Pandas 分層索引的具體實踐
Pandas 分層索引
到目前為止，我們主要關(guān)注的是一維和二維數(shù)據(jù)，分別存儲在 Pandas 的 Series 和 DataFrame 對象中。但很多時候，存儲更高維度的數(shù)據(jù)——即由多個鍵索引的數(shù)據(jù)——是很有用的。
早期的 Pandas 版本提供了 Panel 和 Panel4D 對象，可以被視為二維 DataFrame 的三維或四維類似物，但在實際使用中它們有些笨重。處理高維數(shù)據(jù)更常見的模式是利用分層索引（也稱為多重索引），在單個索引中包含多個索引層級。通過這種方式，更高維度的數(shù)據(jù)可以緊湊地表示在熟悉的一維 Series 和二維 DataFrame 對象中。
（如果你對具有 Pandas 風(fēng)格靈活索引的真正N維數(shù)組感興趣，可以了解優(yōu)秀的 Xarray 包。）
在本章中，我們將探討 MultiIndex 對象的直接創(chuàng)建；在多重索引數(shù)據(jù)上進(jìn)行索引、切片和統(tǒng)計計算時的注意事項；以及在簡單和分層索引數(shù)據(jù)表示之間轉(zhuǎn)換的實用方法。
我們從標(biāo)準(zhǔn)導(dǎo)入開始：
import pandas as pd import numpy as np
多重索引的 Series
讓我們從思考如何在一維 Series 中表示二維數(shù)據(jù)開始。
為了具體說明，我們將考慮一個數(shù)據(jù)序列，其中每個數(shù)據(jù)點都有一個字符和一個數(shù)字鍵。
糟糕的方式
假設(shè)你想跟蹤兩個不同年份的各州數(shù)據(jù)。利用我們已經(jīng)介紹過的 Pandas 工具，你可能會傾向于直接使用 Python 元組作為鍵：
index = [('California', 2010), ('California', 2020),
('New York', 2010), ('New York', 2020),
('Texas', 2010), ('Texas', 2020)]
populations = [37253956, 39538223,
19378102, 20201249,
25145561, 29145505]
pop = pd.Series(populations, index=index)
pop
(California, 2010) 37253956 (California, 2020) 39538223 (New York, 2010) 19378102 (New York, 2020) 20201249 (Texas, 2010) 25145561 (Texas, 2020) 29145505 dtype: int64
使用這種索引方案，你可以直接根據(jù)元組索引對 Series 進(jìn)行索引或切片：
pop[('California', 2020):('Texas', 2010)]
(California, 2020) 39538223 (New York, 2010) 19378102 (New York, 2020) 20201249 (Texas, 2010) 25145561 dtype: int64
但便利也僅止于此。例如，如果你需要選擇所有 2010 年的數(shù)據(jù)，你就需要進(jìn)行一些繁瑣（而且可能很慢）的數(shù)據(jù)處理才能實現(xiàn)：
pop[[i for i in pop.index if i[1] == 2010]]
(California, 2010) 37253956 (New York, 2010) 19378102 (Texas, 2010) 25145561 dtype: int64
這確實得到了想要的結(jié)果，但相比我們已經(jīng)習(xí)慣的 Pandas 切片語法，這種方式不夠簡潔（對于大型數(shù)據(jù)集來說也不夠高效）。
更好的方式：Pandas 的 MultiIndex
幸運的是，Pandas 提供了更好的方法。
我們基于元組的索引本質(zhì)上就是一種初級的多重索引，而 Pandas 的 MultiIndex 類型為我們提供了所需的各種操作。
我們可以如下通過元組創(chuàng)建一個多重索引：
index = pd.MultiIndex.from_tuples(index)
MultiIndex 表示多個索引層級——在本例中為州名和年份——以及為每個數(shù)據(jù)點編碼這些層級的多個標(biāo)簽。
如果我們用這個 MultiIndex 重新索引我們的 series，就可以看到數(shù)據(jù)的分層表示：
pop = pop.reindex(index) pop
California 2010 37253956
2020 39538223
New York 2010 19378102
2020 20201249
Texas 2010 25145561
2020 29145505
dtype: int64
在 Series 的表示中，前兩列顯示了多重索引的值，第三列顯示了數(shù)據(jù)。
請注意，第一列中有些條目是空白的：在這種多重索引的表示中，任何空白條目都表示與上一行相同的值。
現(xiàn)在，如果我們想訪問第二層索引為 2020 的所有數(shù)據(jù)，可以使用 Pandas 的切片語法：
pop[:, 2020]
California 39538223 New York 20201249 Texas 29145505 dtype: int64
