作者：Python数据科学 大家都知道一线城市生活压力大，年轻人如果没有家里人的帮助想要独立扎根并非易事。...如果不仔细分析的话，按照表面的逻辑陷阱计算利率就是：411.6/5488=7.5%，也就是说年利率是7.5%，每期手续费率=7.5%/12=0.625%。...实际利率计算是有现成公式的，这个涉及到货币时间价值的一些知识，公式计算如下： ? 其中，P为本金，F为每期现金流，r为月利率（内部收益率IRR）。...有公式就好办了，Python的numpy有现成的IRR计算公式，分分钟搞定。...所以你看到了吧，实际的年化利率是14.44%，而不是7.5%。因此按照这个逻辑我也给他分别计算了消费分期3期和6期的实际年化利率。 ? 卖家搞活动，因此3期手续费为零。
央行提供了两种选择，一种是固定利率；一种是浮动利率。本文只说浮动利率。...调整后2020年的执行利率和2019年的持平，以后将根据（每年）重定价日的LPR重新计算。...具体计算过程，需要考虑到每笔房贷的上浮或者优惠的不同，先要根据2019年12月的LPR和当前执行利率之差计算出一个加点，这个加点在整个贷（还）款期限内就固定不变了。...如果重定价周期商定为一年，那么2021年及以后每年的实际执行利率就按照重定价日最近一个月的LPR加上这个固定加点计算。...先用一个公式来表示新的利率浮动比例的计算 加点 / LPR 从房奴的角度，我们总是希望这个比例至少有不差于现在上浮或者优惠的程度。
index也有列索引columns，创建DataFrame的基本方法为df = pd.DataFrame(data, index=index,columns=columns)，其中data参数的数据类型可以支持由列表...如下图所示，基本上可以把DataFrame看成是Excel的表格形态： ? 接下来我们根据创建DataFrame的基本要求将data、index、columns这三个参数准备就绪。...的方法中，就可以生成DataFrame格式的股票交易数据。...此处以ndarray组成的字典形式创建DataFrame，字典每个键所对应的ndarray数组分别成为DataFrame的一列，共享同一个 index ，例程如下所示： df_stock = pd.DataFrame...以上就是Pandas的核心—DataFrame数据结构的生成讲解。
DataFrame是pandas库中另一个重要的数据结构，它提供了类似于excel的二维数据结构使用pandas.DataFrame()函数可以创建一个DataFrame数据类型【用数组创建DataFrame...】import pandas as pdimport numpy as npa=np.random.uniform(0,150,size=(5,3)).astype('int32')df=pd.DataFrame...(a)df我们首先使用random.uniform生成了一个5*3的矩阵a，它的每个元素是0~150的随机数然后用DataFrame()函数把矩阵a转换为DataFrame类型可以看到，在jupyter...中，dataframe的显示非常直观，上面第一行是它的列索引(默认为0,1,2)左边第一列是它的行索引(默认为0,1,2,3,4)中间的区域是我们的数据DataFrame跟series类似，可以使用index...(a,index=line,columns=columns)df【用字典创建DataFrame】pandas还支持字典创建DataFrame字典的键(key)将作为列索引，值(value)将作为一个个数据
ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.i...
