Python数据分析第七课：时间序列数据的处理

在金融、经济、物理学等领域，都需要在多个时间点观测或者测量数据，这样就产生了关于时间序列的数据。

时间序列数据（Time Series Data）是在不同时间上收集到的数据，这类数据是按时间顺序收集到的，用于描述现象随时间变化的情况。

学会如何对时间序列数据进行巧妙的处理非常重要，Pandas为我们提供了强大的时间序列数据处理的方法。

一、日期和时间数据类型

Python标准库包含了日期和时间数据的数据类型，datetime模块是开始处理时间数据最广泛的。

下面我们先简单的了解下python日期和时间数据类型。

datetime是一个关于时间的库，常用的类有：

在这里插入图片描述

日期类型的使用：

import datetime# 创建日期
date = datetime.date(2020,5,31)
print(date)# 获取年
print(date.year)
# 获取月
print(date.month)
# 获取日
print(date.day)

时间（time）类型的使用，如下所示：

import datetimetime = datetime.time(13,14,20)
print(time)# 获取小时
print(time.hour)
# 获取分钟
print(time.minute)
# 获取秒
print(time.second)

日期和时间的结合（datetime）：

import datetimedatetime = datetime.datetime(2020,5,31,13,14,20)
print(datetime)# 获取年
print(datetime.year)
# 获取月
print(datetime.month)
# 获取日
print(datetime.day)
# 获取小时
print(datetime.hour)
# 获取分钟
print(datetime.minute)
# 获取秒
print(datetime.second)

2020-05-31 13:14:20
2020
5
31
13
14
20

小结：

datetime模块：

time方法可以创建时间
date方法可以创建日期
datetime方法则是日期和时间的结合体。
通过year、month、day、hour、minute、second属性，可以获取到相应的日期或者时间的值。
使用datetime.now()方法可以获取到当前时间：

datetime = datetime.now()
print(datetime)

2020-05-31 12:21:27.681568

现在我们知道如何使用datetime模块创建时间，但是有些时候我们可能需要将datetime类型转成字符串样式。

例如：将datetime.datetime(2019, 9, 9, 13, 14, 20)转换成2019-9-9 13:14:20样式的字符串。

有的同学会问道：“datetime.datetime(2019, 9, 9, 13, 14, 20)输出的的结果不就是2019-9-9 13:14:20吗？为什么还需要变？”。

没错，它的结果就是我们想要的样式，但是，需要注意的是它的类型是datetime，并不是str。

如果我们只是单一的想改变类型，就可以使用强制类型转换：

datetime = datetime.now()print(type(datetime))
str_datetime = str(datetime)
print(str_datetime)
print(type(str_datetime))

<class 'datetime.datetime'>
2020-05-31 12:28:05.940736
<class 'str'>

需求1：将datetime.datetime(2019, 9, 9, 13, 14, 20)转换成9/9/2019 13:14样式的字符串。

使用strftime()方法便可破解此需求。

import datetimedate_time = datetime.datetime(2020,5,31,14,13,20)
str_time = date_time.strftime('%m/%d/%Y %H:%M:%S')
print(str_time)

05/31/2020 14:13:20

strftime()方法的作用是将时间格式转化为自定义字符串格式，格式可以完全自定义。%m/%d/%Y %H:%M就是格式化以后的样式，%m、%d等是时间格式化占位符。

关于时间格式的汇总如下：

在这里插入图片描述

需求2：请将str类型转化成datetime类型。

例如：将字符串类型的Aug-23-19 20:13转化成2019-08-23 20:13:00样式的datetime类型。

可以使用strptime()方法解决此需求。

import datetimestrp = datetime.datetime.strptime('Aug-23-19 20:13','%b-%d-%y %H:%M')
print(strp)
print(type(strp))