結(jié)果是一個只包含我們感興趣鍵的單層索引 Series。
這種語法比我們一開始用元組實現(xiàn)的多重索引方案要方便得多（操作效率也高得多）。
接下來我們將進(jìn)一步討論這種針對分層索引數(shù)據(jù)的索引操作。
多重索引作為額外的維度
你可能還注意到：我們其實可以用帶有索引和列標(biāo)簽的普通 DataFrame 來存儲相同的數(shù)據(jù)。
事實上，Pandas 的設(shè)計正是基于這種等價性。unstack 方法可以迅速將一個多重索引的 Series 轉(zhuǎn)換為常規(guī)索引的 DataFrame：
pop_df = pop.unstack() pop_df
| 2010 | 2020 | |
|---|---|---|
| California | 37253956 | 39538223 |
| New York | 19378102 | 20201249 |
| Texas | 25145561 | 29145505 |
自然而然，stack 方法則提供了相反的操作：
pop_df.stack()
California 2010 37253956
2020 39538223
New York 2010 19378102
2020 20201249
Texas 2010 25145561
2020 29145505
dtype: int64
看到這里，你可能會想，為什么我們還要費心使用分層索引呢？
原因很簡單：正如我們能夠利用多重索引在一維的 Series 中操作二維數(shù)據(jù)一樣，我們也可以用它在 Series 或 DataFrame 中操作三維或更多維度的數(shù)據(jù)。
多重索引中的每增加一個層級，就代表數(shù)據(jù)的一個額外維度；利用這一特性，我們可以更靈活地表示各種類型的數(shù)據(jù)。具體來說，我們可能希望為每個州的每一年添加另一列人口統(tǒng)計數(shù)據(jù)（比如 18 歲以下人口）；有了 MultiIndex，只需在 DataFrame 中添加一列即可輕松實現(xiàn)：
pop_df = pd.DataFrame({'total': pop,
'under18': [9284094, 8898092,
4318033, 4181528,
6879014, 7432474]})
pop_df
| total | under18 | ||
|---|---|---|---|
| California | 2010 | 37253956 | 9284094 |
| 2020 | 39538223 | 8898092 | |
| New York | 2010 | 19378102 | 4318033 |
| 2020 | 20201249 | 4181528 | |
| Texas | 2010 | 25145561 | 6879014 |
| 2020 | 29145505 | 7432474 |
此外，Pandas中的數(shù)據(jù)操作中討論的所有 ufuncs 和其他功能同樣適用于分層索引。
下面我們根據(jù)上述數(shù)據(jù)，按年份計算 18 歲以下人口所占比例：
f_u18 = pop_df['under18'] / pop_df['total'] f_u18.unstack()
| 2010 | 2020 | |
|---|---|---|
| California | 0.249211 | 0.225050 |
| New York | 0.222831 | 0.206994 |
| Texas | 0.273568 | 0.255013 |
這使我們能夠輕松快速地操作和探索高維數(shù)據(jù)。
多重索引的創(chuàng)建方法
構(gòu)建多重索引的 Series 或 DataFrame 最直接的方法，就是將兩個或更多索引數(shù)組的列表直接傳遞給構(gòu)造函數(shù)。例如：
df = pd.DataFrame(np.random.rand(4, 2),
index=[['a', 'a', 'b', 'b'], [1, 2, 1, 2]],
columns=['data1', 'data2'])
df
| data1 | data2 | ||
|---|---|---|---|
| a | 1 | 0.626833 | 0.939326 |
| 2 | 0.824948 | 0.823318 | |
| b | 1 | 0.953831 | 0.173091 |
| 2 | 0.371334 | 0.779618 |
創(chuàng)建 MultiIndex 的工作是在后臺完成的。
類似地，如果你傳遞一個以合適元組為鍵的字典，Pandas 會自動識別并默認(rèn)使用 MultiIndex：
data = {('California', 2010): 37253956,
('California', 2020): 39538223,
('New York', 2010): 19378102,
('New York', 2020): 20201249,
('Texas', 2010): 25145561,
('Texas', 2020): 29145505}
pd.Series(data)
California 2010 37253956
2020 39538223
New York 2010 19378102
2020 20201249
Texas 2010 25145561
2020 29145505
dtype: int64
