python数据分析之pandas超详细学习笔记
原创
- 前排提醒：这篇（伪万字）文章篇幅略大，建议收藏观看。
前言
- pandas，python+data+analysis的组合缩写，是python中基于numpy和matplotlib的第三方数据分析库，与后两者共同构成了python数据分析的基础工具包，享有数分三剑客之名。
文章开始前，需要进行库的安装：
打开cmd，依次输入以下三个命令即可。
pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple这里使用的是清华源，提高安装速度。
一、series
series是一个一维数组，线性的数据结构。
1、创建一个series数据（默认索引值）
- 使用
pandas.Series()函数
import pandas as pd
# 创建一个series数据,默认索引值
s1 = pd.Series([1, 3, 14, 521])
print(s1)输出：
0 1
1 3
2 14
3 521
dtype: int64提示：命名文件的时候文件命不要以pandas命名。
2、创建一个series数据（自定义默认值）
import pandas as pd
# 创建一个series数据,索引值自定义
s2 = pd.Series([1, 3, 14, 521], index=['第一个数', '第二个数', '第三个数', '第四个数'])
print(s2)输出：
第一个数 1
第二个数 3
第三个数 14
第四个数 521
dtype: int643、获取series的数据值
- 使用
pandas.values()函数
import pandas as pd
# 提取series的数据的值
s3 = pd.Series([1, 3, 14, 521])
# 直接获取值
print(s3.values)
print('-------分割线-------')
# 根据索引获取值
print(s3[0:3])输出：
[ 1 3 14 521]
-------分割线-------
0 1
1 3
2 14
dtype: int644、用字典来构建一个series数据
series可以看作一个定长的有序字典
import pandas as pd
dict = {"数学": 130, "专业课": 140, "政治": 80, "英语": 70}
s4 = pd.Series(dict)
print(s4)输出：
数学 130
专业课 140
政治 80
英语 70
dtype: int64二、DataFrame
1、创建一个DataFrame数据
- 使用
pandas.DataFrame函数
①：
import pandas as pd
data = {
'class': [1, 2, 3, 4],
'people': [16, 15, 17, 18]
}
df1 = pd.DataFrame(data)
print(df1)输出：
class people
0 1 16
1 2 15
2 3 17
3 4 18②：利用np.arange()函数，用法可参考np.arange()用法
import pandas as pd
import numpy as np
df2 = pd.DataFrame(np.arange(8).reshape(2, 4))
print(df2)输出：
0 1 2 3
0 0 1 2 3
1 4 5 6 72、自定义行和列的值
import pandas as pd
import numpy as np
df3 = pd.DataFrame(np.arange(8).reshape(2, 4), index=['a', 'b'], columns=['11', '22', '33', '44'])
print(df3)输出：
11 22 33 44
a 0 1 2 3
b 4 5 6 73、获取值、行索引、列索引、转置
- 使用
values、index、columns、axes、T
import pandas as pd
import numpy as np
df4 = pd.DataFrame(np.arange(8).reshape(2, 4), index=['a', 'b'], columns=['11', '22', '33', '44'])
print('--------原数据-------')
print(df4)
print('-------获取值--------')
print(df4.values)
print('-------获取行索引--------')
print(df4.index)
print('-------获取列索引--------')
print(df4.columns)
print('-------获取行及列的索引值--------')
print(df4.axes)
print('-------获取转置-------')
print(df4.T)输出：
--------原数据-------
11 22 33 44
a 0 1 2 3
b 4 5 6 7
-------获取值--------
[[0 1 2 3]
[4 5 6 7]]
-------获取行索引--------
Index(['a', 'b'], dtype='object')
-------获取列索引--------
Index(['11', '22', '33', '44'], dtype='object')
-------获取行及列的索引值--------
[Index(['a', 'b'], dtype='object'), Index(['11', '22', '33', '44'], dtype='object')]
-------获取转置值-------
a b
11 0 4
22 1 5
33 2 6
44 3 74、获取统计变量
- 使用
pandas.describe()函数
import pandas as pd
data = {'year': [2018, 2019, 2020, 2021],
'income': [10000, 20000, 30000, 40000],
'pay': [5000, 15000, 20000, 30000]
}
df5 = pd.DataFrame(data)