2019-08-23 20:13:00
<class 'datetime.datetime'>

strptime()方法的作用是字符串时间转化为datetime格式，需要注意的是要按一定的格式输出时间。

例如：第二个参数不可写成%B-%d-%Y %H:%M ，或者%b / %d / %Y %H:%M，要与字符串表达式保持一致。

二、Pandas时间序列

使用Pandas的date_range()方法可以快速创建出一个日期范围。

pd.date_range(start=None,end=None,periods=None,freq='D')

start:日期范围的开始
end：日期范围的结束
periods：固定日期的个数
freq：日期偏移量，取值为string，默认为’D’，即一天为日期偏移量

# 使用start和end以及默认的freq参数创建：
import pandas as pddate = pd.date_range(start='20190505',end='20190606')# 使用start和end以及频率参数freq为10天创建：
date2 = pd.date_range(start='20190505',end='20190606',freq='10D')# 使用start和periods以及默认的频率参数创建：
date3 = pd.date_range(start='20200505',periods=10,freq='D')print(date)
print(date2)
print(date3)

DatetimeIndex(['2019-05-05', '2019-05-06', '2019-05-07', '2019-05-08','2019-05-09', '2019-05-10', '2019-05-11', '2019-05-12','2019-05-13', '2019-05-14', '2019-05-15', '2019-05-16','2019-05-17', '2019-05-18', '2019-05-19', '2019-05-20','2019-05-21', '2019-05-22', '2019-05-23', '2019-05-24','2019-05-25', '2019-05-26', '2019-05-27', '2019-05-28','2019-05-29', '2019-05-30', '2019-05-31', '2019-06-01','2019-06-02', '2019-06-03', '2019-06-04', '2019-06-05','2019-06-06'],dtype='datetime64[ns]', freq='D')
DatetimeIndex(['2019-05-05', '2019-05-15', '2019-05-25', '2019-06-04'], dtype='datetime64[ns]', freq='10D')
DatetimeIndex(['2020-05-05', '2020-05-06', '2020-05-07', '2020-05-08','2020-05-09', '2020-05-10', '2020-05-11', '2020-05-12','2020-05-13', '2020-05-14'],dtype='datetime64[ns]', freq='D')

根据以上的的代码结果可以得出以下结论：

start和end以及freq配合能够生成start和end范围内以频率freq的一组时间索引。
start和periods以及freq配合能够生成从start开始的频率为freq的periods个时间索引。

上面我们提到时间索引，是因为date_range()方法生成的对象类型是DatetimeIndex，这个类型就是pandas中的时间索引类型。

关于频率的更多缩写：

在这里插入图片描述

有时候我们会对一天或者一个月的数据进行分析，这就需要我们将时间设置成数据的索引，然后通过时间索引获取到一定时间范围内的数据进行分析。

现在我们创建一个以时间序列为索引的Series数据。

# 首先，使用pd.date_range()来创建从2019-01-01开始的时间索引：
import pandas as pdtime_index = pd.date_range(start='20190901',periods=365)
time_index

DatetimeIndex(['2019-09-01', '2019-09-02', '2019-09-03', '2019-09-04','2019-09-05', '2019-09-06', '2019-09-07', '2019-09-08','2019-09-09', '2019-09-10',...'2020-08-21', '2020-08-22', '2020-08-23', '2020-08-24','2020-08-25', '2020-08-26', '2020-08-27', '2020-08-28','2020-08-29', '2020-08-30'],dtype='datetime64[ns]', length=365, freq='D')

