数据科学专业问答社区，好文章，一字千金--CDA答疑社区

热线电话：13121318867

登录

yuechuchen

按照字典{'a':3,'b':5,'c':1,'d':2}的值排序并返回新的字典

字典：{'a':3,'b':5,'c':1,'d':2}请按照字典的值排序并返回新的字典参考代码：d= {'a':3,'b':5,'c':1,'d':2}d = dict(sorted(d.items(),key=lambda item: item[1]))d代码结果：

0.0000

0

1

0

关注作者

收藏

yuechuchen

list1 = [1,3,7,2,4,9,0]，请分别实现升序排序和逆置

参考代码：list1 = [1,3,7,2,4,9,0]list1.sort() #排序list1list1 = [1,3,7,2,4,9,0]list1.reverse() #逆置list1代码结果：

52.8682

1

0

0

关注作者

收藏

yuechuchen

dataframe提取符合条件的记录，题目详情见正文

df表详情如下：请将上表中出现次数在前三之后的数据替换成“other”。参考代码：d = {"genre": ["A", "C", "A", "A", "A", "B", "B", "C", "D", "E", "F"]}df = pd.DataFrame(d)dftop3 = df["genre"].value_counts().nlargest(3).indextop3d

0.0000

0

2

0

关注作者

收藏

yuechuchen

dataframe数据编码处理，题目详情见正文

df表详情如下：请把性别列的文本字段编码成0和1参考代码：d = {"性别":["男", "女", "女","男"], "职级":["P3", "p3", "p4","p5"], "年龄":[24, 24, 27, 30]}df = pd.DataFrame(d)dfd = {"男": 0, "女": 1}df["性别1"] = df["性别"].map(d) df

24.7772

1

1

0

关注作者

收藏

yuechuchen

dataframe按照某一行的数值大小排序，题目详情见正文

df表详情如下：请按照第0数值的大小实现列排序，目标实现效果：参考代码：np.random.seed(2)ser1 = pd.Series(np.random.randint(1,20,5))ser2 = pd.Series(np.random.randint(1,10,5))ser3 = pd.Series(np.random.randint(10,20,5))ser4

0.0000

0

5

0

关注作者

收藏

yuechuchen

pandas处理时间数据，题目详情见正文

df表详情如下： day_of_year指当年过了多少天，请根据表中数据计算对应的当年具体的日期参考代码：d = {"year": [2018, 2019, 2020],"day_of_year": [200, 365, 60]}df = pd.DataFrame(d)dfdf["int_number"] = df["year"]*1000 + df["day_of_year"]

0.0000

0

2

0

关注作者

收藏

yuechuchen

数据清洗修改不规范的字段数据类型，题目详情见正文

df表详情如下：请将销售额字段的所有元素的数据类型换成浮点型参考代码：d = {"品名":["A", "B", "C", "D", "E"], "销售额":[900, "1000", "$640", 730.60 ," $259.13"]}df = pd.DataFrame(d)dfdf["销售额"] = df["销售额"].replace("[$]", "", regex

0.0000

0

4

0

关注作者

收藏

yuechuchen

pandas字段类型检查，题目详情见正文

df表详情如下请检查销售额字段所有数据的数据类型参考代码：d = {"品名":["A", "B", "C", "D", "E"], "销售额":[900, "1000", 640, 730.60, "259.13"]}df = pd.DataFrame(d)dfdf['销售额'].apply(type)代码结果：

0.0000

0

2

0

关注作者

收藏

yuechuchen

统计表中的缺失值数量

df表如下：要求统计表中缺失值的数量.参考代码：d = {"品名":["A", "B", "C", "D", "E","F","G","H"], "销售额":[900, "1000", np.nan, 730.60 ," 259.13",np.nan,502,"800"]}df = pd.DataFrame(d)dfdf.isnull().sum().sum()代码结果：

0.2622

1

4

0

关注作者

收藏

yuechuchen

一行代码通过列表[1,3,5,7,9,2,4,6]生成新列表[10, 14, 18, 12]