盡管如此，有時顯式創(chuàng)建一個 MultiIndex 也是很有用的；接下來我們將介紹幾種實現(xiàn)這一目標(biāo)的方法。
顯式 MultiIndex 構(gòu)造器
為了更靈活地構(gòu)建索引，你可以使用 pd.MultiIndex 類中提供的構(gòu)造方法。
例如，正如我們之前所做的，可以通過簡單的數(shù)組列表（每個層級的索引值）來構(gòu)造一個 MultiIndex：
pd.MultiIndex.from_arrays([['a', 'a', 'b', 'b'], [1, 2, 1, 2]])
MultiIndex([('a', 1),
('a', 2),
('b', 1),
('b', 2)],
)
或者，你可以通過一個元組列表（每個元組給出每個數(shù)據(jù)點的多重索引值）來構(gòu)造它：
pd.MultiIndex.from_tuples([('a', 1), ('a', 2), ('b', 1), ('b', 2)])
MultiIndex([('a', 1),
('a', 2),
('b', 1),
('b', 2)],
)
你甚至可以通過單個索引的笛卡爾積來構(gòu)造它：
pd.MultiIndex.from_product([['a', 'b'], [1, 2]])
MultiIndex([('a', 1),
('a', 2),
('b', 1),
('b', 2)],
)
類似地，你可以通過直接傳遞 levels（每個層級可用索引值的列表）和 codes（引用這些標(biāo)簽的編碼列表）來使用其內(nèi)部編碼方式構(gòu)造一個 MultiIndex：
pd.MultiIndex(levels=[['a', 'b'], [1, 2]],
codes=[[0, 0, 1, 1], [0, 1, 0, 1]])
MultiIndex([('a', 1),
('a', 2),
('b', 1),
('b', 2)],
)
這些對象中的任何一個都可以作為 index 參數(shù)傳遞給 Series 或 DataFrame 的構(gòu)造函數(shù)，或者傳遞給已有 Series 或 DataFrame 的 reindex 方法。
MultiIndex 層級命名
有時候，為 MultiIndex 的各層級命名會很方便。
這可以通過向前面討論過的任意一個 MultiIndex 構(gòu)造器傳遞 names 參數(shù)來實現(xiàn)，或者事后設(shè)置索引的 names 屬性也可以：
pop.index.names = ['state', 'year'] pop
state year
California 2010 37253956
2020 39538223
New York 2010 19378102
2020 20201249
Texas 2010 25145561
2020 29145505
dtype: int64
對于更復(fù)雜的數(shù)據(jù)集，這是一種有助于追蹤各索引值含義的實用方法。
列的 MultiIndex
在 DataFrame 中，行和列是完全對稱的，正如行可以有多級索引，列同樣也可以有多級索引。
請看下面這個例子，它模擬了一些（較為真實的）醫(yī)療數(shù)據(jù)：
# 分層索引和分層列
index = pd.MultiIndex.from_product([[2013, 2014], [1, 2]],
names=['year', 'visit'])
columns = pd.MultiIndex.from_product([['Bob', 'Guido', 'Sue'], ['HR', 'Temp']],
names=['subject', 'type'])
# 數(shù)據(jù)模擬
data = np.round(np.random.randn(4, 6), 1)
data[:, ::2] *= 10
data += 37
# 創(chuàng)建 DataFrame
health_data = pd.DataFrame(data, index=index, columns=columns)
health_data
| subject | Bob | Guido | Sue | ||||
|---|---|---|---|---|---|---|---|
| type | HR | Temp | HR | Temp | HR | Temp | |
| year | visit | ||||||
| 2013 | 1 | 39.0 | 36.1 | 36.0 | 37.3 | 25.0 | 37.4 |
| 2 | 43.0 | 36.1 | 33.0 | 38.3 | 37.0 | 37.7 | |
| 2014 | 1 | 60.0 | 36.6 | 9.0 | 36.9 | 37.0 | 37.5 |
| 2 | 43.0 | 37.3 | 24.0 | 37.6 | 41.0 | 34.8 | |
這本質(zhì)上是一個四維數(shù)據(jù)，其中維度分別是受試者、測量類型、年份和訪問次數(shù)。
有了這樣的結(jié)構(gòu)，我們可以按人的名字索引頂層列，從而獲得只包含該人信息的完整 DataFrame：
health_data['Guido']
| type | HR | Temp | |
|---|---|---|---|
| year | visit | ||
| 2013 | 1 | 36.0 | 37.3 |
| 2 | 33.0 | 38.3 | |
| 2014 | 1 | 9.0 | 36.9 |
