Python数据分析之Pandas（三）

yuanshuai

发布于 2022-08-22 16:31:58

1.3K0

发布于 2022-08-22 16:31:58

: | -----: | ------: | -----: | --------: | | 0 | 1 | 1193 | 5 | 978300760 | | 1 | 1 | 661 | 3 | 978302109 | | 2 | 1 | 914 | 3 | 978301968 | | 3 | 1 | 3408 | 4 | 978300275 | | 4 | 1 | 2355 | 5 | 978824291 |

In [3]:

# 实现按照用户ID分组，然后对其中一列归一化
def ratings_norm(df):
    """
    @param df：每个用户分组的dataframe
    """
    min_value = df["Rating"].min()
    max_value = df["Rating"].max()
    df["Rating_norm"] = df["Rating"].apply(
        lambda x: (x-min_value)/(max_value-min_value))
    return df

ratings = ratings.groupby("UserID").apply(ratings_norm)

In [4]:

ratings[ratings["UserID"]==1].head()

Out[4]:

	UserID	MovieID	Rating	Timestamp	Rating_norm
0	1	1193	5	978300760	1.0
1	1	661	3	978302109	0.0
2	1	914	3	978301968	0.0
3	1	3408	4	978300275	0.5
4	1	2355	5	978824291	1.0

可以看到UserID==1这个用户，Rating==3是他的最低分，是个乐观派，我们归一化到0分；

实例2：怎样取每个分组的TOPN数据？

获取2018年每个月温度最高的2天数据

In [5]:

fpath = "./datas/beijing_tianqi/beijing_tianqi_2018.csv"
df = pd.read_csv(fpath)
# 替换掉温度的后缀℃
df.loc[:, "bWendu"] = df["bWendu"].str.replace("℃", "").astype('int32')
df.loc[:, "yWendu"] = df["yWendu"].str.replace("℃", "").astype('int32')
# 新增一列为月份
df['month'] = df['ymd'].str[:7]
df.head()

Out[5]:

	ymd	bWendu	yWendu	tianqi	fengxiang	fengli	aqi	aqiInfo	aqiLevel	month
0	2018-01-01	3	-6	晴~多云	东北风	1-2级	59	良	2	2018-01
1	2018-01-02	2	-5	阴~多云	东北风	1-2级	49	优	1	2018-01
2	2018-01-03	2	-5	多云	北风	1-2级	28	优	1	2018-01
3	2018-01-04	0	-8	阴	东北风	1-2级	28	优	1	2018-01
4	2018-01-05	3	-6	多云~晴	西北风	1-2级	50	优	1	2018-01

In [6]:

def getWenduTopN(df, topn):
    """
    这里的df，是每个月份分组group的df
    """
    return df.sort_values(by="bWendu")[["ymd", "bWendu"]][-topn:]

df.groupby("month").apply(getWenduTopN, topn=1).head()

Out[6]:

		ymd	bWendu
month
2018-01	18	2018-01-19	7
2018-02	56	2018-02-26	12
2018-03	85	2018-03-27	27
2018-04	118	2018-04-29	30
2018-05	150	2018-05-31	35

我们看到，grouby的apply函数返回的dataframe，其实和原来的dataframe其实可以完全不一样

20、Pandas的stack和pivot实现数据透视

经过统计得到多维度指标数据
使用unstack实现数据二维透视
使用pivot简化透视
stack、unstack、pivot的语法

1. 经过统计得到多维度指标数据

非常常见的统计场景，指定多个维度，计算聚合后的指标

实例：统计得到“电影评分数据集”，每个月份的每个分数被评分多少次：（月份、分数1~5、次数）

In [1]:

import pandas as pd
import numpy as np
%matplotlib inline

In [2]:

df = pd.read_csv(
    "./datas/movielens-1m/ratings.dat",
    header=None,
    names="UserID::MovieID::Rating::Timestamp".split("::"),
    sep="::",
    engine="python"
)

In [3]:

df.head()

Out[3]:

	UserID	MovieID	Rating	Timestamp
0	1	1193	5	978300760
1	1	661	3	978302109
2	1	914	3	978301968
3	1	3408	4	978300275
4	1	2355	5	978824291

In [4]:

df["pdate"] = pd.to_datetime(df["Timestamp"], unit='s')

In [5]:

df.head()

Out[5]:

	UserID	MovieID	Rating	Timestamp	pdate
0	1	1193	5	978300760	2000-12-31 22:12:40
1	1	661	3	978302109	2000-12-31 22:35:09
2	1	914	3	978301968	2000-12-31 22:32:48
3	1	3408	4	978300275	2000-12-31 22:04:35
4	1	2355	5	978824291	2001-01-06 23:38:11

In [6]:

df.dtypes

Out[6]:

UserID                int64
MovieID               int64
Rating                int64
Timestamp             int64
pdate        datetime64[ns]
dtype: object

In [19]:

# 实现数据统计
df_group = df.groupby([df["pdate"].dt.month, "Rating"])["UserID"].agg(pv=np.size)

In [20]:

df_group.head(20)

Out[20]:

		pv
pdate	Rating
1	1	1127
2	2608
3	6442
4	8400
5	4495
2	1	629
2	1464
3	3297
4	4403
5	2335
3	1	466
2	1077
3	2523
4	3032
5	1439
4	1	1048
2	2247
3	5501
4	6748
5	3863

对这样格式的数据，我想查看按月份，不同评分的次数趋势，是没法实现的

需要将数据变换成每个评分是一列才可以实现

2. 使用unstack实现数据二维透视

目的：想要画图对比按照月份的不同评分的数量趋势

In [21]:

df_stack = df_group.unstack()
df_stack

Out[21]:

	pv
Rating	1	2	3	4	5
pdate
1	1127	2608	6442	8400	4495
2	629	1464	3297	4403	2335
3	466	1077	2523	3032	1439
4	1048	2247	5501	6748	3863
5	4557	7631	18481	25769	17840
6	3196	6500	15211	21838	14365
7	4891	9566	25421	34957	22169
8	10873	20597	50509	64198	42497
9	3107	5873	14702	19927	13182
10	2121	4785	12175	16095	10324
11	17701	32202	76069	102448	67041
12	6458	13007	30866	41156	26760