参考代码：[x*2 for x in [1,3,5,7,9,2,4,6] if x > 4 ]代码结果：

0.0000

0

2

0

关注作者

收藏

读童话的狼

数值型的分类字段要做独热编码或者哑变量吗吗？

数值型的分类字段不一定的是要做的编码的，如年龄段0-18岁定义为18,18-25定义为25,25-35定义为35，那么对应的分类就是18,25,35，也可以重新编码为1,2,3，可以都试试，哪种效果好用哪个

77.3248

1

3

0

关注作者

收藏

yuechuchen

数列1，2，3，5，8，13，21，34，……写出计算数列任意位数值的函数fun，例如fun(2)=2,fun(4)=4。

方法一：def fib_loop(n): a, b = 0, 1 for i in range(n 1): a, b = b, a b return a方法二：def func(i): num_list = [1] if i < 2: return num_list[0] elif i >= 2:

0.0000

0

4

0

关注作者

收藏

yuechuchen

PIP缺少C 编译器错误，题目详情见正文

PIP缺少C 编译器错误：Python部分第三方库需要先进行编译再进行安装，否则会提示编译过程中缺少Microsoft Visual C 14.0，报错提示：error: Microsoft Visual C 14.0 is required. Get it with "Microsoft Visual C Build Tools":

0.0000

0

0

0

关注作者

收藏

大魔王泛泛

GMM和K-Means相比有哪些异同点

高斯混合模型（GMM）与K-Means算法的相同点是：1.它们都是可用于聚类的算法2.都需要指定K值3.都是使用EM算法来求解4.都往往只能收敛于局部最优而GMM相比于K-Means算法的优点是，可以给出一个样本属于某类的概率是多少；不仅仅可以用于聚类，还可以用于概率密度的估计；并且可以用于生成新的样本点

88.2751

2

1

0

关注作者

收藏

yuechuchen

dataframe索引重排序，题目详情见正文

df表如下：要求根据已有的索引顺序（"002","005","004","001","006","003"）更改df的索引，实现效果如下：参考代码：np.random.seed(0)B = pd.Series(["Allen","Lucy","Tom","Alice","Tim","Lily"], dtype="string")C = pd.Series(np.random.

0.0000

0

2

0

关注作者

收藏

yuechuchen

从数据库中导入数据，题目详情见正文。

名称为bank的数据库中有表userinfo，具体如下: 请用pandas读取userinfo表。参考代码：import pymysqlconn = pymysql.connect(host='localhost',user='root',password='1234',port=3306,charset='utf8')cursor = conn.cursor()cursor.ex

0.0000

0

2

0

关注作者

收藏

yuechuchen

dataframe中的行索引转化成普通列，题目详情见正文。

df1表如下：要求将索引”num“转化成普通的列，效果如下：参考代码：np.random.seed(0)B = pd.Series(["Allen","Lucy","Tom","Alice","Tim","Lily"], dtype="string")C = pd.Series(np.random.randint(20,40,6, dtype="int"))df = pd.

0.0000

0

4

0

关注作者

收藏

yuechuchen

dataframe指定某列为行索引，题目详情见正文

df表如下：要求将”num“作为行索引，实现效果如下：参考代码：np.random.seed(0)B = pd.Series(["Allen","Lucy","Tom","Alice","Tim","Lily"], dtype="string")C = pd.Series(np.random.randint(20,40,6, dtype="int"))A = pd.Seri

0.0000

0

3

0

关注作者

收藏

yuechuchen

自定义函数，题目详情见正文

求以下表达式的值：1-2+3-4+5-6+7-8……+m，写出计算数列任意位数值的函数function（），例如function（2）=-1，function（3）=2参考代码：def function(n): if(n%2 == 1): return n-(n//2) else: return int(n/2*(-1))代码结果：

0.0000

0

6

0

关注作者

收藏

yuechuchen

dataframe增加列数据，题目详情见正文

df表如下：请为df表添加一列“基本工资”，实现效果如下：参考代码：list1 = [["第一分公司","第二分公司",] ,["销售部","市场部","行政部"]]index = pd.MultiIndex.from_product(list1, names=['公司', '部门'])df = pd.DataFrame({"姓名":["Allen","Lu

0.0000

0

3

0

关注作者

收藏

<1…205206207…404>

CDA考试动态

CDA报考指南