pandas常用技巧:筛选、拼接、多级索引、数据透视

在python中,我们常用的数据分析库莫过于pandas，而数据分析中，我们常用的方法莫过于筛选、拼接、多级列表和数据透视了，下面我将通过四个板块对这四个方面进行介绍。

一、筛选

对于excel的常用就是对某列进行筛选操作了，那么我们在pandas中如何进行呢？其实pandas给我们提供了多个方法，不过最常用的还是loc和iloc，这两个方法的筛选逻辑不一样，简单的理解来说就是：loc是关注于列的筛选，iloc关注的行的筛选，两者的功能没有区别下面我分别介绍两种方法。

1.1、loc

上面已经创建好了df，下面我们开始利用df进行讲解
df.loc[a,b]
a表示行，b表示列，注意b只能为字符或者列表，不能为数字，否则报错，下面是相关的方法运用。

单列数据筛选

>>> df.loc[:,"A"]
0    77
1    84
2    56
3    90
4    55
5    52
6    57
7    93
8    78
9    81
Name: A, dtype: int32

多列数据筛选

 df.loc[:,["A","B"]] A   B
0  77  96
1  84  93
2  56  92
3  90  66
4  55  74
5  52  79
6  57  99
7  93  77
8  78  99
9  81  68

也可以用:来进行引用，如下

>>> df.loc[:,"A":"E"]   A   B   C   D   E
0  77  96  72  92  92
1  84  93  51  62  68
2  56  92  79  61  52
3  90  66  87  79  83
4  55  74  90  75  55
5  52  79  81  74  89
6  57  99  90  56  63
7  93  77  85  54  62
8  78  99  54  62  57
9  81  68  97  58  90

上面简单的介绍了loc方法筛选列，下面来介绍筛选行
对多行的单列值进行筛选：

>>> df.loc[df['B']==99] A   B   C   D   E   F
6  57  99  90  56  63  69
8  78  99  54  62  57  91

对B列进行筛选筛选其值等于99的数据。
对多行数据的多列值进行筛选：


>>> df.loc[(df['B']==99)&(df['C']==90)] #注意细节，这里需要加(),否则会报错A   B   C   D   E   F
6  57  99  90  56  63  69

这里有个细节，对列的数据进行并列筛选时，注意细节，这里需要加(),否则会报错

1.2、iloc

下面来介绍iloc，用法大概如下
df.iloc[a,b]
这个地方a和b都必须是intege。iloc的列参数只能是整数；
a代表的行，b代表的列
列筛选：

>>> df.iloc[2,:] 
A    56
B    92
C    79
D    61
E    52
F    84
Name: 2, dtype: int32
>>> df.iloc[2,3:5] 
D    61
E    52
Name: 2, dtype: int32

如果发现这个取数的格式不是我们想的那样，想要如df格式那样，如下：

>>> df.iloc[2:3,3:5] D   E
2  61  52

这里进行总结一下，loc和iloc的主要区别有两个

1、两者参数都是[行,列],但是loc的列参数不能为数字，必须为columns，否则会报错
iloc的参数为数字，否则也会报错
2、:   loc的带:参数实行的左闭右闭规则，但是iloc实行的是左闭右开规则，所以取数逻辑不一样。

二、拼接

拼接，又称作连接，对于df的绘制非常的重要，一般常用的有append、merge、concat，在这里，主要讲解merge和concat。

2.1、merge

merge的产生主要如下：

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None,left_index=False, right_index=False, sort=True,suffixes=('_x', '_y'), copy=True, indicator=False,validate=None)

我们在拼接过程中常用的是on、how，我也只准备从这两个方面展开：

on: 要加入的列或索引级别名称。 必须在左侧和右侧DataFrame对象中找到。如果未传递且left_index和right_index为False，则DataFrame中的列的交集将被推断为**连接键。**how: 参数有4个。**inner是取交集，left，right，outer取并集。没有同时出现的会将缺失的部分添加缺失值。**