In [22]:

df_stack.plot()

Out[22]:

<matplotlib.axes._subplots.AxesSubplot at 0x1ba09b0ce48>

In [23]:

# unstack和stack是互逆操作
df_stack.stack().head(20)

Out[23]:

		pv
pdate	Rating
1	1	1127
2	2608
3	6442
4	8400
5	4495
2	1	629
2	1464
3	3297
4	4403
5	2335
3	1	466
2	1077
3	2523
4	3032
5	1439
4	1	1048
2	2247
3	5501
4	6748
5	3863

3. 使用pivot简化透视

In [24]:

df_group.head(20)

Out[24]:

		pv
pdate	Rating
1	1	1127
2	2608
3	6442
4	8400
5	4495
2	1	629
2	1464
3	3297
4	4403
5	2335
3	1	466
2	1077
3	2523
4	3032
5	1439
4	1	1048
2	2247
3	5501
4	6748
5	3863

In [25]:

df_reset = df_group.reset_index()
df_reset.head()

Out[25]:

	pdate	Rating	pv
0	1	1	1127
1	1	2	2608
2	1	3	6442
3	1	4	8400
4	1	5	4495

In [26]:

df_pivot = df_reset.pivot("pdate", "Rating", "pv")

In [27]:

df_pivot.head()

Out[27]:

Rating	1	2	3	4	5
pdate
1	1127	2608	6442	8400	4495
2	629	1464	3297	4403	2335
3	466	1077	2523	3032	1439
4	1048	2247	5501	6748	3863
5	4557	7631	18481	25769	17840

In [28]:

df_pivot.plot()

Out[28]:

<matplotlib.axes._subplots.AxesSubplot at 0x1ba09db6d48>

*pivot方法相当于对df使用set_index创建分层索引，然后调用unstack*

4. stack、unstack、pivot的语法

stack：DataFrame.stack(level=-1, dropna=True)，将column变成index，类似把横放的书籍变成竖放

level=-1代表多层索引的最内层，可以通过==0、1、2指定多层索引的对应层

unstack：DataFrame.unstack(level=-1, fill_value=None)，将index变成column，类似把竖放的书籍变成横放

pivot：DataFrame.pivot(index=None, columns=None, values=None)，指定index、columns、values实现二维透视

21、Pandas怎样快捷方便的处理日期数据

Pandas日期处理的作用：将2018-01-01、1/1/2018等多种日期格式映射成统一的格式对象，在该对象上提供强大的功能支持

几个概念：

pd.to_datetime：pandas的一个函数，能将字符串、列表、series变成日期形式
Timestamp：pandas表示日期的对象形式
DatetimeIndex：pandas表示日期的对象列表形式

其中：

DatetimeIndex是Timestamp的列表形式
pd.to_datetime对单个日期字符串处理会得到Timestamp
pd.to_datetime对日期字符串列表处理会得到DatetimeIndex

问题：怎样统计每周、每月、每季度的最高温度？

1、读取天气数据到dataframe

In [1]:

import pandas as pd
%matplotlib inline

In [2]:

fpath = "./datas/beijing_tianqi/beijing_tianqi_2018.csv"
df = pd.read_csv(fpath)
# 替换掉温度的后缀℃
df.loc[:, "bWendu"] = df["bWendu"].str.replace("℃", "").astype('int32')
df.loc[:, "yWendu"] = df["yWendu"].str.replace("℃", "").astype('int32')
df.head()

Out[2]:

	ymd	bWendu	yWendu	tianqi	fengxiang	fengli	aqi	aqiInfo	aqiLevel
0	2018-01-01	3	-6	晴~多云	东北风	1-2级	59	良	2
1	2018-01-02	2	-5	阴~多云	东北风	1-2级	49	优	1
2	2018-01-03	2	-5	多云	北风	1-2级	28	优	1
3	2018-01-04	0	-8	阴	东北风	1-2级	28	优	1
4	2018-01-05	3	-6	多云~晴	西北风	1-2级	50	优	1

2、将日期列转换成pandas的日期

In [3]:

df.set_index(pd.to_datetime(df["ymd"]), inplace=True)

In [4]:

df.head()

Out[4]:

	ymd	bWendu	yWendu	tianqi	fengxiang	fengli	aqi	aqiInfo	aqiLevel
ymd
2018-01-01	2018-01-01	3	-6	晴~多云	东北风	1-2级	59	良	2
2018-01-02	2018-01-02	2	-5	阴~多云	东北风	1-2级	49	优	1
2018-01-03	2018-01-03	2	-5	多云	北风	1-2级	28	优	1
2018-01-04	2018-01-04	0	-8	阴	东北风	1-2级	28	优	1
2018-01-05	2018-01-05	3	-6	多云~晴	西北风	1-2级	50	优	1

In [5]:

df.index

Out[5]:

DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04',
               '2018-01-05', '2018-01-06', '2018-01-07', '2018-01-08',
               '2018-01-09', '2018-01-10',
               ...
               '2018-12-22', '2018-12-23', '2018-12-24', '2018-12-25',
               '2018-12-26', '2018-12-27', '2018-12-28', '2018-12-29',
               '2018-12-30', '2018-12-31'],
              dtype='datetime64[ns]', name='ymd', length=365, freq=None)

In [6]:

# DatetimeIndex是Timestamp的列表形式
df.index[0]

Out[6]:

Timestamp('2018-01-01 00:00:00')

3、方便的对DatetimeIndex进行查询

In [7]:

