网监备案网站,wordpress情侣模板,电子商务专业就业方向及就业岗位,网络公司用什么名字比较好目录
一、用法精讲
171、pandas.Series.nlargest方法
171-1、语法
171-2、参数
171-3、功能
171-4、返回值
171-5、说明
171-6、用法
171-6-1、数据准备
171-6-2、代码示例
171-6-3、结果输出
172、pandas.Series.nsmallest方法
172-1、语法
172-2、参数
172-3、…目录
一、用法精讲
171、pandas.Series.nlargest方法
171-1、语法
171-2、参数
171-3、功能
171-4、返回值
171-5、说明
171-6、用法
171-6-1、数据准备
171-6-2、代码示例
171-6-3、结果输出
172、pandas.Series.nsmallest方法
172-1、语法
172-2、参数
172-3、功能
172-4、返回值
172-5、说明
172-6、用法
172-6-1、数据准备
172-6-2、代码示例
172-6-3、结果输出
173、pandas.Series.pct_change方法
173-1、语法
173-2、参数
173-3、功能
173-4、返回值
173-5、说明
173-6、用法
173-6-1、数据准备
173-6-2、代码示例
173-6-3、结果输出
174、pandas.Series.prod方法
174-1、语法
174-2、参数
174-3、功能
174-4、返回值
174-5、说明
174-6、用法
174-6-1、数据准备
174-6-2、代码示例
174-6-3、结果输出
175、pandas.Series.quantile方法
175-1、语法
175-2、参数
175-3、功能
175-4、返回值
175-5、说明
175-6、用法
175-6-1、数据准备
175-6-2、代码示例
175-6-3、结果输出
二、推荐阅读
1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页 一、用法精讲
171、pandas.Series.nlargest方法
171-1、语法
# 171、pandas.Series.nlargest方法
pandas.Series.nlargest(n5, keepfirst)
Return the largest n elements.Parameters:
n
int, default 5
Return this many descending sorted values.keep
{‘first’, ‘last’, ‘all’}, default ‘first’
When there are duplicate values that cannot all fit in a Series of n elements:first : return the first n occurrences in order of appearance.last : return the last n occurrences in reverse order of appearance.all : keep all occurrences. This can result in a Series of size larger than n.Returns:
Series
The n largest values in the Series, sorted in decreasing order.
171-2、参数
171-2-1、n(可选默认值为5)一个整数选择的最大的元素的数量。
171-2-2、keep(可选默认值为first){first, last, all}当出现多个相同大小的值时如何处理
first: 保留最早出现的n个。last: 保留最后出现的n个。all: 保留所有最大值不考虑n。
171-3、功能
171-3-1、选择最大值从Series中选择前n个最大的值。
171-3-2、排序返回的结果是按值从大到小排序的。
171-3-3、处理重复值可以通过keep参数控制如何处理重复值。
171-4、返回值
171-4-1、返回类型pandas.Series。
171-4-2、内容包含前n个最大的值按降序排列。
171-5、说明
171-5-1、性能nlargest方法会对数据进行排序在处理大型数据集时可能会较慢。
171-5-2、重复值处理可以通过keep参数来控制是否保留第一个出现的、最后一个出现的或者所有重复的最大值。
171-6、用法
171-6-1、数据准备
无
171-6-2、代码示例
# 171、pandas.Series.nlargest方法
# 171-1、数据探索与分析
import pandas as pd
# 示例学生成绩数据
scores pd.Series([85, 90, 78, 92, 88, 76, 95, 89])
# 获取前3个最高的成绩
top_scores scores.nlargest(n3)
print(top_scores, end\n\n)# 171-2、异常检测
# 示例传感器读数数据
sensor_data pd.Series([100, 150, 200, 250, 300, 350, 400, 450, 500, 1000])
# 获取前2个最大的读数
top_readings sensor_data.nlargest(n2)
print(top_readings, end\n\n)# 171-3、绩效评估
# 示例销售数据
sales pd.Series([12000, 15000, 18000, 20000, 22000, 25000, 27000, 30000])
# 获取销售额前3名的销售代表
top_sales sales.nlargest(n3)
print(top_sales, end\n\n)# 171-4、资源分配
# 示例客户投诉数据
complaints pd.Series([5, 15, 25, 35, 45, 55, 65, 75, 85, 95])
# 获取前3个最严重的投诉
top_complaints complaints.nlargest(n3)
print(top_complaints, end\n\n)# 171-5、投资决策
# 示例股票收益数据
returns pd.Series([0.05, 0.10, 0.15, 0.20, 0.25, 0.30, 0.35, 0.40, 0.45, 0.50])
# 获取收益前3名的股票
top_returns returns.nlargest(n3)
print(top_returns)
171-6-3、结果输出
# 171、pandas.Series.nlargest方法
# 171-1、数据探索与分析
# 6 95
# 3 92
# 1 90
# dtype: int64# 171-2、异常检测
# 9 1000
# 8 500
# dtype: int64# 171-3、绩效评估
# 7 30000
# 6 27000
# 5 25000
# dtype: int64# 171-4、资源分配
# 9 95
# 8 85
# 7 75
# dtype: int64# 171-5、投资决策
# 9 0.50
# 8 0.45
# 7 0.40
# dtype: float64
172、pandas.Series.nsmallest方法