print(df5.describe())输出：
year income pay
count 4.000000 4.000000 4.000000
mean 2019.500000 25000.000000 17500.000000
std 1.290994 12909.944487 10408.329997
min 2018.000000 10000.000000 5000.000000
25% 2018.750000 17500.000000 12500.000000
50% 2019.500000 25000.000000 17500.000000
75% 2020.250000 32500.000000 22500.000000
max 2021.000000 40000.000000 30000.000000注解：
count：数量统计，此列共有多少有效值
mean：均值
std：标准差
min：最小值
25%：四分之一分位数
50%：二分之一分位数
75%：四分之三分位数
max：最大值
5、根据行、列、值进行排序
- 使用
sort_index()、sort_values()
import pandas as pd
import numpy as np
df6 = pd.DataFrame(np.arange(8).reshape(2, 4), index=['b', 'a'], columns=['22', '11', '44', '33'])
print('--------原数据-------')
print(df6)
print('--------行排序-------')
print(df6.sort_index(axis=0))
print('--------列排序-------')
print(df6.sort_index(axis=1))
print('--------值排序(对33列里的值进行排序)-------')
print(df6.sort_values(by='33'))输出：
--------原数据-------
22 11 44 33
b 0 1 2 3
a 4 5 6 7
--------行排序-------
22 11 44 33
a 4 5 6 7
b 0 1 2 3
--------列排序-------
11 22 33 44
b 1 0 3 2
a 5 4 7 6
--------值排序(对33列里的值进行排序)-------
22 11 44 33
b 0 1 2 3
a 4 5 6 7三、pandas选择数据
import pandas as pd
import numpy as np
dates = pd.date_range('20210301', periods=6)
df1 = pd.DataFrame(np.arange(24).reshape((6, 4)), index=dates, columns=['A', 'B', 'C', 'D'])
print(df1)输出：
A B C D
2021-03-01 0 1 2 3
2021-03-02 4 5 6 7
2021-03-03 8 9 10 11
2021-03-04 12 13 14 15
2021-03-05 16 17 18 19
2021-03-06 20 21 22 23- 注：以下所有操作均以上述结果为基础
1、获取一列的series数据和行数据
print('----将DataFrame的一个列获取为一个series数据----')
a = df1.A # 或者写成 df1['A']
print(a)
print('-------获取前两行数据------')
print(df1[0:2])输出：
----将DataFrame的一个列获取为一个series数据----
2021-03-01 0
2021-03-02 4
2021-03-03 8
2021-03-04 12
2021-03-05 16
2021-03-06 20
Freq: D, Name: A, dtype: int32
-------获取前两行数据------
A B C D
2021-03-01 0 1 2 3
2021-03-02 4 5 6 72、通过标签获取数据
- 使用
loc
print('------行标签-----')
print(df1.loc['20210302'])
print('------行和列混合标签--------')
print(df1.loc['20210301', ['A', 'C']])
print('-------全选行但不全选列-------')
print(df1.loc[:, ['A', 'C']])
print('-------全选列但不全选行-------')
print(df1.loc[['20210302', '20210304'], :])输出：
------行标签-----
A 4
B 5
C 6
D 7
Name: 2021-03-02 00:00:00, dtype: int32
------行和列混合标签--------
A 0
C 2
Name: 2021-03-01 00:00:00, dtype: int32
-------全选行但不全选列-------
A C
2021-03-01 0 2
2021-03-02 4 6
2021-03-03 8 10
2021-03-04 12 14
2021-03-05 16 18
2021-03-06 20 22
-------全选列但不全选行-------
A B C D
2021-03-02 4 5 6 7
2021-03-04 12 13 14 153、通过位置获取数据
- 使用
iloc
print('-------第四行------')
print(df1.iloc[3])
print('-------二到三行，三到四列------')
print(df1.iloc[1:3, 2:4])
print('-------第2，3，4行，3、4列')
print(df1.iloc[[1, 2, 3], [2, 3]])输出：
-------第四行------
A 12
B 13
C 14
D 15
Name: 2021-03-04 00:00:00, dtype: int32
-------二到三行，三到四列------
C D
2021-03-02 6 7
2021-03-03 10 11