# 筛选固定的某一天
df.loc['2018-01-05']

Out[7]:

ymd          2018-01-05
bWendu                3
yWendu               -6
tianqi             多云~晴
fengxiang           西北风
fengli             1-2级
aqi                  50
aqiInfo               优
aqiLevel              1
Name: 2018-01-05 00:00:00, dtype: object

In [8]:

# 日期区间
df.loc['2018-01-05':'2018-01-10']

Out[8]:

	ymd	bWendu	yWendu	tianqi	fengxiang	fengli	aqi	aqiInfo	aqiLevel
ymd
2018-01-05	2018-01-05	3	-6	多云~晴	西北风	1-2级	50	优	1
2018-01-06	2018-01-06	2	-5	多云~阴	西南风	1-2级	32	优	1
2018-01-07	2018-01-07	2	-4	阴~多云	西南风	1-2级	59	良	2
2018-01-08	2018-01-08	2	-6	晴	西北风	4-5级	50	优	1
2018-01-09	2018-01-09	1	-8	晴	西北风	3-4级	34	优	1
2018-01-10	2018-01-10	-2	-10	晴	西北风	1-2级	26	优	1

In [10]:

# 按月份前缀筛选
df.loc['2018-03']

Out[10]:

	ymd	bWendu	yWendu	tianqi	fengxiang	fengli	aqi	aqiInfo	aqiLevel
ymd
2018-03-01	2018-03-01	8	-3	多云	西南风	1-2级	46	优	1
2018-03-02	2018-03-02	9	-1	晴~多云	北风	1-2级	95	良	2
2018-03-03	2018-03-03	13	3	多云~阴	北风	1-2级	214	重度污染	5
2018-03-04	2018-03-04	7	-2	阴~多云	东南风	1-2级	144	轻度污染	3
2018-03-05	2018-03-05	8	-3	晴	南风	1-2级	94	良	2
2018-03-06	2018-03-06	6	-3	多云~阴	东南风	3-4级	67	良	2
2018-03-07	2018-03-07	6	-2	阴~多云	北风	1-2级	65	良	2
2018-03-08	2018-03-08	8	-4	晴	东北风	1-2级	62	良	2
2018-03-09	2018-03-09	10	-2	多云	西南风	1-2级	132	轻度污染	3
2018-03-10	2018-03-10	14	-2	晴	东南风	1-2级	171	中度污染	4
2018-03-11	2018-03-11	11	0	多云	南风	1-2级	81	良	2
2018-03-12	2018-03-12	15	3	多云~晴	南风	1-2级	174	中度污染	4
2018-03-13	2018-03-13	17	5	晴~多云	南风	1-2级	287	重度污染	5
2018-03-14	2018-03-14	15	6	多云~阴	东北风	1-2级	293	重度污染	5
2018-03-15	2018-03-15	12	-1	多云~晴	东北风	3-4级	70	良	2
2018-03-16	2018-03-16	10	-1	多云	南风	1-2级	58	良	2
2018-03-17	2018-03-17	4	0	小雨~阴	南风	1-2级	81	良	2
2018-03-18	2018-03-18	13	1	多云~晴	西南风	1-2级	134	轻度污染	3
2018-03-19	2018-03-19	13	2	多云	东风	1-2级	107	轻度污染	3
2018-03-20	2018-03-20	10	-2	多云	南风	1-2级	41	优	1
2018-03-21	2018-03-21	11	1	多云	西南风	1-2级	76	良	2
2018-03-22	2018-03-22	17	4	晴~多云	西南风	1-2级	112	轻度污染	3
2018-03-23	2018-03-23	18	5	多云	北风	1-2级	146	轻度污染	3
2018-03-24	2018-03-24	22	5	晴	西南风	1-2级	119	轻度污染	3
2018-03-25	2018-03-25	24	7	晴	南风	1-2级	78	良	2
2018-03-26	2018-03-26	25	7	多云	西南风	1-2级	151	中度污染	4
2018-03-27	2018-03-27	27	11	晴	南风	1-2级	243	重度污染	5
2018-03-28	2018-03-28	25	9	多云~晴	东风	1-2级	387	严重污染	6
2018-03-29	2018-03-29	19	7	晴	南风	1-2级	119	轻度污染	3
2018-03-30	2018-03-30	18	8	多云	南风	1-2级	68	良	2
2018-03-31	2018-03-31	23	9	多云~晴	南风	1-2级	125	轻度污染	3

In [11]:

# 按月份前缀筛选
df.loc["2018-07":"2018-09"].index

Out[11]:

DatetimeIndex(['2018-07-01', '2018-07-02', '2018-07-03', '2018-07-04',
               '2018-07-05', '2018-07-06', '2018-07-07', '2018-07-08',
               '2018-07-09', '2018-07-10', '2018-07-11', '2018-07-12',
               '2018-07-13', '2018-07-14', '2018-07-15', '2018-07-16',
               '2018-07-17', '2018-07-18', '2018-07-19', '2018-07-20',
               '2018-07-21', '2018-07-22', '2018-07-23', '2018-07-24',
               '2018-07-25', '2018-07-26', '2018-07-27', '2018-07-28',
               '2018-07-29', '2018-07-30', '2018-07-31', '2018-08-01',
               '2018-08-02', '2018-08-03', '2018-08-04', '2018-08-05',
               '2018-08-06', '2018-08-07', '2018-08-08', '2018-08-09',
               '2018-08-10', '2018-08-11', '2018-08-12', '2018-08-13',
               '2018-08-14', '2018-08-15', '2018-08-16', '2018-08-17',
               '2018-08-18', '2018-08-19', '2018-08-20', '2018-08-21',
               '2018-08-22', '2018-08-23', '2018-08-24', '2018-08-25',
               '2018-08-26', '2018-08-27', '2018-08-28', '2018-08-29',
               '2018-08-30', '2018-08-31', '2018-09-01', '2018-09-02',
               '2018-09-03', '2018-09-04', '2018-09-05', '2018-09-06',
               '2018-09-07', '2018-09-08', '2018-09-09', '2018-09-10',
               '2018-09-11', '2018-09-12', '2018-09-13', '2018-09-14',
               '2018-09-15', '2018-09-16', '2018-09-17', '2018-09-18',
               '2018-09-19', '2018-09-20', '2018-09-21', '2018-09-22',
               '2018-09-23', '2018-09-24', '2018-09-25', '2018-09-26',
               '2018-09-27', '2018-09-28', '2018-09-29', '2018-09-30'],
              dtype='datetime64[ns]', name='ymd', freq=None)