下面是相关的实例：
outer

>>> df1=pd.DataFrame(np.random.randint(50,100, (10, 6)),columns=['A',"B",'C','D','E','F'])
>>> df1A   B   C   D   E   F
0  66  69  84  87  76  51
1  60  50  75  80  93  78
2  55  57  92  91  88  60
3  89  77  68  92  53  75
4  93  64  58  55  67  68
5  85  85  50  56  70  82
6  93  56  74  58  73  82
7  57  83  77  91  72  73
8  90  78  67  58  95  84
9  96  96  67  50  78  72
>>> df2=pd.DataFrame(np.random.randint(50,100,(10,5)),columns=['F',"M",'N','X','Y'])
>>> df2F   M   N   X   Y
0  77  96  67  75  65
1  57  55  61  98  89
2  80  51  68  64  53
3  66  68  88  71  76
4  59  58  89  65  99
5  75  81  82  61  64
6  50  55  97  57  81
7  91  96  83  59  82
8  89  87  67  88  72
9  91  86  82  83  55
>>> pd.merge(df1,df2,on="F",how="outer")A     B     C     D     E   F     M     N     X     Y
0   66.0  69.0  84.0  87.0  76.0  51   NaN   NaN   NaN   NaN
1   60.0  50.0  75.0  80.0  93.0  78   NaN   NaN   NaN   NaN
2   55.0  57.0  92.0  91.0  88.0  60   NaN   NaN   NaN   NaN
3   89.0  77.0  68.0  92.0  53.0  75  81.0  82.0  61.0  64.0
4   93.0  64.0  58.0  55.0  67.0  68   NaN   NaN   NaN   NaN
5   85.0  85.0  50.0  56.0  70.0  82   NaN   NaN   NaN   NaN
6   93.0  56.0  74.0  58.0  73.0  82   NaN   NaN   NaN   NaN
7   57.0  83.0  77.0  91.0  72.0  73   NaN   NaN   NaN   NaN
8   90.0  78.0  67.0  58.0  95.0  84   NaN   NaN   NaN   NaN
9   96.0  96.0  67.0  50.0  78.0  72   NaN   NaN   NaN   NaN
10   NaN   NaN   NaN   NaN   NaN  77  96.0  67.0  75.0  65.0
11   NaN   NaN   NaN   NaN   NaN  57  55.0  61.0  98.0  89.0
12   NaN   NaN   NaN   NaN   NaN  80  51.0  68.0  64.0  53.0
13   NaN   NaN   NaN   NaN   NaN  66  68.0  88.0  71.0  76.0
14   NaN   NaN   NaN   NaN   NaN  59  58.0  89.0  65.0  99.0
15   NaN   NaN   NaN   NaN   NaN  50  55.0  97.0  57.0  81.0
16   NaN   NaN   NaN   NaN   NaN  91  96.0  83.0  59.0  82.0
17   NaN   NaN   NaN   NaN   NaN  91  86.0  82.0  83.0  55.0
18   NaN   NaN   NaN   NaN   NaN  89  87.0  67.0  88.0  72.0

inner

>>> df1=pd.DataFrame(np.random.randint(50,100, (10, 6)),columns=['A',"B",'C','D','E','F'])
>>> df1A   B   C   D   E   F
0  91  55  73  66  77  93
1  82  88  67  57  93  80
2  51  58  56  81  62  75
3  63  85  93  99  50  85
4  98  92  58  63  72  66
5  93  79  85  76  64  86
6  67  69  86  57  73  69
7  94  69  84  79  78  84
8  62  83  68  70  61  78
9  88  84  98  76  85  87
>>> df2=pd.DataFrame(np.random.randint(50,100,(10,5)),columns=['F',"M",'N','X','Y'])
>>> df2F   M   N   X   Y
0  94  95  71  71  68
1  71  94  63  89  97
2  50  95  80  70  82
3  79  83  87  72  99
4  87  93  70  66  95
5  91  78  90  59  87
6  58  63  67  81  70
7  64  77  67  64  86
8  76  89  94  62  52
9  67  79  51  63  61
>>> pd.merge(df1,df2,on="F",how="inner")A   B   C   D   E   F   M   N   X   Y
0  88  84  98  76  85  87  93  70  66  95