| 2 | 24.0 | 37.6 |
多重索引的索引與切片
對 MultiIndex 進(jìn)行索引和切片的設(shè)計非常直觀，如果你將索引看作是增加的維度會更容易理解。
我們將首先介紹對多重索引的 Series 進(jìn)行索引的方法，然后再介紹對多重索引的 DataFrame 對象進(jìn)行索引的方法。
多重索引的 Series
來看我們之前見過的州人口多重索引 Series 示例：
pop
state year
California 2010 37253956
2020 39538223
New York 2010 19378102
2020 20201249
Texas 2010 25145561
2020 29145505
dtype: int64
我們可以通過使用多個索引項來訪問單個元素：
pop['California', 2010]
np.int64(37253956)
MultiIndex 還支持部分索引，即只索引索引中的某一層級。
結(jié)果是另一個 Series，并保留低層級的索引：
pop['California']
year 2010 37253956 2020 39538223 dtype: int64
只要 MultiIndex 已排序，也可以進(jìn)行部分切片：
pop.loc['California':'New York']
state year
California 2010 37253956
2020 39538223
New York 2010 19378102
2020 20201249
dtype: int64
對于已排序的索引，可以通過在第一個索引位置傳遞一個空切片，實現(xiàn)對低層級的部分索引：
pop[:, 2010]
state California 37253956 New York 19378102 Texas 25145561 dtype: int64
其他類型的索引和選擇（詳見數(shù)據(jù)索引與選擇）同樣適用；例如，可以使用布爾掩碼進(jìn)行選擇：
pop[pop > 22000000]
state year
California 2010 37253956
2020 39538223
Texas 2010 25145561
2020 29145505
dtype: int64
花式索引（fancy indexing）同樣適用：
pop[['California', 'Texas']]
state year
California 2010 37253956
2020 39538223
Texas 2010 25145561
2020 29145505
dtype: int64
多重索引的 DataFrame
多重索引的 DataFrame 具有類似的行為。
來看我們之前的醫(yī)療數(shù)據(jù)玩具 DataFrame 示例：
health_data
| subject | Bob | Guido | Sue | ||||
|---|---|---|---|---|---|---|---|
| type | HR | Temp | HR | Temp | HR | Temp | |
| year | visit | ||||||
| 2013 | 1 | 39.0 | 36.1 | 36.0 | 37.3 | 25.0 | 37.4 |
| 2 | 43.0 | 36.1 | 33.0 | 38.3 | 37.0 | 37.7 | |
| 2014 | 1 | 60.0 | 36.6 | 9.0 | 36.9 | 37.0 | 37.5 |
| 2 | 43.0 | 37.3 | 24.0 | 37.6 | 41.0 | 34.8 | |
請記住，在 DataFrame 中列是主要的索引軸，對于多重索引的 Series，所用的語法同樣適用于列。
例如，我們可以通過一個簡單的操作獲取 Guido 的心率數(shù)據(jù)：
health_data['Guido', 'HR']
year visit
2013 1 36.0
2 33.0
2014 1 9.0
2 24.0
Name: (Guido, HR), dtype: float64
同樣地，和單層索引的情況一樣，我們可以使用在數(shù)據(jù)索引與選擇中介紹的 loc、iloc 和 ix 索引器。例如：
health_data.iloc[:2, :2]
| subject | Bob | ||
|---|---|---|---|
| type | HR | Temp | |
| year | visit | ||
| 2013 | 1 | 39.0 | 36.1 |
| 2 | 43.0 | 36.1 | |
這些索引器為底層的二維數(shù)據(jù)提供了類似數(shù)組的視圖，但在 loc 或 iloc 中，每個單獨的索引都可以傳遞一個包含多個索引的元組。例如：
health_data.loc[:, ('Bob', 'HR')]
year visit
2013 1 39.0
2 43.0
2014 1 60.0
2 43.0
Name: (Bob, HR), dtype: float64
在這些索引元組中使用切片并不是特別方便；嘗試在元組中創(chuàng)建切片會導(dǎo)致語法錯誤：
health_data.loc[(:, 1), (:, 'HR')]
Cell In[32], line 1
health_data.loc[(:, 1), (:, 'HR')]
^
SyntaxError: invalid syntax