# 然后，使用numpy的随机数创建365个随机整数：
import numpy as npdata = np.random.randint(100,size=365)
data

array([11,  1, 66, 19, 33, 98, 22, 93, 11,  3, 98, 74, 75, 13, 31, 88, 94,77, 26, 62, 64, 92, 15, 49, 16,  6, 51, 17, 91, 95, 83, 75, 88, 72,45, 95, 88, 84, 90, 22, 61, 17, 23, 87, 69, 78, 39, 20,  4, 78, 82,55,  0,  2, 53, 50,  3, 93, 44, 76, 80, 50, 96,  7, 35, 23, 15, 68,25, 33,  3, 69, 47, 26, 82, 16, 17, 29, 14, 30, 28, 34, 98, 14, 94,96, 80, 77, 46, 30, 39, 34, 31, 91, 56, 11, 73, 90, 26, 45, 40, 59,87, 23, 49, 30, 15, 30, 89,  5, 61, 77, 44,  4, 67, 28,  5, 80, 20,50, 59, 94, 95, 68, 73, 34, 46, 78, 64, 21, 16, 91, 48, 45, 80, 99,5, 52, 36, 83, 79, 15, 92, 22, 49, 76, 42, 34, 45, 85, 99, 13, 52,23, 61, 99, 93, 33, 83, 63, 44, 15, 62, 24,  0, 92, 89, 71, 59, 27,77,  2, 45, 15, 66, 87, 32, 62, 58, 14, 67, 46, 63,  2, 59, 81, 60,70, 38, 95, 66,  3, 53, 56, 92, 40, 67, 40,  0, 13, 65, 85, 82, 75,9, 40, 72, 36, 98, 32, 95, 18, 11, 57, 32, 81, 34, 34, 48, 85, 84,9, 37, 92, 89, 96, 87, 89, 51,  6, 93, 37, 74, 56, 96, 93, 88, 73,11, 27, 92, 48, 98, 39, 81, 11, 93, 31, 53, 93, 53, 60, 36, 94, 54,87, 24, 73, 86, 17, 96, 38, 48, 53, 68, 94, 79, 36, 42, 68, 58, 76,29,  2, 44, 92, 43, 69, 27, 44,  5, 64, 77, 59, 82, 40, 84, 10, 69,67, 13, 15, 42, 62, 97, 47, 79, 11, 14, 19, 17, 17, 18, 16, 70, 43,2, 38,  3,  9, 56, 36, 95, 94, 56, 29, 33,  2, 59, 21,  0, 27, 11,39, 62, 91, 74, 62, 97, 32, 40, 69, 84,  6, 11, 19, 62, 32, 17, 49,88, 33, 37, 46, 68, 38, 48, 88, 33, 28, 97,  8, 46, 73, 82,  5, 32,74, 72, 67, 34,  4, 49, 65, 41])

# 最后，创建出以时间序列为索引的Series数据import pandas as pd
import numpy as nptime_index = pd.date_range(start='20190901',periods=365)
data = np.random.randint(100,size=365)date_time = pd.Series(data=data,index=time_index)
date_time

2019-09-01     1
2019-09-02    63
2019-09-03    50
2019-09-04    71
2019-09-05    21..
2020-08-26    92
2020-08-27    78
2020-08-28    11
2020-08-29    35
2020-08-30    70
Freq: D, Length: 365, dtype: int64

现在已经成功创建出数据，并将时间索引值设置成数据的索引项，接下来的重点是如何根据时间序列索引获取数据呢？

可以依据年份进行索引，date_time[‘2020’]
可以依据年月进行索引，date_time[‘2019-10’]
可以使用时间戳进行切片，date_time[‘2019-10-05’:‘2020-05-01’]。切片输出的数据，包含2020-05-01。

我们在获取数据的时候，可以直接使用字符串的形式获取以及切片操作。

# 依据年份索引
date_time['2020']

2020-01-01    70
2020-01-02    60
2020-01-03    65
2020-01-04    78
2020-01-05    95..
2020-08-26    92
2020-08-27    78
2020-08-28    11
2020-08-29    35
2020-08-30    70
Freq: D, Length: 243, dtype: int64