172-1、语法
# 172、pandas.Series.nsmallest方法
pandas.Series.nsmallest(n5, keepfirst)
Return the smallest n elements.Parameters:
n
int, default 5
Return this many ascending sorted values.keep
{‘first’, ‘last’, ‘all’}, default ‘first’
When there are duplicate values that cannot all fit in a Series of n elements:first : return the first n occurrences in order of appearance.last : return the last n occurrences in reverse order of appearance.all : keep all occurrences. This can result in a Series of size larger than n.Returns:
Series
The n smallest values in the Series, sorted in increasing order.
172-2、参数
172-2-1、n(可选默认值为5)指定要返回的最小值的数量如果n大于Series的长度则返回整个Series。
172-2-2、keep(可选默认值为first){first, last, all}当出现多个相同大小的值时如何处理
first: 保留最早出现的n个。last: 保留最后出现的n个。all: 保留所有最小值不考虑n。
172-3、功能
172-3-1、提取最小值从Series中提取指定数量的最小值。
172-3-2、处理重复值可以通过keep参数指定如何处理重复值。
172-4、返回值 返回一个包含指定数量最小值的新的Series返回的Series保留了原始Series的索引信息这样可以方便地追踪这些最小值在原始数据中的位置。
172-5、说明 无
172-6、用法
172-6-1、数据准备
无
172-6-2、代码示例
# 172、pandas.Series.nsmallest方法
# 172-1、默认用法
import pandas as pd
data pd.Series([3, 5, 6, 8, 10, 10, 11, 24])
result data.nsmallest()
print(result, end\n\n)# 172-2、指定n参数
import pandas as pd
data pd.Series([3, 5, 6, 8, 10, 10, 11, 24])
result data.nsmallest(n3)
print(result, end\n\n)# 172-3、使用keeplast
import pandas as pd
data pd.Series([3, 5, 6, 8, 10, 10, 11, 24])
result data.nsmallest(n5, keeplast)
print(result, end\n\n)# 172-4、使用keepall
import pandas as pd
data pd.Series([3, 5, 6, 8, 10, 10, 11, 24])
result data.nsmallest(n5, keepall)
print(result)
172-6-3、结果输出
# 172、pandas.Series.nsmallest方法
# 172-1、默认用法
# 0 3
# 1 5
# 2 6
# 3 8
# 4 10
# dtype: int64# 172-2、指定n参数
# 0 3
# 1 5
# 2 6
# dtype: int64# 172-3、使用keeplast
# 0 3
# 1 5
# 2 6
# 3 8
# 5 10
# dtype: int64# 172-4、使用keepall
# 0 3
# 1 5
# 2 6
# 3 8
# 4 10
# 5 10
# dtype: int64
173、pandas.Series.pct_change方法
173-1、语法
# 173、pandas.Series.pct_change方法
pandas.Series.pct_change(periods1, fill_method_NoDefault.no_default, limit_NoDefault.no_default, freqNone, **kwargs)
Fractional change between the current and a prior element.Computes the fractional change from the immediately previous row by default. This is useful in comparing the fraction of change in a time series of elements.NoteDespite the name of this method, it calculates fractional change (also known as per unit change or relative change) and not percentage change. If you need the percentage change, multiply these values by 100.Parameters:
periodsint, default 1
Periods to shift for forming percent change.fill_method{‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, default ‘pad’
How to handle NAs before computing percent changes.Deprecated since version 2.1: All options of fill_method are deprecated except fill_methodNone.limitint, default None
The number of consecutive NAs to fill before stopping.Deprecated since version 2.1.freqDateOffset, timedelta, or str, optional
Increment to use from time series API (e.g. ‘ME’ or BDay()).**kwargs
Additional keyword arguments are passed into DataFrame.shift or Series.shift.Returns:
Series or DataFrame
The same type as the calling object.