In [12]:

# 按年份前缀筛选
df.loc["2018"].head()

Out[12]:

	ymd	bWendu	yWendu	tianqi	fengxiang	fengli	aqi	aqiInfo	aqiLevel
ymd
2018-01-01	2018-01-01	3	-6	晴~多云	东北风	1-2级	59	良	2
2018-01-02	2018-01-02	2	-5	阴~多云	东北风	1-2级	49	优	1
2018-01-03	2018-01-03	2	-5	多云	北风	1-2级	28	优	1
2018-01-04	2018-01-04	0	-8	阴	东北风	1-2级	28	优	1
2018-01-05	2018-01-05	3	-6	多云~晴	西北风	1-2级	50	优	1

4、方便的获取周、月、季度

Timestamp、DatetimeIndex支持大量的属性可以获取日期分量： https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#time-date-components

In [13]:

# 周数字列表
df.index.week

Out[13]:

Int64Index([ 1,  1,  1,  1,  1,  1,  1,  2,  2,  2,
            ...
            51, 51, 52, 52, 52, 52, 52, 52, 52,  1],
           dtype='int64', name='ymd', length=365)

In [14]:

# 月数字列表
df.index.month

Out[14]:

Int64Index([ 1,  1,  1,  1,  1,  1,  1,  1,  1,  1,
            ...
            12, 12, 12, 12, 12, 12, 12, 12, 12, 12],
           dtype='int64', name='ymd', length=365)

In [15]:

# 季度数字列表
df.index.quarter

Out[15]:

Int64Index([1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
            ...
            4, 4, 4, 4, 4, 4, 4, 4, 4, 4],
           dtype='int64', name='ymd', length=365)

5、统计每周、每月、每个季度的最高温度

统计每周的数据

In [16]:

df.groupby(df.index.week)["bWendu"].max().head()

Out[16]:

ymd
1    3
2    6
3    7
4   -1
5    4
Name: bWendu, dtype: int32

In [17]:

df.groupby(df.index.week)["bWendu"].max().plot()

Out[17]:

<matplotlib.axes._subplots.AxesSubplot at 0x23300b75b88>

统计每个月的数据

In [18]:

df.groupby(df.index.month)["bWendu"].max()

Out[18]:

ymd
1      7
2     12
3     27
4     30
5     35
6     38
7     37
8     36
9     31
10    25
11    18
12    10
Name: bWendu, dtype: int32

In [19]:

df.groupby(df.index.month)["bWendu"].max().plot()

Out[19]:

<matplotlib.axes._subplots.AxesSubplot at 0x23302dac4c8>

统计每个季度的数据

In [20]:

df.groupby(df.index.quarter)["bWendu"].max()

Out[20]:

ymd
1    27
2    38
3    37
4    25
Name: bWendu, dtype: int32

In [21]:

df.groupby(df.index.quarter)["bWendu"].max().plot()

Out[21]:

<matplotlib.axes._subplots.AxesSubplot at 0x23302e338c8>

22、Pandas怎么处理日期索引的缺失？

问题：按日期统计的数据，缺失了某天，导致数据不全该怎么补充日期？

可以用两种方法实现： 1、DataFrame.reindex，调整dataframe的索引以适应新的索引 2、DataFrame.resample，可以对时间序列重采样，支持补充缺失值

问题：如果缺失了索引该怎么填充？

In [1]:

import pandas as pd
%matplotlib inline

In [2]:

df = pd.DataFrame({
    "pdate": ["2019-12-01", "2019-12-02", "2019-12-04", "2019-12-05"],
    "pv": [100, 200, 400, 500],
    "uv": [10, 20, 40, 50],
})

df

Out[2]:

	pdate	pv	uv
0	2019-12-01	100	10
1	2019-12-02	200	20
2	2019-12-04	400	40
3	2019-12-05	500	50

In [3]:

df.set_index("pdate").plot()

Out[3]:

<matplotlib.axes._subplots.AxesSubplot at 0x1a0d908bf48>

*问题，这里缺失了2019-12-03的数据，导致数据不全该怎么补充？*

方法1：使用pandas.reindex方法

1、将df的索引变成日期索引

In [4]:

df_date = df.set_index("pdate")
df_date

Out[4]:

	pv	uv
pdate
2019-12-01	100	10
2019-12-02	200	20
2019-12-04	400	40
2019-12-05	500	50

In [5]:

df_date.index

Out[5]:

Index(['2019-12-01', '2019-12-02', '2019-12-04', '2019-12-05'], dtype='object', name='pdate')

In [6]:

# 将df的索引设置为日期索引
df_date = df_date.set_index(pd.to_datetime(df_date.index))
df_date

Out[6]:

	pv	uv
pdate
2019-12-01	100	10
2019-12-02	200	20
2019-12-04	400	40
2019-12-05	500	50

In [7]:

df_date.index

Out[7]:

DatetimeIndex(['2019-12-01', '2019-12-02', '2019-12-04', '2019-12-05'], dtype='datetime64[ns]', name='pdate', freq=None)

2、使用pandas.reindex填充缺失的索引

In [8]:

# 生成完整的日期序列
pdates = pd.date_range(start="2019-12-01", end="2019-12-05")
pdates

Out[8]:

DatetimeIndex(['2019-12-01', '2019-12-02', '2019-12-03', '2019-12-04',
               '2019-12-05'],
              dtype='datetime64[ns]', freq='D')