两者的区别可以总结如下
1、inner取拼接列的共有值（交集），将两边的列进行组合
2、outer取拼接列的所有值（并集），将两边的列进行组合，对于多出来的列值，用NaN填充

2.2、concat

concat的参数如下

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,keys=None, levels=None, names=None, verify_integrity=False,copy=True)

主要参数简介

objs：一般为列表，表示要拼接的df，形如[df1,df2,df3]
join：拼接的类型，如merge的参数
axis：拼接的类型，纵向拼接还是横向拼接
ignore_index：是否对新表的index进行重构，重新排序

实例如下
纵向连接，作用与merge的outer一样

>>> df1=pd.DataFrame(np.random.randint(50,100, (10, 6)),columns=['A',"B",'C','D','E','F'])
>>> df1A   B   C   D   E   F
0  97  58  92  71  56  64
1  81  68  90  70  83  84
2  79  56  52  94  68  80
3  76  70  69  79  63  77
4  81  63  67  65  76  63
5  86  98  85  92  76  79
6  99  96  56  78  53  84
7  53  79  99  65  86  81
8  55  60  66  66  61  61
9  66  56  59  56  98  84
>>> df2=pd.DataFrame(np.random.randint(50,100,(10,5)),columns=['F',"M",'N','X','Y'])
>>> df2F   M   N   X   Y
0  59  56  61  57  54
1  72  53  74  53  51
2  65  93  83  96  79
3  95  56  50  85  97
4  95  70  57  70  52
5  50  92  76  66  88
6  81  85  80  54  51
7  65  62  60  77  79
8  53  81  66  87  59
9  59  94  57  95  55
>>> # pd.merge(df1,df2,on="F",how="inner")
>>> 
>>> pd.concat([df1,df2],axis=0)A     B     C     D     E   F     M     N     X     Y
0  97.0  58.0  92.0  71.0  56.0  64   NaN   NaN   NaN   NaN
1  81.0  68.0  90.0  70.0  83.0  84   NaN   NaN   NaN   NaN
2  79.0  56.0  52.0  94.0  68.0  80   NaN   NaN   NaN   NaN
3  76.0  70.0  69.0  79.0  63.0  77   NaN   NaN   NaN   NaN
4  81.0  63.0  67.0  65.0  76.0  63   NaN   NaN   NaN   NaN
5  86.0  98.0  85.0  92.0  76.0  79   NaN   NaN   NaN   NaN
6  99.0  96.0  56.0  78.0  53.0  84   NaN   NaN   NaN   NaN
7  53.0  79.0  99.0  65.0  86.0  81   NaN   NaN   NaN   NaN
8  55.0  60.0  66.0  66.0  61.0  61   NaN   NaN   NaN   NaN
9  66.0  56.0  59.0  56.0  98.0  84   NaN   NaN   NaN   NaN
0   NaN   NaN   NaN   NaN   NaN  59  56.0  61.0  57.0  54.0
1   NaN   NaN   NaN   NaN   NaN  72  53.0  74.0  53.0  51.0
2   NaN   NaN   NaN   NaN   NaN  65  93.0  83.0  96.0  79.0
3   NaN   NaN   NaN   NaN   NaN  95  56.0  50.0  85.0  97.0
4   NaN   NaN   NaN   NaN   NaN  95  70.0  57.0  70.0  52.0
5   NaN   NaN   NaN   NaN   NaN  50  92.0  76.0  66.0  88.0
6   NaN   NaN   NaN   NaN   NaN  81  85.0  80.0  54.0  51.0
7   NaN   NaN   NaN   NaN   NaN  65  62.0  60.0  77.0  79.0
8   NaN   NaN   NaN   NaN   NaN  53  81.0  66.0  87.0  59.0
9   NaN   NaN   NaN   NaN   NaN  59  94.0  57.0  95.0  55.0