# 依据年月索引
date_time['2019-10']

2019-10-01    58
2019-10-02    62
2019-10-03    18
2019-10-04    39
2019-10-05    15
2019-10-06     3
2019-10-07    70
2019-10-08    24
2019-10-09    61
2019-10-10    95
2019-10-11    97
2019-10-12    68
2019-10-13    19
2019-10-14    96
2019-10-15    54
2019-10-16    13
2019-10-17    71
2019-10-18    62
2019-10-19    28
2019-10-20    24
2019-10-21    80
2019-10-22    72
2019-10-23    69
2019-10-24    30
2019-10-25    60
2019-10-26    55
2019-10-27    71
2019-10-28    72
2019-10-29    86
2019-10-30    53
2019-10-31    43
Freq: D, dtype: int64

# 依据时间戳进行切片
date_time['2019-10-05':'2020-05-01']

2019-10-05    15
2019-10-06     3
2019-10-07    70
2019-10-08    24
2019-10-09    61..
2020-04-27    11
2020-04-28    75
2020-04-29    70
2020-04-30    34
2020-05-01    89
Freq: D, Length: 210, dtype: int64

有的时候用csv导入到时间数据时，默认的是字符串的数据类型，当可视化的时候，会出现没有按时间先后顺序的方式绘图，所以需要将字符串解析为时间类型的数据类型。

使用Pandas的to_datetime方法可以将字符串形式的日期转换成时间格式。
pd.to_datime(arg,format=None)

arg:需要修改的数据
format：数据的形式

to_datetime()方法会将字符串类型的时间转换成Timestamp(‘2019-10-05 00:00:00’)时间戳类型。

import pandas as pdpd.to_datetime('2019-10-15')

Timestamp('2019-10-15 00:00:00')

如果想对时间格式修改，还可以使用to_pydatetime()方法将Timestamp类型转换成datetime类型。

pd.to_datetime('2019-10-15').to_pydatetime()

datetime.datetime(2019, 10, 15, 0, 0)

需要注意的是字符串日期中包含中文，我们可以这样处理：

pd.to_datetime('2019年10月10日',format='%Y年%m月%d日')

Timestamp('2019-10-10 00:00:00')

三、总结

日期和时间数据类型

在这里插入图片描述

Pandas时间序列基础

在这里插入图片描述

四、练习

现在我们有一份某电商超市从2016年到2019年的部分销售数据。字段有：
- 订单 ID
- 客户对象
- 订单日期
- 邮寄方式
- 地区
- 地区经理
- 销售额
- 数量
- 退回
- 折扣

请根据数据完成以下需求：
- 分别算出2016年到2019年，每年5月份的总销售额。
- 2018年各地区的5月份的总销售额对比。
- 计算出2018年各个季度的总销售额（1-3月为第一季度，4-6为第二季度，7-9为第三季度，10-12为第四季度）。
- 计算出2018年各季度各地区的总销售额。

import pandas as pd# 导入数据
path = r'/Users/davidlin/Desktop/data-coding/data/commerce.xls'
sales_data = pd.read_excel(path)# 第一个问题：计算2016-209年5月的销售总额# 将订单日期设置为数据的索引
sales_data.index=sales_data['订单日期']# 计算2016-2019年5月的销售额之和
for i in range(6,10):date = '201'+str(i)+'-05'# 根据日期索引获取销售额列的数据，并求和sales_amount = sales_data[date]['销售额'].sum()print('{}的销售总额为{:.2f}元。'.format(date,sales_amount))