7 True 我们通过逻辑运算获取了对应的布尔值，只需要将布尔值作为索引就可以获得对应的元素 sci[sci['Age']>age_mean] Series 的运算 Series和数值型变量计算时...，变量会与Series中的每个元素逐一进行计算 两个Series之间计算，如果Series元素个数相同，则将两个Series对应元素进行计算 sci['Age']+sci['Age'] # age列值增加一倍...元素个数不同的Series之间进行计算，会根据索引进行 索引不同的元素最终计算的结果会填充成缺失值，用NaN表示.NaN表示Null DataFrame常用属性方法 ndim是数据集的维度 size...是数据集的行数乘列数 count统计数据集每个列含有的非空元素 也可以利用布尔索引获取某些元素(使用逻辑运算获取最小值) 更改Series 和DataFrame 通过set_index()方法设置行索引名字... 修改列名(columns) 和 行索引(index)名： 1.通过rename()方法对原有的行索引名和列名进行修改 2.将index 和 columns属性提取出来，修改之后，再赋值回去 3.通过dataframe
mongodb取出json，利用python转成dataframe（dict-to-dataframe） 1、mongodb数据源结构： 2、输出结果： 3、python代码部分...db.gaode_pois_hotel_yunnan_extra_mid01.find({},{"_id":0,'name':1,'lng':1,'lat':1}).limit(10) #创建一个空的dataframe...df = pd.DataFrame(columns = ["_id", "name", "lng", "lat"]) for x in data2:...#dict转成dataframe,注意.T的运用 pd_data=pd.DataFrame.from_dict(x,orient='index').T
参考链接： 带有Pandas的Python：带有示例的DataFrame教程 Python是进行数据分析的一种出色语言，主要是因为以数据为中心的python软件包具有奇妙的生态系统。...Pandas dataframe.ne()函数使用常量，序列或其他按元素排列的 DataFrame 检查 DataFrame 元素的不等式。...用法： DataFrame.ne(other, axis=’columns’, level=None) 参数： other:系列，DataFrame或常量 axis:对于系列输入，轴与系列索引匹配...一个 DataFrame 包含NA值。 ...":[14,3,None,2,6]}) # Print the second dataframe df2 让我们使用dataframe.ne()功能。
mongodb取出json，利用python转成dataframe（dict-to-dataframe） 1、mongodb数据源结构： ? 2、输出结果： ?...3、python代码部分 import pandas as pd from pymongo import MongoClient #1. get data from mongodb class extra_yunnan_hotel...db.gaode_pois_hotel_yunnan_extra_mid01.find({},{"_id":0,'name':1,'lng':1,'lat':1}).limit(10) #创建一个空的dataframe...df = pd.DataFrame(columns = ["_id", "name", "lng", "lat"]) for x in data2:...#dict转成dataframe,注意.T的运用 pd_data=pd.DataFrame.from_dict(x,orient='index').T
FV 是一个财务函数，用于根据固定利率计算投资的未来值。 语法：FV(rate,nper,pmt,[pv],[type]) rate：必需。各期利率。 nper：必需。年金的付款总期数。...如果贷款为期四年（年利率 12%），每月还一次款，则 rate 应为 12%/12，nper 应为 4*12。如果对相同贷款每年还一次款，则 rate 应为 12%，nper 应为 4。...计算一系列付款的未来值。比如：你每月存500美元用于退休养老金，预期的平均年利率5%，期限为10年。到期后，你的退休账户中将会有77,641.14美元。...计算当个总计付款的未来值。比如：你投资了某个项目，投资额为10000美元，预计平均年回报率为2%，按月分红。投资期限是5年，到期后你可以拿到11050.79美元。...如果type取1，未来值的计算结果不变。
本文是基于Windows系统环境，学习和测试DataFrame模块： Windows 10 PyCharm 2018.3.5 for Windows (exe) python 3.6.8...初始化DataFrame 创建一个空的DataFrame变量 import pandas as pd import numpy as np data = pd.DataFrame() ...print(np.shape(data)) # (0,0) 通过字典创建一个DataFrame import pandas as pd import numpy as np dict_a...n = np.array(df) print(n) DataFrame增加一列数据 import pandas as pd import numpy as np data = pd.DataFrame...('user.csv') print (data) 将DataFrame数据写入csv文件 to_csv()函数的参数配置参考官网pandas.DataFrame.to_csv import
银行定期存款利率，输入金额，输入年限，计算本息总额 //导包 import java.util.Scanner; public class Test { public static void...存款年利率表如下： //存期 年利率（%） //一年 2.25 //两年 2.7 //三年 3.25 //五年...3.6 //请存入一定金额（1000起存），存一定年限（四选一），计算到期后得到的本息总额 //本息计算方式：本金+本金×年利率×年限 //创建键盘输入对象...int year = scan.nextInt(); //定义一个double类型的变量 用来储存本息总额 double amount = 0; //计算本息