横向拼接

>>> df1=pd.DataFrame(np.random.randint(50,100, (10, 6)),columns=['A',"B",'C','D','E','F'])
>>> df1A   B   C   D   E   F
0  75  68  84  82  77  62
1  65  50  95  79  87  98
2  64  56  79  83  85  91
3  98  67  90  60  81  93
4  79  66  91  66  94  81
5  64  56  91  85  99  88
6  77  53  58  73  52  85
7  76  82  54  92  81  81
8  79  66  69  83  79  54
9  99  62  76  95  74  63
>>> df2=pd.DataFrame(np.random.randint(50,100,(10,5)),columns=['F',"M",'N','X','Y'])
>>> df2F   M   N   X   Y
0  93  68  87  87  63
1  96  93  79  88  73
2  69  62  81  75  89
3  52  57  88  96  76
4  80  51  85  61  74
5  94  87  59  79  86
6  74  76  71  59  95
7  80  81  55  61  59
8  95  63  72  57  85
9  76  88  83  80  95
>>> # pd.merge(df1,df2,on="F",how="inner")
>>> 
>>> pd.concat([df1,df2],axis=1)A   B   C   D   E   F   F   M   N   X   Y
0  75  68  84  82  77  62  93  68  87  87  63
1  65  50  95  79  87  98  96  93  79  88  73
2  64  56  79  83  85  91  69  62  81  75  89
3  98  67  90  60  81  93  52  57  88  96  76
4  79  66  91  66  94  81  80  51  85  61  74
5  64  56  91  85  99  88  94  87  59  79  86
6  77  53  58  73  52  85  74  76  71  59  95
7  76  82  54  92  81  81  80  81  55  61  59
8  79  66  69  83  79  54  95  63  72  57  85
9  99  62  76  95  74  63  76  88  83  80  95

三、多级索引

先来解释下多级索引：多级索引也称为层次化索引（hierarchical indexing），是指数据在一个轴上（行或者列）拥有多个（两个以上）索引级别。之所以引入多级索引，在于它可以使用户能以低维度形式处理高维度数据。
pandas 的多级索引，主要是通过pd.MultiIndex的方法来创建的，具体创建方式有三种，我们介绍其中的两种类型from_product、from_tuples

3.1、from_product

from_product主要有两个参数list1和list2

MultiIndex.from_product：mul_col = pd.MultiIndex.from_product([[list1,list2])
该方法用于创建list1*list2的2级索引，list1为1级，list2为2级

下面我们来实际看一下：

>>> df1=pd.DataFrame(np.random.randint(50,100, (10, 6)),columns=['A',"B",'C','D','E','F'])
>>> df1A   B   C   D   E   F
0  74  75  85  60  94  59
1  93  69  64  66  80  88
2  94  73  60  80  68  67
3  50  87  95  69  70  78
4  81  65  63  93  61  50
5  92  89  65  92  52  72
6  61  50  76  57  82  64
7  70  65  53  57  74  70
8  99  69  53  69  63  78
9  60  66  89  54  90  94
>>> col=pd.MultiIndex.from_product([["A","B"], ['x','y','z']])
>>> col
MultiIndex([('A', 'x'),('A', 'y'),('A', 'z'),('B', 'x'),('B', 'y'),('B', 'z')],)
>>> df1.columns=col
>>> df1A           Bx   y   z   x   y   z
0  74  75  85  60  94  59
1  93  69  64  66  80  88
2  94  73  60  80  68  67
3  50  87  95  69  70  78
4  81  65  63  93  61  50
5  92  89  65  92  52  72
6  61  50  76  57  82  64
7  70  65  53  57  74  70
8  99  69  53  69  63  78
9  60  66  89  54  90  94