	行 ID	订单 ID	订单日期	邮寄方式	客户 ID	客户名称	细分	城市	省/自治区	国家	地区	产品 ID	类别	子类别	产品名称	销售额	数量	折扣	利润
0	1	US-2019-1357144	2019-04-27	二级	曾惠-14485	曾惠	公司	杭州	浙江	中国	华东	办公用-用品-10002717	办公用品	用品	Fiskars 剪刀, 蓝色	163.696	10	0.37	-60.704
1	2	CN-2019-1973789	2019-06-15	标准级	许安-10165	许安	消费者	内江	四川	中国	西南	办公用-信封-10004832	办公用品	信封	GlobeWeis 搭扣信封, 红色	159.440	10	0.00	42.560
2	3	CN-2019-1973789	2019-06-15	标准级	许安-10165	许安	消费者	内江	四川	中国	西南	办公用-装订-10001505	办公用品	装订机	Cardinal 孔加固材料, 回收	65.920	10	0.37	4.200
3	5	CN-2018-2975416	2018-05-31	二级	万兰-15730	万兰	消费者	汕头	广东	中国	中南	办公用-器具-10003452	办公用品	器具	KitchenAid 搅拌机, 黑色	1409.920	11	0.00	550.200
4	6	CN-2017-4497736	2017-10-27	标准级	俞明-18325	俞明	消费者	景德镇	江西	中国	华东	技术-设备-10001640	技术	设备	柯尼卡打印机, 红色	11163.580	17	0.00	3783.780

# 第二个问题：计算2018年5月各地区的总销售额
data = sales_data['2018-05']
groups = data.groupby('地区')# 分别计算各地区的销售总额
for group_name,value in groups:sales_all = value['销售额'].sum()print('{}地区2018年5月份的销售总额为{:.2f}元。'.format(group_name,sales_all))

东北地区2018年5月份的销售总额为58698.98元。
中南地区2018年5月份的销售总额为80690.21元。
华东地区2018年5月份的销售总额为153767.85元。
华北地区2018年5月份的销售总额为70674.69元。
西北地区2018年5月份的销售总额为15043.16元。
西南地区2018年5月份的销售总额为29359.40元。
地区
东北    42
中南    64
华东    84
华北    41
西北     9
西南    28
dtype: int64

# 第三个问题：计算出各个季度的总销售额Q1 = sales_data['2018-01':'2018-03']['销售额'].sum()
Q2 = sales_data['2018-04':'2018-06']['销售额'].sum()
Q3 = sales_data['2018-07':'2018-09']['销售额'].sum()
Q4 = sales_data['2018-10':'2018-12']['销售额'].sum()print('''
2018年第一季度的总销售额为{:.2f}元；
2018年第二季度的总销售额为{:.2f}元；
2018年第三季度的总销售额为{:.2f}元；
2018年第四季度的总销售额为{:.2f}元。'''.format(Q1,Q2,Q3,Q4))

2018年第一季度的总销售额为588269.65元；
2018年第二季度的总销售额为1084969.66元；
2018年第三季度的总销售额为1155180.63元；
2018年第四季度的总销售额为1505355.92元。

# 第四个问题：计算2018年各季度各地区的总销售额。Q1_area = sales_data['2018-01':'2018-03'].groupby('地区')['销售额'].sum()
Q2_area = sales_data['2018-04':'2018-06'].groupby('地区')['销售额'].sum()
Q3_area = sales_data['2018-07':'2018-09'].groupby('地区')['销售额'].sum()
Q4_area = sales_data['2018-10':'2018-12'].groupby('地区')['销售额'].sum()print('''
2018年各季度各地区的销售总额分别为：
第一季度：
{}
第二季度：
{}
第三季度：
{}
第四季度：
{}
'''.format(Q1_area,Q2_area,Q3_area,Q4_area))

2018年各季度各地区的销售总额分别为：
第一季度：
地区
东北    179643.353
中南     84444.402
华东    143707.440
华北     78643.176
西北     42066.024
西南     59765.256
Name: 销售额, dtype: float64
第二季度：
地区
东北    149468.096
中南    275229.727
华东    370572.171
华北    185044.910
西北     26896.188
西南     77758.564
Name: 销售额, dtype: float64
第三季度：
地区
东北    204187.616
中南    283578.345
华东    369739.215
华北    136339.921
西北     63392.432
西南     97943.104
Name: 销售额, dtype: float64
第四季度：
地区
东北    236502.685
中南    350783.303
华东    478426.016
华北    215142.952
西北     72989.032
西南    151511.932
Name: 销售额, dtype: float64<class 'pandas.core.series.Series'>