-------第2，3，4行，3、4列
C D
2021-03-02 6 7
2021-03-03 10 11
2021-03-04 14 154、对某一列的数据进行判断
print(df1.A)
print('---------------------分割线--------------------')
print(df1.A > 6)输出：
2021-03-01 0
2021-03-02 4
2021-03-03 8
2021-03-04 12
2021-03-05 16
2021-03-06 20
Freq: D, Name: A, dtype: int32
---------------------分割线--------------------
2021-03-01 False
2021-03-02 False
2021-03-03 True
2021-03-04 True
2021-03-05 True
2021-03-06 True
Freq: D, Name: A, dtype: bool四、pandas赋值及操作
import pandas as pd
import numpy as np
dates = pd.date_range('20210301', periods=6)
df1 = pd.DataFrame(np.arange(24).reshape((6, 4)), index=dates, columns=['A', 'B', 'C', 'D'])
print(df1)输出：
A B C D
2021-03-01 0 1 2 3
2021-03-02 4 5 6 7
2021-03-03 8 9 10 11
2021-03-04 12 13 14 15
2021-03-05 16 17 18 19
2021-03-06 20 21 22 23- 以下结果均为上述为基础
1、替换原有值
①根据位置替换数据
df1.iloc[1, 2] = 100
print(df1)输出：
A B C D
2021-03-01 0 1 2 3
2021-03-02 4 5 100 7
2021-03-03 8 9 10 11
2021-03-04 12 13 14 15
2021-03-05 16 17 18 19
2021-03-06 20 21 22 23②根据标签替换数据
df1.loc["20210304", 'B'] = 200
print(df1)输出：
A B C D
2021-03-01 0 1 2 3
2021-03-02 4 5 6 7
2021-03-03 8 9 10 11
2021-03-04 12 200 14 15
2021-03-05 16 17 18 19
2021-03-06 20 21 22 23③根据条件替换数据
Ⅰ.
df1[df1.D > 10] = 0 # df1.D > 10的作用是找到D列数据大于10的所有行数据
print(df1)输出：
A B C D
2021-03-01 0 1 2 3
2021-03-02 4 5 6 7
2021-03-03 0 0 0 0
2021-03-04 0 0 0 0
2021-03-05 0 0 0 0
2021-03-06 0 0 0 0Ⅱ.
df1.A[df1.A == 8] = 300 # 找到A列等于8的所有数据，并替换成300
print(df1)输出：
A B C D
2021-03-01 0 1 2 3
2021-03-02 4 5 6 7
2021-03-03 300 9 10 11
2021-03-04 12 13 14 15
2021-03-05 16 17 18 19
2021-03-06 20 21 22 232、插入行、列
①通过series数据的形式插入
df1['F'] = pd.Series(['1', '2', '3', '4', '5', '6'], index=dates)
print(df1)输出：
A B C D F
2021-03-01 0 1 2 3 1
2021-03-02 4 5 6 7 2
2021-03-03 8 9 10 11 3
2021-03-04 12 13 14 15 4
2021-03-05 16 17 18 19 5
2021-03-06 20 21 22 23 6②通过append函数插入（行操作）
s = pd.Series([1, 2, 3, 4], index=['A', 'B', 'C', 'D'])
s.name = 'new'
df2 = df1.append(s)
print(df2)输出：
A B C D
2021-03-01 00:00:00 0 1 2 3
2021-03-02 00:00:00 4 5 6 7
2021-03-03 00:00:00 8 9 10 11
2021-03-04 00:00:00 12 13 14 15
2021-03-05 00:00:00 16 17 18 19
2021-03-06 00:00:00 20 21 22 23
new 1 2 3 4③通过insert函数插入（列操作）
df1.insert(2, 'E', [1, 2, 3, 4, 5, 6]) # 在第二列的右边插入一个新的E列
print(df1)输出：
A B E C D
2021-03-01 0 1 1 2 3
2021-03-02 4 5 2 6 7
2021-03-03 8 9 3 10 11
2021-03-04 12 13 4 14 15
2021-03-05 16 17 5 18 19
2021-03-06 20 21 6 22 233、删除行、列
①删除行
df2 = df1.drop('20210302', axis=0) # 删除20210302行
print(df2)这里报错了！！！
报错解决（感谢评论区大佬的帮助）：
df2 = df1.drop(dates[1], axis=0)
print(df2)输出：
A B C D
2021-03-01 0 1 2 3
2021-03-03 8 9 10 11
2021-03-04 12 13 14 15
2021-03-05 16 17 18 19
2021-03-06 20 21 22 23我同时也试了另外一个例子，是可以运行的，请看：
import pandas as pd
import numpy as np