多级列表2

>>> df1考试1  考试2  考试3  考试4  考试5  考试6
0   63   93   50   86   81   99
1   75   73   87   77   66   60
2   98   58   79   62   91   74
3   81   92   57   64   54   61
4   81   96   81   61   73   97
5   64   91   75   82   90   90
6   58   86   55   56   87   52
7   71   89   71   90   77   97
8   80   71   55   78   81   81
9   68   74   54   63   54   88
>>> # col=pd.MultiIndex.from_product([["A","B"], ['x','y','z']])
>>> # col
>>> # df1.columns=col
>>> # df1
>>>
>>> index=pd.MultiIndex.from_product([["小明","小龙"],["科目1","科目2","科目3","科目4","科目5"]],names=["姓名","科目"])
>>> df1.index=index
>>> df1考试1  考试2  考试3  考试4  考试5  考试6
姓名 科目
小明 科目1   63   93   50   86   81   99科目2   75   73   87   77   66   60科目3   98   58   79   62   91   74科目4   81   92   57   64   54   61科目5   81   96   81   61   73   97
小龙 科目1   64   91   75   82   90   90科目2   58   86   55   56   87   52科目3   71   89   71   90   77   97科目4   80   71   55   78   81   81科目5   68   74   54   63   54   88

3.2、from_tuples

from_tuples的格式大概如下，my_tup是一个list，list的每一个数据都是一个tuple，因此叫from_tuples

pd.MultiIndex.from_tuples([list], names = ['Obj', 'time'])
pd.MultiIndex.from_tuplespd.MultiIndex.from_tuples(my_tup, names = ['Obj', 'time'])  my_tup是个list，里面包含多级索引信息，以tuple中的第一个值为1级，第二个值为2级

案例如下：

>>> my_index = pd.MultiIndex.from_tuples(my_tup, names = ['Obj', 'time'])  
>>> pd.DataFrame(np.random.randint(60,100, (4,3)), 
...              index = my_index,
...             columns = [*'ABC'])  A   B   C
Obj    time
Python 期中    71  92  71期末    87  98  73
Java   期中    73  62  76期末    94  93  84
>>>

四、数据透视

在pandas中，进行数据透视的主要方法是pivot_table

pivot_table(data,    # DataFramevalues=None,    # 值index=None,    # 分类汇总依据columns=None,    # 列aggfunc='mean',    # 聚合函数fill_value=None,    # 对缺失值的填充margins=False,    # 是否启用总计行/列dropna=True,    # 删除缺失margins_name='All'   # 总计行/列的名称)

由于本人时间的缘故，就先写到此，详细了了解pandas 的数据透视操作，参考链接

本文全部代码

import pandas as pd
import numpy as npdf=pd.DataFrame(np.random.randint(50,100, (10, 6)),columns=['A',"B",'C','D','E','F'])
df
# 筛选
# loc
df.loc[:,"A"]
df.loc[df['A']==55] #取A列都是55的行数据
df.loc[:,['A','B']] #取A B两列的数据
df.loc[(df['B']==99)&(df['C']==90)] #注意细节，这里需要加(),否则会报错# iloc
# 为了方便记忆，记住i是integer的意思。iloc的列参数只能是整数；loc的列参数不能是整数。这是本质区别。注意，这里所指的是列参数。
df.iloc[0,:]
# 连接
df1=pd.DataFrame(np.random.randint(50,100, (10, 6)),columns=['A',"B",'C','D','E','F'])
df1
df2=pd.DataFrame(np.random.randint(50,100,(10,5)),columns=['F',"M",'N','X','Y'])
df2
# pd.merge(df1,df2,on="F",how="inner")
pd.concat([df1,df2],axis=1)# 多级索引
df1=pd.DataFrame(np.random.randint(50,100, (10, 6)),columns=['考试1',"考试2",'考试3','考试4','考试5','考试6'])
df1
# col=pd.MultiIndex.from_product([["A","B"], ['x','y','z']])
# col
# df1.columns=col
# df1
index=pd.MultiIndex.from_product([["小明","小龙"],["科目1","科目2","科目3","科目4","科目5"]],names=["姓名","科目"])
df1.index=index
df1
my_tup = [('Python', '期中'),('Python', '期末'),('Java', '期中'),('Java', '期末')]
my_index = pd.MultiIndex.from_tuples(my_tup, names = ['Obj', 'time'])  
pd.DataFrame(np.random.randint(60,100, (4,3)), index = my_index,columns = [*'ABC'])