查看全文
如若内容造成侵权/违法违规/事实不符，请联系编程学习网邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！

Word删除指定一页的页码
1 新建 Microsoft Word 文档（工具栏如下图所示）2 设置页码（找到页码选项就行）3 假设要删除第3页的页码4 删除指定页码的方法4.1 分隔符有两种：分页符和分节符4.2 这里选择的是分节符，根据要求选择连续或者下一页都可以，把第3页独立成一节4.3 选中指定页码，取消“链接到…...
2024/4/24 9:30:46
织梦后台自定义表单添加全选/全不选功能按钮
在织梦后台的自定义表单中，如果想要批量审核或者删除多条记录时，只能一个一个的去操作，非常影响工作效率我们可以在操作按钮的判断加一个【全选/全不选】功能按钮，大大方便我们的工作效率打开 /dede/templets/diy_list.htm 找到，大概在58行审核复制 1 这一行，在它上面…...
2024/4/24 9:30:42
[转]Anaconda-Jupyter notebook 如何安装 nbextensions
这个一定要转一下了，试了很多方法，这个一下子搞定。系统环境：windows 安装过程中，再次遇到了一地鸡毛，经过不断查询方法，发现前辈大牛们好棒棒！ Step1：确定是已经安装好anaconda Step2：要在anaconda prompt模式下运行（jupyter notebook打开） Step3：pip install ju…...
2024/4/28 12:14:34
网络层协议介绍
网络层协议介绍网络层功能定义了基于IP协议的逻辑地址连接不同的媒介类型选择数据通过网络的最佳途径 1.IP数据包格式协议字段2.ICMP协议介绍 ICMP协议 ICMP是一个“错误侦测与回馈机制” 通过IP数据包封装的用来发送错误和控制消息 ICMP协议的封装ICMP协议属于网络层协议…...
2024/4/28 2:31:08
2.sink输出HDFS
输出HDFS]# ./bin/flume-ng agent --conf conf --conf-file ./conf/3.flume.conf --name a1 -Dflume.root.logger=INFO,console发数据：]# echo 我爱你中国 >> 1.log# Name the components on this agenta1.sources = r1a1.sinks = k1a1.channels = c1# Describe/configu…...
2024/4/28 6:21:05
C++/C--string中的find()、find_first_of()、find_first_not_of()【转载】
文章目录1 find()函数2 find_fisrt_of()函数3 find_fisrt_not_of()函数 1 find()函数功能：可以在指定字符串中查找完全匹配子串的位置；示例： // string::find #include <iostream> // std::cout #include <string> // std::stringint main () {…...
2024/4/28 8:21:30
Hdfs 集群安全模式
...
2024/4/16 10:55:17
企业做好品牌营销的方法
随着市场环境以及消费者的需求不断变化，同行企业之间的竞争变得越来越激烈。若是企业依旧按照过往的营销方式，不思进取，就很有可能被时代所淘汰。为了解决这个问题，品牌营销是其中一种方案。那么企业该如何做好品牌营销呢？企业做好品牌营销的方法一、产品质量企业产品或…...
2024/4/18 8:55:50
static_cast,onst_cast,dynaminc_cast reinterpret_cast
C++的类型转换 static_cast,onst_cast,dynaminc_cast reinterpret_cast是C++提供的四种类型转换的函数，在c语言中通常是使用（类型）方式转换的，这一般看起来不是很友好，所以C++提供四种类型转换的函数。在类型转换之前谈点别的如果使用类型转换的时候，特别要注意我们在做…...
2024/4/15 6:11:28
闭环等同升维