In [9]:

df_date_new = df_date.reindex(pdates, fill_value=0)
df_date_new

Out[9]:

	pv	uv
2019-12-01	100	10
2019-12-02	200	20
2019-12-03	0	0
2019-12-04	400	40
2019-12-05	500	50

In [10]:

df_date_new.plot()

Out[10]:

<matplotlib.axes._subplots.AxesSubplot at 0x1a0db1ab388>

方法2：使用pandas.resample方法

1、先将索引变成日期索引

In [11]:

df

Out[11]:

	pdate	pv	uv
0	2019-12-01	100	10
1	2019-12-02	200	20
2	2019-12-04	400	40
3	2019-12-05	500	50

In [12]:

df_new2 = df.set_index(pd.to_datetime(df["pdate"])).drop("pdate", axis=1)
df_new2

Out[12]:

	pv	uv
pdate
2019-12-01	100	10
2019-12-02	200	20
2019-12-04	400	40
2019-12-05	500	50

In [13]:

df_new2.index

Out[13]:

DatetimeIndex(['2019-12-01', '2019-12-02', '2019-12-04', '2019-12-05'], dtype='datetime64[ns]', name='pdate', freq=None)

2、使用dataframe的resample的方法按照天重采样

resample的含义：改变数据的时间频率，比如把天数据变成月份，或者把小时数据变成分钟级别

resample的语法： (DataFrame or Series).resample(arguments).(aggregate function)

resample的采样规则参数： https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#offset-aliases

In [14]:

# 由于采样会让区间变成一个值，所以需要指定mean等采样值的设定方法
df_new2 = df_new2.resample("D").mean().fillna(0)
df_new2

Out[14]:

	pv	uv
pdate
2019-12-01	100.0	10.0
2019-12-02	200.0	20.0
2019-12-03	0.0	0.0
2019-12-04	400.0	40.0
2019-12-05	500.0	50.0

In [15]:

# resample的使用方式
df_new2.resample("2D").mean()

Out[15]:

	pv	uv
pdate
2019-12-01	150.0	15.0
2019-12-03	200.0	20.0
2019-12-05	500.0	50.0

23、Pandas怎样实现Excel的vlookup并且在指定列后面输出？

背景：

有两个excel，他们有相同的一个列；
按照这个列合并成一个大的excel，即vlookup功能，要求：
- 只需要第二个excel的少量的列，比如从40个列中挑选2个列
- 新增的来自第二个excel的列需要放到第一个excel指定的列后面；
将结果输出到一个新的excel;

步骤1：读取两个数据表

In [1]:

import pandas as pd

In [2]:

# 学生成绩表
df_grade = pd.read_excel("./course_datas/c23_excel_vlookup/学生成绩表.xlsx") 
df_grade.head()

Out[2]:

	班级	学号	语文成绩	数学成绩	英语成绩
0	C01	S001	99	84	88
1	C01	S002	66	95	77
2	C01	S003	68	68	61
3	C01	S004	63	66	82
4	C01	S005	72	95	94

In [3]:

# 学生信息表
df_sinfo = pd.read_excel("./course_datas/c23_excel_vlookup/学生信息表.xlsx") 
df_sinfo.head()

Out[3]:

	学号	姓名	性别	年龄	籍贯
0	S001	怠涵	女	23	山东
1	S002	婉清	女	25	河南
2	S003	溪榕	女	23	湖北
3	S004	漠涓	女	19	陕西
4	S005	祈博	女	24	山东

*目标：怎样将第二个“学生信息表”的姓名、性别两列，添加到第一个表“学生成绩表”，并且放在第一个表的“学号”列后面？*

步骤2：实现两个表的关联

即excel的vloopup功能

In [4]:

# 只筛选第二个表的少量的列
df_sinfo = df_sinfo[["学号", "姓名", "性别"]]
df_sinfo.head()

Out[4]:

	学号	姓名	性别
0	S001	怠涵	女
1	S002	婉清	女
2	S003	溪榕	女
3	S004	漠涓	女
4	S005	祈博	女

In [5]:

df_merge = pd.merge(left=df_grade, right=df_sinfo, left_on="学号", right_on="学号")
df_merge.head()

Out[5]:

	班级	学号	语文成绩	数学成绩	英语成绩	姓名	性别
0	C01	S001	99	84	88	怠涵	女
1	C01	S002	66	95	77	婉清	女
2	C01	S003	68	68	61	溪榕	女
3	C01	S004	63	66	82	漠涓	女
4	C01	S005	72	95	94	祈博	女

步骤3：调整列的顺序

In [6]:

df_merge.columns

Out[6]:

Index(['班级', '学号', '语文成绩', '数学成绩', '英语成绩', '姓名', '性别'], dtype='object')

问题：怎样将'姓名', '性别'两列，放到'学号'的后面？

接下来需要用Python的语法实现列表的处理

In [7]:

# 将columns变成python的列表形式
new_columns = df_merge.columns.to_list()
new_columns

Out[7]:

['班级', '学号', '语文成绩', '数学成绩', '英语成绩', '姓名', '性别']

In [8]:

# 按逆序insert，会将"姓名"，"性别"放到"学号"的后面
for name in ["姓名", "性别"][::-1]:
    new_columns.remove(name)
    new_columns.insert(new_columns.index("学号")+1, name)

In [9]:

new_columns

Out[9]:

['班级', '学号', '姓名', '性别', '语文成绩', '数学成绩', '英语成绩']

In [10]:

df_merge = df_merge.reindex(columns=new_columns)
df_merge.head()

Out[10]:

	班级	学号	姓名	性别	语文成绩	数学成绩	英语成绩
0	C01	S001	怠涵	女	99	84	88
1	C01	S002	婉清	女	66	95	77
2	C01	S003	溪榕	女	68	68	61
3	C01	S004	漠涓	女	63	66	82
4	C01	S005	祈博	女	72	95	94