你可以通過顯式構(gòu)建所需的切片（使用 Python 內(nèi)置的 slice 函數(shù)）來實現(xiàn)這一點，但在這種情況下，更好的方法是使用 Pandas 專門為此場景提供的 IndexSlice 對象。
例如：
idx = pd.IndexSlice health_data.loc[idx[:, 1], idx[:, 'HR']]
| subject | Bob | Guido | Sue | |
|---|---|---|---|---|
| type | HR | HR | HR | |
| year | visit | |||
| 2013 | 1 | 39.0 | 36.0 | 25.0 |
| 2014 | 1 | 60.0 | 9.0 | 37.0 |
如你所見，有許多方法可以與多重索引的 Series 和 DataFrame 數(shù)據(jù)進(jìn)行交互。正如本書中的許多工具一樣，最好的熟悉方式就是親自嘗試！
重排多重索引
處理多重索引數(shù)據(jù)的關(guān)鍵之一是學(xué)會如何有效地轉(zhuǎn)換數(shù)據(jù)。
有許多操作可以在不丟失任何信息的前提下，重新排列數(shù)據(jù)集，以便進(jìn)行各種計算。
我們在 stack 和 unstack 方法中已經(jīng)簡單見過這種操作，但實際上還有更多方法可以精細(xì)地控制分層索引與列之間的數(shù)據(jù)重排，下面我們將進(jìn)行詳細(xì)探討。
已排序與未排序的索引
前面我曾簡要提到一個注意事項，這里需要特別強調(diào)：
許多 MultiIndex 的切片操作如果索引未排序會失敗。
讓我們仔細(xì)看看這個問題。
我們先創(chuàng)建一些簡單的多重索引數(shù)據(jù)，其中索引不是按字典序排序的：
index = pd.MultiIndex.from_product([['a', 'c', 'b'], [1, 2]]) data = pd.Series(np.random.rand(6), index=index) data.index.names = ['char', 'int'] data
char int
a 1 0.252857
2 0.342139
c 1 0.732484
2 0.740275
b 1 0.478320
2 0.624116
dtype: float64
如果我們嘗試對這個索引進(jìn)行部分切片，將會導(dǎo)致錯誤：
try:
data['a':'b']
except KeyError as e:
print("KeyError", e)
KeyError 'Key length (1) was greater than MultiIndex lexsort depth (0)'
雖然從錯誤信息中并不十分清楚，但這實際上是由于 MultiIndex 沒有排序造成的。
出于多種原因，部分切片和其他類似操作要求 MultiIndex 的各層級必須是有序（即字典序）的。
Pandas 提供了許多便捷方法來進(jìn)行這種排序，比如 DataFrame 的 sort_index 和 sortlevel 方法。
這里我們將使用最簡單的 sort_index 方法：
data = data.sort_index() data
char int
a 1 0.252857
2 0.342139
b 1 0.478320
2 0.624116
c 1 0.732484
2 0.740275
dtype: float64
通過這種方式對索引進(jìn)行排序后，部分切片將如預(yù)期般工作：
data['a':'b']
char int
a 1 0.252857
2 0.342139
b 1 0.478320
2 0.624116
dtype: float64
索引的堆疊與反堆疊
如前所述，我們可以將數(shù)據(jù)集從堆疊的多重索引轉(zhuǎn)換為簡單的二維表示，并可選指定要使用的層級：
pop.unstack(level=0)
| state | California | New York | Texas |
|---|---|---|---|
| year | |||
| 2010 | 37253956 | 19378102 | 25145561 |
| 2020 | 39538223 | 20201249 | 29145505 |
pop.unstack(level=1)
| year | 2010 | 2020 |
|---|---|---|
| state | ||
| California | 37253956 | 39538223 |
| New York | 19378102 | 20201249 |
| Texas | 25145561 | 29145505 |
unstack 的反操作是 stack，在這里可以用來恢復(fù)原始的 series：
pop.unstack().stack()
state year
California 2010 37253956
2020 39538223
New York 2010 19378102
2020 20201249
Texas 2010 25145561
2020 29145505
dtype: int64
索引的設(shè)置與重置
重排分層數(shù)據(jù)的另一種方式是將索引標(biāo)簽轉(zhuǎn)換為列，這可以通過 reset_index 方法實現(xiàn)。
對人口字典調(diào)用該方法會得到一個包含 state 和 year 列的 DataFrame，這些信息原本存儲在索引中。
