])['count'].sum().reset_index().sort_values(['type', 'count'], ascending=False)

使用某两列进行分组生成了groupby对象，该对象以[‘channelid’,‘type’] 为索引， 属性是其它属性，然后再对count列求和！！！

reset_index()使得index为列！

再以两列排序！！

3.6 查看完整的错误信息

try:pd.read_csv('../data/xx')
except Exception as e:print(e.args)print('=======')print(traceback.format_exc())

3.7 多条件索引

必须使用 “&”, 而不是and

data_counts[(data_counts['数量']>100) & (data_counts['数量']<500)]

3.8 读excel某几行

pandas.read_excel(io,
sheet_name=0,
header=0,      # 第几行为列名
names=None,    # 新的列名
index_col=None,
usecols=None,  # 几列
squeeze=False,
dtype=None,
engine=None,converters=None,true_values=None,
false_values=None,
skiprows=None, # 跳过第几行
nrows=None,    # 读多少行
na_values=None,keep_default_na=True,
verbose=False,parse_dates=False,date_parser=None,
thousands=None,
comment=None,skip_footer=0,skipfooter=0,
convert_float=True,mangle_dupe_cols=True,**kwds)

如果只读某几行，比如第一行我们是不需要的，那么就skiprows = 1

3.9 df[‘xxx’].values

• dataframe格式
  我们在展示某列的时候不想要其index，只想获得值，这个时候就可以使用values
• series格式
  其实，某一列就是要给series，series就相当于是一个有index的array，当取values的时候，就和array一样的！

3.10 df.dtypes

展示df每一列的数据类型

3.11 删除多列同时为0的行

dropna： 用于删除异常值的，包含NA的
drop： 同上

columns = ['xx', 'xxx', ....]
data[(data.loc[:, columns]!=0).any(1)] # 

any() : 用于判断一个迭代对象是不是全部为True，否则为False
any(iterable)

3.12创建dataframe的方式

链接

3.13 Series访问

series的索引访问! 都说series和ndarray一样, 但是其实也不一样! 因为ndarray通过切片下标来高级索引, 但是series还是得通过iloc或者loc****索引访问;
其次要清楚, 索引(高级索引)返回的是拷贝;
而切片访问返回的是视图!!!

series.iloc[[x, x, xx, x]] # 只需要写一个行就行,不需要全部!

链接

3.14 iloc和loc

iloc和loc都是通过所以来获取值的! 也就是行索引和列索引!
如果是完全根据索引顺序访问, 每次在访问的时候一定要reset_index一下!

如果本身索引带了类别属性, 那么就自己考虑吧