步骤4：输出最终的Excel文件

In [11]:

df_merge.to_excel("./course_datas/c23_excel_vlookup/合并后的数据表.xlsx", index=False)

24、Pandas怎样结合Pyecharts绘制交互性折线图？

背景：

Pandas是Python用于数据分析领域的超级牛的库
Echarts是百度开源的非常好用强大的可视化图表库，Pyecharts是它的Python库版本

1、读取数据

In [1]:

import pandas as pd

In [2]:

xlsx_path = "./datas/stocks/baidu_stocks.xlsx"
df = pd.read_excel(xlsx_path, index_col="datetime", parse_dates=True)
df.head()

Out[2]:

	code	open	close	high	low	vol	p_change
datetime
2019-12-03	BIDU	115.199997	114.800003	116.019997	113.300003	3493249	-2.25
2019-12-02	BIDU	118.389999	117.440002	119.764999	116.400002	2203313	-0.92
2019-11-29	BIDU	118.300003	118.529999	118.690002	117.599998	1917004	-0.82
2019-11-27	BIDU	119.180000	119.510002	119.839996	118.440002	2341070	0.77
2019-11-26	BIDU	120.010002	118.599998	120.440002	118.099998	3813176	-1.43

In [3]:

df.index

Out[3]:

DatetimeIndex(['2019-12-03', '2019-12-02', '2019-11-29', '2019-11-27',
               '2019-11-26', '2019-11-25', '2019-11-22', '2019-11-21',
               '2019-11-20', '2019-11-19',
               ...
               '2019-01-15', '2019-01-14', '2019-01-11', '2019-01-10',
               '2019-01-09', '2019-01-08', '2019-01-07', '2019-01-04',
               '2019-01-03', '2019-01-02'],
              dtype='datetime64[ns]', name='datetime', length=227, freq=None)

In [4]:

df.sort_index(inplace=True)
df.head()

Out[4]:

	code	open	close	high	low	vol	p_change
datetime
2019-01-02	BIDU	156.179993	162.250000	164.330002	155.490005	2996952	NaN
2019-01-03	BIDU	158.750000	154.710007	159.880005	153.779999	3879180	-4.65
2019-01-04	BIDU	157.600006	160.949997	162.429993	157.250000	3847497	4.03
2019-01-07	BIDU	162.600006	162.600006	164.490005	158.509995	3266091	1.03
2019-01-08	BIDU	162.190002	163.399994	163.889999	158.160004	3253361	0.49

2、使用Pyecharts绘制折线图

In [5]:

# 如果没有安装，使用pip install pyecharts安装
from pyecharts.charts import Line
from pyecharts import options as opts

In [6]:

# 折线图
line = Line()

# x轴
line.add_xaxis(df.index.to_list())

# 每个y轴
line.add_yaxis("开盘价", df["open"].round(2).to_list())
line.add_yaxis("收盘价", df["close"].round(2).to_list())

# 图表配置
line.set_global_opts(
    title_opts=opts.TitleOpts(title="百度股票2019年"),
    tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross")
)

Out[6]:

<pyecharts.charts.basic_charts.line.Line at 0x201bd51d088>

In [7]:

# 渲染数据
line.render_notebook()

25、Pandas结合Sklearn实现泰坦尼克存活率预测

实例目标：实现泰坦尼克存活预测

处理步骤： 1、输入数据：使用Pandas读取训练数据(历史数据，特点是已经知道了这个人最后有没有活下来) 2、训练模型：使用Sklearn训练模型 3、使用模型：对于一个新的不知道存活的人，预估他存活的概率

步骤1：读取训练数据

In [1]:

import pandas as pd

In [2]:

df_train = pd.read_csv("./datas/titanic/titanic_train.csv")
df_train.head()

Out[2]:

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	373450	8.0500	NaN	S

*其中，Survived==1代表这个人活下来了、==0代表没活下来；其他的都是这个人的信息和当时的仓位、票务情况*

In [3]:

# 我们只挑选两列，作为预测需要的特征
feature_cols = ['Pclass', 'Parch']
X = df_train.loc[:, feature_cols]
X.head()

Out[3]:

	Pclass	Parch
0	3	0
1	1	0
2	3	0
3	1	0
4	3	0

In [4]:

# 单独提取是否存活的列，作为预测的目标
y = df_train.Survived
y.head()

Out[4]:

0    0
1    1
2    1
3    1
4    0
Name: Survived, dtype: int64

步骤2：训练模型

In [5]:

from sklearn.linear_model import LogisticRegression
# 创建模型对象
logreg = LogisticRegression()

# 实现模型训练
logreg.fit(X, y)
//anaconda3/lib/python3.7/site-packages/sklearn/linear_model/logistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.
  FutureWarning)

Out[5]:

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='warn', n_jobs=None, penalty='l2',
                   random_state=None, solver='warn', tol=0.0001, verbose=0,
                   warm_start=False)

In [6]:

logreg.score(X, y)

Out[6]:

0.6879910213243546

步骤3：对于未知数据使用模型

机器学习的核心目标，是使用模型预测未知的事物

比如预测股票明天是涨还是跌、一套新的二手房成交价大概多少钱、用户打开APP最可能看那些视频等问题

In [7]:

# 找一个历史数据中不存在的数据
X.drop_duplicates().sort_values(by=["Pclass", "Parch"])

Out[7]:

	Pclass	Parch
1	1	0
54	1	1
27	1	2
438	1	4
9	2	0
98	2	1
43	2	2
437	2	3
0	3	0
7	3	1
8	3	2
86	3	3
167	3	4
13	3	5
678	3	6

In [8]:

# 预测这个数据存活的概率
logreg.predict([[2, 4]])

Out[8]:

array([1])

In [9]:

logreg.predict_proba([[2, 4]])

Out[9]:

array([[0.35053893, 0.64946107]])