本文参考了以下链接

https://blog.csdn.net/brucewong0516/article/details/82707492
https://blog.csdn.net/qq_21840201/article/details/80727504
https://blog.csdn.net/zzpdbk/article/details/79232661
https://blog.csdn.net/anshuai_aw1/article/details/83510345
https://www.jianshu.com/p/d30fdfbeb312
https://www.cnblogs.com/shanger/p/13245669.html
https://www.cnblogs.com/onemorepoint/p/8425300.html

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！

编写函数has(arr , 60) 判断数组中是否存在60这个元素，返回布尔类型
...
2024/5/2 21:18:59
Android Studio 查看项目依赖的第三方包
命令行在工程项目内执行 gradlew androidDependencies 输出...
2024/5/2 21:18:55
T31实战-Day3：购票系统实战作业
...
2024/5/2 21:18:51
分治法，（011:求排列的逆序数），通过分治把时间复杂度降为nlogn
总时间限制: 1000ms 内存限制: 65536kB 描述在Internet上的搜索引擎经常需要对信息进行比较，比如可以通过某个人对一些事物的排名来估计他（或她）对各种不同信息的兴趣，从而实现个性化的服务。对于不同的排名结果可以用逆序来评…...
2024/5/2 21:18:47
在linux系统上部署前后端分离的项目（Tomcat的部署，jdk的配置，MySQL的安装等）
1 配置yum源将 /etc/yum.repo.d/Centos-Base.repo 进行备份： mv CentOS-Base.repo CentOS-Base.repo.bak下载阿里的yum源：http://mirrors.aliyun.com/repo/Centos-7.repo， 然后将文件上传到/etc/yum.repo.d/， 命名为：…...
2024/5/2 21:18:43
C语言数组实现扫雷游戏
游戏界面展示： 一开始菜单界面： 选择 0 退出程序： 选择 1 开始游戏： 输入要排查雷的坐标： 会根据周围雷的个数，该坐标显示数字。如果周围没有雷，输入的坐标显示 0 有雷，则显示…...
2024/5/2 21:18:39
LeetCode每日一题260.只出现一次的数字 III
260.只出现一次的数字 III 给定一个整数数组 nums： 2 < nums.length < 3 * 104 -231 < nums[i] < 231 - 1； 其中恰好有两个元素只出现一次，其余所有元素均出现两次。找出只出现一次的那两个元素。可以按任意顺序返回答案。示…...
2024/5/2 21:18:36
Error attempting to get column ‘create_time‘ from result set. Cause: java.sql.SQLFeatureNotSupported
SpringBoot MyBatisPlus 报错： Error attempting to get column ‘create_time’ from result set. Cause: java.sql.SQLFeatureNotSupported. MP官方解决方案问题原因： 数据库表的create_time类型为DateTime，而Java中createTime的属性的…...
2024/5/2 21:18:31
Centos7重新配置网络后出现Restarting network (via systemctl): Job for network.service failed because the contr
Centos7重新配置网络后出现Restarting network (via systemctl): Job for network.service failed because the control process exited with error code. See “systemctl status network.service” and “journalctl -xe” for details. 背景公司网络问题，由无…...