為了更清晰，我們還可以為數(shù)據(jù)列指定名稱，使其在列表示中更易理解：
pop_flat = pop.reset_index(name='population') pop_flat
| state | year | population | |
|---|---|---|---|
| 0 | California | 2010 | 37253956 |
| 1 | California | 2020 | 39538223 |
| 2 | New York | 2010 | 19378102 |
| 3 | New York | 2020 | 20201249 |
| 4 | Texas | 2010 | 25145561 |
| 5 | Texas | 2020 | 29145505 |
一種常見的模式是根據(jù)列的值構(gòu)建 MultiIndex（多重索引）。
這可以通過 DataFrame 的 set_index 方法實現(xiàn)，該方法會返回一個具有多級索引的 DataFrame：
pop_flat.set_index(['state', 'year'])
| population | ||
|---|---|---|
| state | year | |
| California | 2010 | 37253956 |
| 2020 | 39538223 | |
| New York | 2010 | 19378102 |
| 2020 | 20201249 | |
| Texas | 2010 | 25145561 |
| 2020 | 29145505 |
在實際操作中，這種類型的重新索引是探索真實世界數(shù)據(jù)集時最有用的模式之一。
總結(jié)
本筆記系統(tǒng)介紹了 Pandas 的分層索引（MultiIndex）及其在 Series 和 DataFrame 中的應(yīng)用。內(nèi)容涵蓋了分層索引的創(chuàng)建方法（如 from_tuples、from_arrays、from_product 等）、索引和切片操作、索引排序、堆疊與反堆疊（stack/unstack）、索引與列之間的轉(zhuǎn)換（reset_index/set_index），以及多重索引在實際數(shù)據(jù)分析中的優(yōu)勢。通過豐富的代碼示例，展示了如何靈活、高效地處理高維數(shù)據(jù)，并強調(diào)了分層索引在數(shù)據(jù)探索和處理中的重要作用。
到此這篇關(guān)于Pandas 分層索引的具體實踐的文章就介紹到這了,更多相關(guān)Pandas 分層索引內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了Python實現(xiàn)直方圖均衡基本原理，本文給大家介紹的非常詳細(xì)，具有一定的參考借鑒價值 ,需要的朋友可以參考下2019-08-08
關(guān)于django 數(shù)據(jù)庫遷移(migrate)應(yīng)該知道的一些事
今天小編就為大家分享一篇關(guān)于django 數(shù)據(jù)庫遷移(migrate)應(yīng)該知道的一些事，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-05-05
這篇文章主要介紹了python中celery的基本使用詳情，Celery 是由Python 編寫的簡單，靈活，可靠的用來處理大量信息的分布式系統(tǒng),它同時提供操作和維護(hù)分布式系統(tǒng)所需的工具。Celery 專注于實時任務(wù)處理，支持任務(wù)調(diào)度2022-09-09
numpy.ndarray.flatten()函數(shù)的具體使用
本文主要介紹了numpy.ndarray.flatten()函數(shù)的具體使用，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-03-03
對pycharm代碼整體左移和右移縮進(jìn)快捷鍵的介紹
今天小編就為大家分享一篇對pycharm代碼整體左移和右移縮進(jìn)快捷鍵的介紹，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-07-07
本文主要介紹了python使用yaml格式文件的方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-07-07
Python 的格式化字符串(f-string)的基本用法詳解
本文將詳細(xì)介紹 f-string 的定義、語法、用法、格式化選項、版本改進(jìn)、性能、適用場景、注意事項及最佳實踐,感興趣的朋友一起看看吧2025-07-07
這篇文章主要介紹了Python中的fileinput模塊實用示例,文中的示例是使用其來便利硬盤分區(qū)下的文本文件并打印其中行的長度,需要的朋友可以參考下2015-07-07
Python實現(xiàn)對照片中的人臉進(jìn)行顏值預(yù)測
今天給大家?guī)淼氖顷P(guān)于Python實戰(zhàn)的相關(guān)知識,文章圍繞如何用Python實現(xiàn)對照片中的人臉進(jìn)行顏值預(yù)測展開,文中有非常詳細(xì)的介紹及代碼示例,需要的朋友可以參考下2021-06-06
這篇文章主要介紹了使用DataFrame實現(xiàn)兩表連接方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-08-08