26、Pandas处理分析网站原始访问日志

目标：真实项目的实战，探索Pandas的数据处理与分析

实例：数据来源：某大佬的wordpress博客http://www.crazyant.net/ 的访问日志

实现步骤： 1、读取数据、清理、格式化 2、统计爬虫spider的访问比例，输出柱状图 3、统计http状态码的访问占比，输出饼图 4、统计按小时、按天的PV/UV流量趋势，输出折线图

1、读取数据并清理格式化

In [1]:

import pandas as pd
import numpy as np

pd.set_option('display.max_colwidth', -1)

from pyecharts import options as opts
from pyecharts.charts import Bar,Pie,Line

In [2]:

# 读取整个目录，将所有的文件合并到一个dataframe
data_dir = "./datas/crazyant/blog_access_log"

df_list = []

import os
for fname in os.listdir(f"{data_dir}"):
    df_list.append(pd.read_csv(f"{data_dir}/{fname}", sep=" ", header=None, error_bad_lines=False))

df = pd.concat(df_list)
b'Skipping line 2245: expected 10 fields, saw 16\nSkipping line 2889: expected 10 fields, saw 14\nSkipping line 2890: expected 10 fields, saw 14\nSkipping line 2891: expected 10 fields, saw 13\nSkipping line 2892: expected 10 fields, saw 13\nSkipping line 2900: expected 10 fields, saw 11\nSkipping line 2902: expected 10 fields, saw 11\nSkipping line 3790: expected 10 fields, saw 14\nSkipping line 3791: expected 10 fields, saw 14\nSkipping line 3792: expected 10 fields, saw 13\nSkipping line 3793: expected 10 fields, saw 13\nSkipping line 3833: expected 10 fields, saw 11\nSkipping line 3835: expected 10 fields, saw 11\nSkipping line 9936: expected 10 fields, saw 16\n'
b'Skipping line 11748: expected 10 fields, saw 11\nSkipping line 11750: expected 10 fields, saw 11\n'

In [3]:

df.head()

Out[3]:

	0	1	2	3	4	5	6	7	8
0	106.11.153.226	-	-	[02/Dec/2019:22:40:18 \| +0800]	GET /740.html?replytocom=1194 HTTP/1.0	200	13446	-	YisouSpider
1	42.156.254.60	-	-	[02/Dec/2019:22:40:23 \| +0800]	POST /wp-json/wordpress-popular-posts/v1/popular-posts HTTP/1.0	201	55	http://www.crazyant.net/740.html?replytocom=1194	Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36
2	106.11.159.254	-	-	[02/Dec/2019:22:40:27 \| +0800]	GET /576.html HTTP/1.0	200	13461	-	YisouSpider
3	106.11.157.254	-	-	[02/Dec/2019:22:40:28 \| +0800]	GET /?lwfcdw=t9n2d3&oqzohc=m5e7j1&oubyvq=iab6a3&oudmbg=6osqd3 HTTP/1.0	200	10485	-	YisouSpider
4	42.156.137.109	-	-	[02/Dec/2019:22:40:30 \| +0800]	POST /wp-json/wordpress-popular-posts/v1/popular-posts HTTP/1.0	201	55	http://www.crazyant.net/576.html	Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36

In [4]:

df = df[[0, 3, 6, 9]].copy()
df.head()

Out[4]:

	0	3	6	9
0	106.11.153.226	[02/Dec/2019:22:40:18	200	YisouSpider
1	42.156.254.60	[02/Dec/2019:22:40:23	201	Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36
2	106.11.159.254	[02/Dec/2019:22:40:27	200	YisouSpider
3	106.11.157.254	[02/Dec/2019:22:40:28	200	YisouSpider
4	42.156.137.109	[02/Dec/2019:22:40:30	201	Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36

In [5]:

df.columns = ["ip", "stime", "status", "client"]
df.head()

Out[5]:

	ip	stime	status	client
0	106.11.153.226	[02/Dec/2019:22:40:18	200	YisouSpider
1	42.156.254.60	[02/Dec/2019:22:40:23	201	Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36
2	106.11.159.254	[02/Dec/2019:22:40:27	200	YisouSpider
3	106.11.157.254	[02/Dec/2019:22:40:28	200	YisouSpider
4	42.156.137.109	[02/Dec/2019:22:40:30	201	Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36

In [6]:

df.dtypes

Out[6]:

ip        object
stime     object
status    int64 
client    object
dtype: object

2、统计spider的比例

In [7]:

df["is_spider"] = df["client"].str.lower().str.contains("spider")
df.head()

Out[7]:

	ip	stime	status	client	is_spider
0	106.11.153.226	[02/Dec/2019:22:40:18	200	YisouSpider	True
1	42.156.254.60	[02/Dec/2019:22:40:23	201	Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36	True
2	106.11.159.254	[02/Dec/2019:22:40:27	200	YisouSpider	True
3	106.11.157.254	[02/Dec/2019:22:40:28	200	YisouSpider	True
4	42.156.137.109	[02/Dec/2019:22:40:30	201	Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36	True

In [8]:

df_spider = df["is_spider"].value_counts()
df_spider

Out[8]:

False    46641
True     3637 
Name: is_spider, dtype: int64

In [9]:

bar = (
        Bar()
        .add_xaxis([str(x) for x in df_spider.index])
        .add_yaxis("是否Spider", df_spider.values.tolist())
        .set_global_opts(title_opts=opts.TitleOpts(title="爬虫访问量占比"))
)
bar.render_notebook()

27、Pandas怎样找出最影响结果的那些特征？

应用场景：

机器学习的特征选择，去除无用的特征，可以提升模型效果、降低训练时间等等
数据分析领域，找出收入波动的最大因素！！

实例演示：泰坦尼克沉船事件中，最影响生死的因素有哪些？

1、导入相关的包

In [1]:

import pandas as pd
import numpy as np

# 特征最影响结果的K个特征
from sklearn.feature_selection import SelectKBest

# 卡方检验，作为SelectKBest的参数
from sklearn.feature_selection import chi2

2、导入泰坦尼克号的数据

In [2]:

df = pd.read_csv("./datas/titanic/titanic_train.csv")
df.head()