173-2、参数
173-2-1、periods(可选默认值为1)整数表示计算变化的间隔期数。例如periods1表示当前元素与前一个元素的变化periods2表示当前元素与前两个元素的变化。
173-2-2、fill_method(可选){backfill, bfill, pad, ffill, None}用于填充缺失值的方法
173-2-2-1、backfill或bfill: 使用之后的有效值填充NaN。
173-2-2-2、pad或ffill: 使用之前的有效值填充NaN。
173-2-3、limit(可选)整数最多填充多少个连续的NaN值。
173-2-4、freq(可选默认值为None)用于时间序列的频率转换。例如freqM表示按月计算变化。
173-2-5、**kwargs(可选)其他传递给内部填充方法的关键字参数。
173-3、功能 用于计算当前元素与前一个元素之间的百分比变化该方法在时间序列分析中非常有用因为它可以帮助我们快速识别变化趋势和波动。
173-4、返回值 返回一个包含百分比变化的Series如果当前元素或前一个元素为NaN则相应的百分比变化也会是NaN。
173-5、说明 无
173-6、用法
173-6-1、数据准备
无
173-6-2、代码示例
# 173、pandas.Series.pct_change方法
# 173-1、默认用法
import pandas as pd
data pd.Series([100, 120, 130, 90, 160])
result data.pct_change()
print(result, end\n\n)# 173-2、指定periods参数
import pandas as pd
data pd.Series([100, 120, 130, 90, 160])
result data.pct_change(periods2)
print(result, end\n\n)# 173-3、使用fill_method填充缺失值
import pandas as pd
data_with_nan pd.Series([100, None, 130, 90, 160])
result data_with_nan.pct_change(fill_methodffill)
print(result, end\n\n)# 173-4、指定limit和fill_method参数
import pandas as pd
data_with_nan pd.Series([100, None, 130, 90, 160])
result data_with_nan.pct_change(fill_methodffill, limit1)
print(result)
173-6-3、结果输出
# 173、pandas.Series.pct_change方法
# 173-1、默认用法
# 0 NaN
# 1 0.200000
# 2 0.083333
# 3 -0.307692
# 4 0.777778
# dtype: float64# 173-2、指定periods参数
# 0 NaN
# 1 NaN
# 2 0.300000
# 3 -0.250000
# 4 0.230769
# dtype: float64# 173-3、使用fill_method填充缺失值
# 0 NaN
# 1 0.000000
# 2 0.300000
# 3 -0.307692
# 4 0.777778
# dtype: float64# 173-4、指定limit和fill_method参数
# 0 NaN
# 1 0.000000
# 2 0.300000
# 3 -0.307692
# 4 0.777778
# dtype: float64
174、pandas.Series.prod方法
174-1、语法
# 174、pandas.Series.prod方法
pandas.Series.prod(axisNone, skipnaTrue, numeric_onlyFalse, min_count0, **kwargs)
Return the product of the values over the requested axis.Parameters:
axis{index (0)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.WarningThe behavior of DataFrame.prod with axisNone is deprecated, in a future version this will reduce over both axes and return a scalar To retain the old behavior, pass axis0 (or do not pass axis).New in version 2.0.0.skipnabool, default True
Exclude NA/null values when computing the result.numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.min_countint, default 0
The required number of valid values to perform the operation. If fewer than min_count non-NA values are present the result will be NA.**kwargs
Additional keyword arguments to be passed to the function.Returns:
scalar or scalar
174-2、参数
174-2-1、axis(可选默认值为None)只适用于DataFrame对于Series来说该参数无效。
174-2-2、skipna(可选默认值为True)指定是否跳过NaN值如果设置为True(默认情况)NaN值将被忽略计算时只考虑非空值如果设置为False结果将是NaN如果存在NaN值。
174-2-3、numeric_only(可选默认值为False)指定是否仅考虑数值类型的数据如果为True则仅包含数字类型数据进行计算对于Series来说该参数通常无效因为Series本身通常只有一种数据类型。
174-2-4、min_count(可选默认值为0)表示需要参与计算的最小有效值数量如果非零有效值的数量小于min_count则结果为NaN。例如如果设置min_count1而Series中没有非零值则返回NaN。
174-2-5、**kwargs(可选)其他关键字参数以后可能用于扩展方法的功能。
174-3、功能 用于计算Series元素的乘积并返回一个浮点数或整数表示所有非NaN元素的乘积。