df1 = pd.DataFrame(np.arange(24).reshape((6, 4)), index=['1', '2', '3', '4', '5', '6'], columns=['A', 'B', 'C', 'D'])
df2 = df1.drop('2', axis=0) # 删除‘2’行
print('--------------原数据--------------')
print(df1)
print('--------------删除后的数据-------------')
print(df2)输出：
--------------原数据--------------
A B C D
1 0 1 2 3
2 4 5 6 7
3 8 9 10 11
4 12 13 14 15
5 16 17 18 19
6 20 21 22 23
--------------删除后的数据-------------
A B C D
1 0 1 2 3
3 8 9 10 11
4 12 13 14 15
5 16 17 18 19
6 20 21 22 23这里是成功把‘2’这行给删除掉了。
②删除列
df2 = df1.drop('A', axis=1) # 删除A列
print(df2)输出：
B C D
2021-03-01 1 2 3
2021-03-02 5 6 7
2021-03-03 9 10 11
2021-03-04 13 14 15
2021-03-05 17 18 19
2021-03-06 21 22 23五、pandas对于空数据的处理
import pandas as pd
import numpy as np
dates = pd.date_range('20210301', periods=6)
df1 = pd.DataFrame(np.arange(24).reshape((6, 4)), index=dates, columns=['A', 'B', 'C', 'D'])
df2 = pd.DataFrame(df1, index=dates, columns=['A', 'B', 'C', 'D', 'E', 'F'])
s1 = pd.Series([3, 4, 6, 7], index=dates[:4]) # 对第一个到第四个数据进行赋值
s2 = pd.Series([32, 5, 2, 1], index=dates[2:]) # 对第三个数据到最后一个数据进行赋值
df2['E'] = s1
df2['F'] = s2
print(df2)输出：
A B C D E F
2021-03-01 0 1 2 3 3.0 NaN
2021-03-02 4 5 6 7 4.0 NaN
2021-03-03 8 9 10 11 6.0 32.0
2021-03-04 12 13 14 15 7.0 5.0
2021-03-05 16 17 18 19 NaN 2.0
2021-03-06 20 21 22 23 NaN 1.0- 以下结果均为上述为基础
1、删除空值所在的行或者列
- 使用
dropna函数
# axis中的0代表行，1代表列。how中的any表示，含有空值即删除 ，all代表全部为空值才删除
print(df2.dropna(axis=0, how='any'))输出：
A B C D E F
2021-03-03 8 9 10 11 6.0 32.0
2021-03-04 12 13 14 15 7.0 5.02、对空值进行赋值
- 使用
fillna函数
# 对空值进行赋值，此处赋值为100
print(df2.fillna(value=100))输出：
A B C D E F
2021-03-01 0 1 2 3 3.0 100.0
2021-03-02 4 5 6 7 4.0 100.0
2021-03-03 8 9 10 11 6.0 32.0
2021-03-04 12 13 14 15 7.0 5.0
2021-03-05 16 17 18 19 100.0 2.0
2021-03-06 20 21 22 23 100.0 1.03、判断数据是否为空值
- 使用
isnull函数，空值返回True，非空值返回Flase
print(df2.isnull())输出：
A B C D E F
2021-03-01 False False False False False True
2021-03-02 False False False False False True
2021-03-03 False False False False False False
2021-03-04 False False False False False False
2021-03-05 False False False False True False
2021-03-06 False False False False True False六、pandas读取和存入csv文件
1、读取文件
file = pd.read_csv('csv文件的路径', encoding='编码格式') # 编码格式如gbk，utf-8等2、保存文件
file.to_csv('文件要保存到的路径')七、pandas合并
1、横向拼接、纵向拼接
- 新建三个dataframe数据
import pandas as pd
import numpy as np
df1 = pd.DataFrame(np.arange(12).reshape((3,4)),columns=['a','b','c','d'])
df2 = pd.DataFrame(np.arange(12,24).reshape((3,4)),columns=['a','b','c','d'])
df3 = pd.DataFrame(np.arange(24,36).reshape((3,4)),columns=['a','b','c','d'])
print(df1)
print(df2)
print(df3)输出：
a b c d
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
a b c d
0 12 13 14 15
1 16 17 18 19
2 20 21 22 23
a b c d
0 24 25 26 27