Out[2]:

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	373450	8.0500	NaN	S

In [3]:

df = df[["PassengerId", "Survived", "Pclass", "Sex", "Age", "SibSp", "Parch", "Fare", "Embarked"]].copy()
df.head()

Out[3]:

	PassengerId	Survived	Pclass	Sex	Age	SibSp	Fare	Embarked
0	1	0	3	male	22.0	1	7.2500	S
1	2	1	1	female	38.0	1	71.2833	C
2	3	1	3	female	26.0	0	7.9250	S
3	4	1	1	female	35.0	1	53.1000	S
4	5	0	3	male	35.0	0	8.0500	S

3、数据清理和转换

3.1 查看是否有空值列

In [4]:

df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 9 columns):
PassengerId    891 non-null int64
Survived       891 non-null int64
Pclass         891 non-null int64
Sex            891 non-null object
Age            714 non-null float64
SibSp          891 non-null int64
Parch          891 non-null int64
Fare           891 non-null float64
Embarked       889 non-null object
dtypes: float64(2), int64(5), object(2)
memory usage: 62.8+ KB

3.2 给Age列填充平均值

In [5]:

df["Age"] = df["Age"].fillna(df["Age"].median())

In [6]:

df.head()

Out[6]:

	PassengerId	Survived	Pclass	Sex	Age	SibSp	Fare	Embarked
0	1	0	3	male	22.0	1	7.2500	S
1	2	1	1	female	38.0	1	71.2833	C
2	3	1	3	female	26.0	0	7.9250	S
3	4	1	1	female	35.0	1	53.1000	S
4	5	0	3	male	35.0	0	8.0500	S

3.2 将性别列变成数字

In [7]:

# 性别
df.Sex.unique()

Out[7]:

array(['male', 'female'], dtype=object)

In [8]:

df.loc[df["Sex"] == "male", "Sex"] = 0
df.loc[df["Sex"] == "female", "Sex"] = 1

In [9]:

df.head()

Out[9]:

	PassengerId	Survived	Pclass	Sex	Age	SibSp	Fare	Embarked
0	1	0	3	0	22.0	1	7.2500	S
1	2	1	1	1	38.0	1	71.2833	C
2	3	1	3	1	26.0	0	7.9250	S
3	4	1	1	1	35.0	1	53.1000	S
4	5	0	3	0	35.0	0	8.0500	S

3.3 给Embarked列填充空值，字符串转换成数字

In [10]:

# Embarked
df.Embarked.unique()

Out[10]:

array(['S', 'C', 'Q', nan], dtype=object)

In [11]:

# 填充空值
df["Embarked"] = df["Embarked"].fillna(0)

# 字符串变成数字
df.loc[df["Embarked"] == "S", "Embarked"] = 1
df.loc[df["Embarked"] == "C", "Embarked"] = 2
df.loc[df["Embarked"] == "Q", "Embarked"] = 3

In [12]:

df.head()

Out[12]:

	PassengerId	Survived	Pclass	Sex	Age	SibSp	Fare	Embarked
0	1	0	3	0	22.0	1	7.2500	1
1	2	1	1	1	38.0	1	71.2833	2
2	3	1	3	1	26.0	0	7.9250	1
3	4	1	1	1	35.0	1	53.1000	1
4	5	0	3	0	35.0	0	8.0500	1

4、将特征列和结果列拆分开

In [13]:

y = df.pop("Survived")
X = df

In [14]:

X.head()

Out[14]:

	PassengerId	Pclass	Sex	Age	SibSp	Fare	Embarked
0	1	3	0	22.0	1	7.2500	1
1	2	1	1	38.0	1	71.2833	2
2	3	3	1	26.0	0	7.9250	1
3	4	1	1	35.0	1	53.1000	1
4	5	3	0	35.0	0	8.0500	1

In [15]:

y.head()

Out[15]:

0    0
1    1
2    1
3    1
4    0
Name: Survived, dtype: int64

5、使用卡方检验选择topK的特征

In [16]:

# 选择所有的特征，目的是看到特征重要性排序
bestfeatures = SelectKBest(score_func=chi2, k=len(X.columns))
fit = bestfeatures.fit(X, y)

6、按照重要性顺序打印特征列表

In [17]:

df_scores = pd.DataFrame(fit.scores_)
df_scores

Out[17]:

	0
0	3.312934
1	30.873699
2	170.348127
3	21.649163
4	2.581865
5	10.097499
6	4518.319091
7	2.771019

In [18]:

df_columns = pd.DataFrame(X.columns)
df_columns

Out[18]:

	0
0	PassengerId
1	Pclass
2	Sex
3	Age
4	SibSp
5	Parch
6	Fare
7	Embarked

In [19]:

# 合并两个df
df_feature_scores = pd.concat([df_columns,df_scores],axis=1)
# 列名
df_feature_scores.columns = ['feature_name','Score']  #naming the dataframe columns

# 查看
df_feature_scores

Out[19]:

	feature_name	Score
0	PassengerId	3.312934
1	Pclass	30.873699
2	Sex	170.348127
3	Age	21.649163
4	SibSp	2.581865
5	Parch	10.097499
6	Fare	4518.319091
7	Embarked	2.771019

In [20]:

df_feature_scores.sort_values(by="Score", ascending=False)

Out[20]:

	feature_name	Score
6	Fare	4518.319091
2	Sex	170.348127
1	Pclass	30.873699
3	Age	21.649163
5	Parch	10.097499
0	PassengerId	3.312934
7	Embarked	2.771019
4	SibSp	2.581865

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2021.11.26，如有侵权请联系 cloudcommunity@tencent.com 删除

编程算法

html

ios

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

编程算法

html

ios