174-4、返回值
174-4-1、数值类型: 返回值为浮点数或整数具体取决于Series的数据类型和参与计算的元素。
174-4-2、缺失值情况: 如果skipnaFalse且Series中存在NaN值返回NaN如果有效值数量少于min_count返回NaN。
174-5、说明 无
174-6、用法
174-6-1、数据准备
无
174-6-2、代码示例
# 174、pandas.Series.prod方法
import pandas as pd
import numpy as np
# 创建一个Series
s pd.Series([1, 2, 3, np.nan, 4])
# 计算所有非NaN元素的乘积
result s.prod()
print(result)# 不跳过NaN值
result_skipna_false s.prod(skipnaFalse)
print(result_skipna_false)# 需要至少2个有效值参与计算否则返回NaN
result_min_count s.prod(min_count2)
print(result_min_count)# 需要至少5个有效值参与计算
result_min_count_high s.prod(min_count5)
print(result_min_count_high)
174-6-3、结果输出
# 174、pandas.Series.prod方法
# 24.0
# nan
# 24.0
# nan
175、pandas.Series.quantile方法
175-1、语法
# 175、pandas.Series.quantile方法
pandas.Series.quantile(q0.5, interpolationlinear)
Return value at the given quantile.Parameters:
qfloat or array-like, default 0.5 (50% quantile)
The quantile(s) to compute, which can lie in range: 0 q 1.interpolation{‘linear’, ‘lower’, ‘higher’, ‘midpoint’, ‘nearest’}
This optional parameter specifies the interpolation method to use, when the desired quantile lies between two data points i and j:linear: i (j - i) * (x-i)/(j-i), where (x-i)/(j-i) is the fractional part of the index surrounded by i j.lower: i.higher: j.nearest: i or j whichever is nearest.midpoint: (i j) / 2.Returns:
float or Series
If q is an array, a Series will be returned where the index is q and the values are the quantiles, otherwise a float will be returned.
175-2、参数
175-2-1、q(可选默认值为0.5)表示分位数值取值范围为[0, 1]之间的浮点数。例如0.5表示中位数。
175-2-2、interpolation(可选默认值为linear)表示指定插值方法其他选项包括lower、higher、nearest和midpoint。
175-3、功能
175-3-1、计算分位数: 根据参数q的值计算指定分位数。
175-3-2、插值方式: 通过interpolation参数指定计算分位数时使用的插值方法。
175-4、返回值
175-4-1、数值类型: 返回指定分位数的值。
175-4-2、数据类型一致: 返回值的类型与Series中的数据类型一致。
175-5、说明 无
175-6、用法
175-6-1、数据准备
无
175-6-2、代码示例
# 175、pandas.Series.quantile方法
# 175-1、计算中位数(0.5分位数)
import pandas as pd
import numpy as np
# 创建一个Series
s pd.Series([1, 2, 3, np.nan, 5])
median s.quantile(q0.5)
print(median, end\n\n)# 175-2、使用lower插值方法计算0.5分位数
import pandas as pd
import numpy as np
# 创建一个Series
s pd.Series([1, 2, 3, np.nan, 5])
median_lower s.quantile(q0.5, interpolationlower)
print(median_lower, end\n\n)# 175-3、使用higher插值方法计算0.5分位数
import pandas as pd
import numpy as np
# 创建一个Series
s pd.Series([1, 2, 3, np.nan, 5])
median_higher s.quantile(q0.5, interpolationhigher)
print(median_higher, end\n\n)# 175-4、计算0.25分位数
import pandas as pd
import numpy as np
# 创建一个Series
s pd.Series([1, 2, 3, np.nan, 5])
first_quartile s.quantile(q0.25)
print(first_quartile, end\n\n)# 175-5、计算0.75分位数
import pandas as pd
import numpy as np
# 创建一个Series
s pd.Series([1, 2, 3, np.nan, 5])
third_quartile s.quantile(q0.75)
print(third_quartile)
175-6-3、结果输出
# 175、pandas.Series.quantile方法
# 175-1、计算中位数(0.5分位数)
# 2.5# 175-2、使用lower插值方法计算0.5分位数
# 2.0# 175-3、使用higher插值方法计算0.5分位数
# 3.0# 175-4、计算0.25分位数
# 1.75# 175-5、计算0.75分位数
# 3.5
二、推荐阅读
1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页