2024/5/2 21:18:28
ERROR:can’t read “File Watch(fileName)”:no such element in array
ERROR:can’t read “File Watch(fileName)”:no such element in array 在安装Quartus的过程中出现如下错误，原因是使用该工具的账户具有中文或空格导致的。解决方法我们可以新建win本地账号，仅字母，授管理员权限，登录该账号…...
2024/5/2 21:18:23
在VS Code中调试Quasar项目
这里重点说的是 devtool: source-map 用来解决debuger定位行不准确问题首先，转到用于Chrome的调试器并仔细阅读。然后，由于Quasar是基于Vue的，所以您还需要参考VSCode调试的Vue指南用于设置调试Vue应用程序。最好的方法是在这个页面旁边的…...
2024/5/2 21:18:20
反射Java
什么是反射：反射是获取类信息的能力，能够分析类信息一、反射的工作生命周期 1.java源文件由javac编译成java.class字节码文件 2. 再加载到方法区中 3.由方法区在堆中创建对象 4.卸载二、如何获取class对象 1..Class.forName("全类名"…...
2024/5/2 21:18:15
微信小程序屏幕旋转
屏幕旋转设置，支持 auto / portrait / landscape auto自适应 landscape 固定横屏 portrait 固定竖屏手机设置，在app.json 的 window 段中设置 {"pageOrientation": "auto" } ipad，pc上面设置支持旋转，…...
2024/5/5 0:00:57
逐语句调试时出现找不到.cpp
解决： 逐过程调试（F10） 就不报这个问题了...
2024/5/2 21:18:08
软件设计师备考易错知识点（数据库）
软考倒计时 7 天加油！！ 文章目录数据库三级模式一两级映射数据库设计过程ER图关系代数函数依赖规范性理论键范式模式分解并发控制封锁协议数据库安全数据库备份数据仓库与数据挖掘反规范化大数据数据库三级模式一两级映射数据库设计过程 ER图答案&a…...
2024/5/2 21:18:03
2021亚太杯数学建模A题思路
A题思路陆续上传资源...
2024/5/2 19:34:04
创新实训 6 ：初探Solr源码
2021SCSDUSC ** 提示源码展示中笔者会将重载的方法省略，只展示关键方法探索SolrClient sdudoc的检索功能主要是通过solr实现的，本人确实很好奇solr框架的源码是如何实现的。首先我们需要在 application.properties 中配置solr的服务器主机地址。我们…...
2024/5/2 21:17:59
sql*loader
简介 SQL*Loader（SQLLDR）是Oracle的高速批量数据加载工具。这是一个非常有用的工具，可用于多种平面文件格式向Oralce数据库中加载数据。SQLLDR可以在极短的时间内加载数量庞大的数据。它有两种操作模式。传统路径：（c…...
2024/5/2 21:17:57
单臂路由出现的问题及排错过程
要求，在R1上划分子接口并配相应网关，实现PC间互通过程， 路由器间配置接口配置trunk口并允许相应vlan通过，链接终端使用接口使用access，并划分到对应vlan，在R1上配置对应子接口及网关遇到问题&#xff0…...
2024/5/2 21:17:51
第五章数据的清洗与检验
一、完全去重 1、打开kettle工具，新建转换 2、配置“csv文件输入”控件 3、配置“唯一行（哈希值）”控件 4、运行二、填充缺失值 1、打开kettle工具，创建转换 2、配置“文本文件输入”控件 3、配置“过滤记录”控件 4、配置“替…...
2024/5/2 21:17:47

pandas常用技巧:筛选、拼接、多级索引、数据透视

目录

一、筛选

1.1、loc

1.2、iloc

二、拼接

2.1、merge

2.2、concat

三、多级索引

3.1、from_product

3.2、from_tuples

四、数据透视

本文全部代码

相关文章

最新文章

pandas常用技巧:筛选、拼接、多级索引、数据透视

目录

一、 筛选

1.1、loc

1.2、iloc

二、拼接

2.1、merge

2.2、concat

三、多级索引

3.1、from_product

3.2、from_tuples

四、数据透视

本文全部代码

相关文章

最新文章

一、筛选