练习1

• 读取 catNames2.csv 文件，完成需求如下：
• 找到所有的使用次数超过800的猫的名字
• 获取用次数最高的名字

找到所有的使用次数超过800的猫的名字

import pandas as pd
import numpy as np
cat_name = pd.read_csv("catNames2.csv")
name_over_800 = cat_name[cat_name["Count_AnimalName"]>800]
name_over_800

获取使用次数最高

name_over_800.sort_values(by = ["Count_AnimalName"])
name_over_800.iloc[4]

练习 2

练习2
• 读取 五粮液2020.xlsx 数据，指定 索引为0列 为 行索引
• 查看 该数据的基本信息
• 计算每一天各指标的差异值
• 计算其 pre_close 的增长率
• 将 pre_close 的增长率添加至 wly_data 数据中
• 将 pct_change 该列 呈现的 NaN 用0填充
• 查看 pre_close 与 pct_change 的相关性
• 将 pct_change 这列乘以100 保留两位小数 成为百分比

读取 五粮液2020.xlsx 数据，指定 索引为0列 为 行索引并查看 该数据的基本信息

wine = pd.read_excel("五粮液2020.xlsx",index_col=0)
wine.describe()

计算每一天各指标的差异值

wine.diff()

计算其 pre_close 的增长率

wine["pre_close"].pct_change()

将 pre_close 的增长率添加至 wly_data 数据中,并填充NAN为0

wine["pre_close_change"] = wine["pre_close"].pct_change()
wine.fillna(0)

查看 pre_close 与 pct_change 的相关性

wine["pre_close"].corr(wine["pre_close_change"])

-0.027523153768941197

将 pct_change 这列乘以100 保留两位小数 成为百分比

wine["pre_close_change"]*100
f = lambda x:"%.2f"%x
a = pd.DataFrame(wine["pre_close_change"])
a = a.applymap(f)
wine["pre_close_change"] = a
wine