1 28 29 30 31
2 32 33 34 35- 实现横向和纵向合并
df4 = pd.concat([df1,df2,df3],axis=0)#纵向合并
df5 = pd.concat([df1,df2,df3],axis=1)#横向合并
print('---------------纵向合并结果---------------')
print(df4)
print('---------------横向合并结果---------------')
print(df5)输出：
---------------纵向合并结果---------------
a b c d
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
0 12 13 14 15
1 16 17 18 19
2 20 21 22 23
0 24 25 26 27
1 28 29 30 31
2 32 33 34 35
---------------横向合并结果---------------
a b c d a b c d a b c d
0 0 1 2 3 12 13 14 15 24 25 26 27
1 4 5 6 7 16 17 18 19 28 29 30 31
2 8 9 10 11 20 21 22 23 32 33 34 35- 细心的小伙伴可能已经发现了，纵向合并时，index值看上去不太舒服。可以在上述代码的基础上加以补充，实现index值的改变。
df4 = pd.concat([df1,df2,df3],axis=0,ignore_index=True) # ignore_index=True的作用是不考虑表原来的index
print(df4)输出：
a b c d
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15
4 16 17 18 19
5 20 21 22 23
6 24 25 26 27
7 28 29 30 31
8 32 33 34 352、获取两个表的交集和并集
join参数的属性，如果为’inner’得到的是两表的交集，如果是outer，得到的是两表的并集。
- 新建两个dataframe数据
import pandas as pd
import numpy as np
df1 = pd.DataFrame(np.arange(12).reshape((3,4)),columns=['a','b','c','f'])
df2 = pd.DataFrame(np.arange(12,24).reshape((3,4)),columns=['a','c','d','e'])
print(df1)
print(df2)输出：
a b c f
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
a c d e
0 12 13 14 15
1 16 17 18 19
2 20 21 22 23- 实现得到两张表的交集和并集
df3 = pd.concat([df1,df2],join='outer',ignore_index=True)
df4 = pd.concat([df1,df2],join='inner',ignore_index=True)
print('------------------并集结果-------------------')
print(df3)
print('------------------交集结果-------------------')
print(df4)输出：
------------------并集结果-------------------
a b c f d e
0 0 1.0 2 3.0 NaN NaN
1 4 5.0 6 7.0 NaN NaN
2 8 9.0 10 11.0 NaN NaN
3 12 NaN 13 NaN 14.0 15.0
4 16 NaN 17 NaN 18.0 19.0
5 20 NaN 21 NaN 22.0 23.0
------------------交集结果-------------------
a c
0 0 2
1 4 6
2 8 10
3 12 13
4 16 17
5 20 21注意：去并集时，空值的地方用NaN填充
新版本pandas已经删除了join_axes，两个dataframe按照同一列合并的话，可以改用merge
八、pandas合并——merge
- 用字典新建两个dataframe数据：
import pandas as pd
left = pd.DataFrame({'key1':['K0','K0','K1','K2'],
'key2':['K0','K1','K0','K1'],
'A':['A0','A1','A2','A3'],
'B':['B0','B1','B2','B3']})
right = pd.DataFrame({'key1':['K0','K1','K1','K3'],
'key2':['K0','K0','K0','K0'],
'C':['C0','C1','C2','C3'],
'D':['D0','D1','D2','D3']})
print(left)
print(right)输出：
key1 key2 A B
0 K0 K0 A0 B0
1 K0 K1 A1 B1
2 K1 K0 A2 B2
3 K2 K1 A3 B3
key1 key2 C D
0 K0 K0 C0 D0
1 K1 K0 C1 D1
2 K1 K0 C2 D2
3 K3 K0 C3 D3- 使用
merge进行合并 - on: 要加入的列或索引级别名称。 必须在左侧和右侧DataFrame对象中找到。
- 其中how有四个参数：inner、outer、left、right，默认值是inner。 inner的作用是取交集； outer的作用是取并集； left的作用是只取左边的表有值的情况； right的作用是只取右边的表有值的情况。 left和rigth的结果是outer的子集。
res_1 = pd.merge(left,right,on=['key1','key2'],how='inner')
res_2 = pd.merge(left,right,on=['key1','key2'],how='outer')