闭环一词可以说是随处可见，不过最近从一句话里有了一些启发，进而反思开发。领导者重要能力：闭环能力将整件事情涉及的方方面面有一个全面认识，进而从处理得当到有一个整体最优策略。套用老话就是“不谋万世者不足以某一时，不谋全局者不足以谋一隅”。当我们没有从整体…...
2024/4/16 10:57:35
MapReduce优缺点
一优点二缺点...
2024/4/20 17:51:55
常见激活函数及其求导相关知识
文章目录Sigmoid函数Sigmoid函数介绍Sigmoid函数求导tanh 函数tanh 函数介绍tanh 函数求导Relu函数Relu函数介绍Relu函数求导Softmax函数Softmax函数介绍Softmax函数求导激活函数作用激活函数的选择均值不为零问题 Sigmoid函数 Sigmoid函数介绍 Sigmoid 是常用的非线性的激活函…...
2024/4/23 3:49:27
Python基础知识点——高阶函数
高阶函数 1、 lambda基本使用lambda只是一个表达式，函数体比def简单很多。 lambda的主体是一个表达式，而不是一个代码块。仅仅能在lambda表达式中封装有限的逻辑进去。 lambda表达式是起到一个函数速写的作用。允许在代码内嵌入一个函数的定义。格式：lambda的一般形式是关键…...
2024/4/18 1:15:18
iOS基本语法总结
1.IOS中类声明的文件叫做接口文件，以.h命名。2.类定义的文件叫做实现文件，以.m命名。3.#import是文件包含的内容。4.声明对象类名 *对象名 * 表示对象是对类的一个引用5.为对象分配空间对象名=[类名 alloc]alloc消息是定义在类方法中的6.为对象进行初始化对象名=[对象名…...
2024/4/24 9:30:41
171Excel表列序号（进制转换）
1、题目描述给定一个Excel表格中的列名称，返回其相应的列序号。例如，A -> 1B -> 2C -> 3...Z -> 26AA -> 27AB -> 28 ... 2、示例输入: "ZY" 输出: 7013、题解基本思想：进制转换，本质上就是一个26进制转10进制的算法。#include<algorithm&g…...
2024/4/24 9:30:42
迷宫求解！
迷宫求解主要是将迷宫转换为由‘0’和‘1’组成的矩阵‘0’表示此处是路‘1’表示此处是墙然后从起点开始寻找直到终点，并将路径用‘*’表示首先构建组成迷宫的每个单元如下然后就可以构建迷宫了然后是测试类运行结果如下...
2024/4/24 9:30:45
强化学习环境配置（Ubuntu16.04）---gym、mujoco、mujoco-py、baselines安装与测试
https://blog.csdn.net/Will_Ye/article/details/81087463 https://blog.csdn.net/weixin_39059031/article/details/82152857...
2024/4/24 9:30:37
OC的三大特性详解
跟C++一样，OC也是面向对象语言，因此它也拥有面向对象语言一般共同的三大特性：封装、继承和多态。一、封装封装就是对类中的一些字段，方法进行保护，不被外界所访问到，有一种权限的控制功能。封装的好处：过滤不合理的值，屏蔽内部的赋值过程，让外界不必关注内部的细节。…...
2024/4/24 9:30:37
WAN
单运营商WAN连接如图中所示，单运营商连接是组织仅连接到一个服务提供商的情况。在组织和服务提供商之间协商SLA。这种设计的缺点是运营商连接和服务提供商都是单点故障。如果运营商链接或提供商路由器出现故障，则将失去与Internet的连接。双运营商WAN连接如图所示，双载波连…...
2024/4/24 9:30:35
maven中使用tomcat插件运行maven项目，maven中运行tomcat报错
使用tomcat插件运行maven项目步骤：（1）修改pom.xml配置，添加一下代码：  <plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-compiler-plugin</artifactId><version>3.1</version…...
2024/4/24 9:30:34

Python数据分析第七课：时间序列数据的处理

一、日期和时间数据类型

小结：

二、Pandas时间序列

三、总结

日期和时间数据类型

Pandas时间序列基础

四、练习

相关文章

最新文章