自定义生成行索引 使用 索引与值 基本操作 统计功能 ---- 基本特征 一个表格型的数据结构 含有一组有序的列（类似于index） 大致可看成共享同一个index的Series集合 创建 DataFrame...与Series相比，除了可以每一个键对应许多值之外，还增加了列索引（columns）这一内容，具体内容如下所示： 自动生成行索引 DataFrame也能自动生成行索引，索引从0开始，代码如下所示...frame = pd.DataFrame(data) #自定义行索引 print(frame) 运行结果如下所示： name pay 0 aaaaaa 4000 1 bbbbbb... 5000 2 cccccc 6000 自定义生成行索引 DataFrame除了能创建自动生成行索引外，还能自定义生成行索引，代码如下所示： import pandas as...对象的修改和删除还有很多方法，在此不一一列举，有兴趣的同学可以自己去找一下 统计功能 DataFrame对象成员找最低工资和高工资人群信息 DataFrame有非常强大的统计功能，它有大量的函数可以使用
python代码报错： 'DataFrame' object has no attribute 'explode' 原因是pandas版本低于0.25，在0.25以上才有explode函数，所一不想升级的可以自己拆分...没有explode 原始数据： import pandas as pd df = pd.DataFrame({'country': ['China,US,Japan', 'Japan,EU,Australia
可以访问DataFrame全部的行索引，DataFrame.columns可以访问DataFrame全部的列索引 我们用DataFrame.axes查看交易数据行和列的轴标签基本信息，DataFrame.axes...等价于DataFrame.index结合DataFrame.columns 2.行/列元素访问 DataFrame.values可以访问DataFrame全部元素数值，以numpy.ndarray数据类型返回...某列内容访问可以通过类似字典标记或属性的方式，比如DataFrame[‘Open’]或是DataFrame.Open方式，返回得到的’Open’列元素其实是Series数据结构（类似数组） 某行内容可以用切片式访问...，比如访问从索引0开始的第一行元素，我们使用DataFrame[0:1]方式，返回得到的元素是DataFrame数据结构 3.元素级的访问 元素级访问有三种： loc是通过标签方式选取数据，iloc是通过位置方式选取数据...1.DataFrame.iloc[0:2]选取前两行所有列元素， 2.DataFrame.iloc[0:2,0:1]选取前两行第一列元素 3.DataFrame.iloc[[0,2],[0,1]]选取
Python之Pandas中Series、DataFrame实践 1. pandas的数据结构Series 1.1 Series是一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关的数据标签...4. pandas的主要Index对象 Index 最泛化的Index对象，将轴标签表示为一个由Python对象组成的NumPy数组 Int64Index 针对整数的特殊Index MultiIndex...操作Series和DataFrame中的数据的基本手段 5.1 重新索引 reindex 5.2 丢弃指定轴上的项 drop 5.3 索引、选取和过滤（.ix） 5.4 算数运算和数据对齐 DataFrame...和Series之间的算数运算默认情况下会将Series的索引项 匹配到DataFrame的列，然后沿着行一直向下广播。...汇总和计算描述统计 8.1 相关系数corr与协方差cov 8.2 成员资格isin，用于判断矢量化集合的成员资格，可用于选取Series或DataFrame列数据的子集。 9.
实际年化利率 我们用网上常见的房贷/借款计算器来算一下, 如果按照年化11.54%来计算, 每月的还款情况应该如下, 即每个月只需要等额本息还款886.34, 比929.51元少不少....而如果每个月还款929.51元的话, 其利率远远不止11.54%, 直接仍然用那个借款计算器大概估计一下....貌似现有的网上的工具都只能正向算, 即已知利率和贷款本金计算还款计划表, 没有一个工具能从每月还款额反推贷款利率, 初步多次尝试得到如下逼近的结果....推导方法 我们来正向推到一下这个等额本息利率的计算过程....通过计算得到, 借款10000元, 每月还款额度为929.51元的情况下, 月利率为0.017即1.7%, 年化利率即为 20.65% 基本上与文首查到的一致.
DataFrame简介： DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。...DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）。...其实，DataFrame中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维数据结构）。...导入基本python库： import numpy as np import pandas as pd DataFrame构造： 1：直接传入一个由等长列表或NumPy数组组成的字典； dict...参考资料：《利用Python进行数据分析》
df1=pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]]) df1 代码结果： 0 1 2 0 1.0 2.0 3.0 1 NaN NaN...df1 代码结果： 0 1 2 0 1.0 2.0 3.0 1 0.0 0.0 2.0 2 0.0 0.0 0.0 3 8.0 8.0 0.0 传入method=” “改变插值方式： df2=pd.DataFrame
摘选自董付国老师整理的300页pandas教学PPT，待时机成熟后再分享完整版。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
云直播