res_3 = pd.merge(left,right,on=['key1','key2'],how='left')
res_4 = pd.merge(left,right,on=['key1','key2'],how='right')
print('-------------------------how的参数取inner的结果--------------------')
print(res_1)
print('-------------------------how的参数取outer的结果--------------------')
print(res_2)
print('-------------------------how的参数取left的结果---------------------')
print(res_3)
print('-------------------------how的参数取right的结果--------------------')
print(res_4)输出：
-------------------------how的参数取inner的结果--------------------
key1 key2 A B C D
0 K0 K0 A0 B0 C0 D0
1 K1 K0 A2 B2 C1 D1
2 K1 K0 A2 B2 C2 D2
-------------------------how的参数取outer的结果--------------------
key1 key2 A B C D
0 K0 K0 A0 B0 C0 D0
1 K0 K1 A1 B1 NaN NaN
2 K1 K0 A2 B2 C1 D1
3 K1 K0 A2 B2 C2 D2
4 K2 K1 A3 B3 NaN NaN
5 K3 K0 NaN NaN C3 D3
-------------------------how的参数取left的结果---------------------
key1 key2 A B C D
0 K0 K0 A0 B0 C0 D0
1 K0 K1 A1 B1 NaN NaN
2 K1 K0 A2 B2 C1 D1
3 K1 K0 A2 B2 C2 D2
4 K2 K1 A3 B3 NaN NaN
-------------------------how的参数取right的结果--------------------
key1 key2 A B C D
0 K0 K0 A0 B0 C0 D0
1 K1 K0 A2 B2 C1 D1
2 K1 K0 A2 B2 C2 D2
3 K3 K0 NaN NaN C3 D3- 加入
indicator参数可以查看merge的详细信息 如：
res = pd.merge(left,right,on=['key1','key2'],how='outer',indicator=True)
print(res)输出：
key1 key2 A B C D _merge
0 K0 K0 A0 B0 C0 D0 both
1 K0 K1 A1 B1 NaN NaN left_only
2 K1 K0 A2 B2 C1 D1 both
3 K1 K0 A2 B2 C2 D2 both
4 K2 K1 A3 B3 NaN NaN left_only
5 K3 K0 NaN NaN C3 D3 right_onlyindicator的值也可以是字符串参数，在这种情况下，指标函数将使用传递的字符串的值作为指标列的名称。
- 以index为链接键需要同时设置left_index= True 和 right_index= True 如：
res = pd.merge(left,right,left_index=True,right_index=True,how='outer')
print(res)输出：
key1_x key2_x A B key1_y key2_y C D
0 K0 K0 A0 B0 K0 K0 C0 D0
1 K0 K1 A1 B1 K1 K0 C1 D1
2 K1 K0 A2 B2 K1 K0 C2 D2
3 K2 K1 A3 B3 K3 K0 C3 D3- sort对链接的键值进行排序：
res = pd.merge(left,right,on=['key1','key2'],how='outer',sort=True)
print(res)输出：
key1 key2 A B C D
0 K0 K0 A0 B0 C0 D0
1 K0 K1 A1 B1 NaN NaN
2 K1 K0 A2 B2 C1 D1
3 K1 K0 A2 B2 C2 D2
4 K2 K1 A3 B3 NaN NaN
5 K3 K0 NaN NaN C3 D3九、pandas plot 画图函数
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
data = pd.DataFrame(np.random.randn(1000,4),index=np.arange(1000),columns=['A','B','C','D'])
data = data.cumsum()
print(data.head())
data.plot()
plt.show()输出：
在这里插入图片描述
注解：
1、numpy.random.randn()：返回一个或一组样本，具有标准正态分布。此处为1000行4列的数据
2、data.head()，获取data的前几个数据，head的默认值为5
3、data.cumsum()的一个作用是可以求累加量十、 参考文章及学习视频
博文中有一些地方的例子是直接引用学习视频中的例子，卑微博主在线感激！
下面是博主参考的一些其它博文和学习视频。
十一、Blogger’s speech
如有不足，还请大佬评论区留言或私信我，我会进行补充。
感谢您的支持，希望可以点赞，关注，收藏，一键三连哟。
作者：远方的星 CSDN：https://blog.csdn.net/qq_44921056
腾讯云：https://cloud.tencent.com/developer/column/91164
本文仅用于交流学习，未经作者允许，禁止转载，更勿做其他用途，违者必究。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
