Python数据分析-数据科学专业问答社区-CDA答疑社区

热线电话：13121318867

登录

yuechuchen

dataframe按照多个字段值排序，并且排序顺序不同，题目详情见正文

df表详情如下：请按照周一的数据降序排序，如果数值有重复，按照周三的数据升序排序参考代码：np.random.seed(0)df = pd.DataFrame(np.random.randint(10,100,(5, 5)),columns=["Allen","Tom","Alice","Lucy","Han"] ,index = ["周一",

96.2556

1

0

0

关注作者

收藏

yuechuchen

numpy数组的计算速度为什么比python原生的list序列快？

1、Python的 list 是一个通用结构。它能包括任意类型的对象，并且是动态类型。2、NumPy 的数组是一种静态、同质的类型，当 ndarray 对象被创建时，元素的类型就确定。由于是静态类型，所以 ndarray 间的加、减、乘、除用 C 和 Fortran 实现才成为可能，所以运行起来就会更快。numpy官网介绍，numpy的底层代码用 C 语言和 Fortran 语言实现，

36.9819

1

2

0

关注作者

收藏

yuechuchen

去除dataframe中某一列的空格，题目详情见正文

df表详情如下：请去除state列中包含的空格。参考代码：df = pd.DataFrame({"State":[" United Kingdom ","Germany ","Spain"],"Population":["8,615,246","3,437,916","3,165,235"]})dfdf["State"][0]# 查看是否包含空格df["State"] = df[

36.9819

1

3

0

关注作者

收藏

yuechuchen

查找dataframe中全局前三大的位置信息，问题详情见正文

df表详情如下：请找出Alice和Tom两个人的销售额中数额最大的前三笔参考代码：np.random.seed(2)df = pd.DataFrame({'Alice': np.random.randint(1,100,10) ,'Tom': np.random.randint(10,150,10)})dfdf.unstack()df.un

36.9819

1

4

0

关注作者

收藏

yuechuchen

计算DataFrame其中一列每10步长对应的另一列的和

df表详情如下：请计算df表中Alice列每10步长对应的Tom列的和参考代码：np.random.seed(2)df = pd.DataFrame({'Alice': np.random.randint(1,100,10) ,'Tom': np.random.randint(10,150,10)})dfdf1 = df.groupby(p

0.0000

0

3

0

关注作者

收藏

yuechuchen

计算每个员工销售额最大的前两单的总和，题目详情见正文

df表详情如下：要求计算所有人单笔销售额最大的两单的加和值参考代码：np.random.seed(0)df = pd.DataFrame( {'name': ["Allen","Tom","Alice","Lucy","Han","Allen","Tom","Alice","Lucy","Han","Allen","Tom","Alice","Lucy","Han"],

87.9753

1

2

0

关注作者

收藏

yuechuchen

计算所有员工中销售总额最少的员工，题目详情见正文

df表如下：计算一周内哪个员工的总销售额最少。参考代码：df = pd.DataFrame(np.random.randint(10,100,(5, 5)),columns=["Allen","Tom","Alice","Lucy","Han"] ,index = ["周一","周二","周三","周四","周五"])dfdf.sum().idx

0.0000

0

3

0

关注作者

收藏

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

统计df表中属于每个国家的记录数

df表详情如下：请统计每个国家的记录数。参考代码：np.random.seed(0)df = pd.DataFrame({'类别':['农作物','农作物','农作物','水果','水果','肉类','肉类'], '产地':['阿根廷','巴西','中国','中国','巴西','阿根廷','中国'], '品种':['玉米

0.0000

0

2

0

关注作者

收藏

yuechuchen

dataframe打乱数据集，题目详情见正文

df表详情如下：请随机打乱原表记录行的顺序。参考代码：np.random.seed(0)df = pd.DataFrame({'类别':['农作物','农作物','农作物','水果','水果','肉类','肉类'], '产地':['阿根廷','巴西','中国','中国','巴西','阿根廷','中国'], '品种':['

0.0000

0

5

0

关注作者

收藏

yuechuchen

随机抽取dataframe中的记录，题目详情见正文

df表详情如下：请抽取df表中50%的记录。参考代码：np.random.seed(0)df = pd.DataFrame({'类别':['农作物','农作物','农作物','水果','水果','肉类','肉类'], '产地':['阿根廷','巴西','中国','中国','巴西','阿根廷','中国'], '品种':['

24.7772

1

3

0

关注作者

收藏

yuechuchen

dataframe删除指定的多列，题目详情见正文

df表详情如下：请删除“产地”和“数量”两列参考代码：np.random.seed(0)df = pd.DataFrame({'类别':['农作物','农作物','农作物','水果','水果','肉类','肉类'], '产地':['阿根廷','巴西','中国','中国','巴西','阿根廷','中国'], '品种':['

52.8682

1

3

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

pandas时间数据下采样，题目详情见正文

df表详情如下：将以上数据汇总成以天为单位表示的表格。参考代码：df = pd.DataFrame(np.random.randint(1,10,size=(240,4)),columns = ['客户A','客户B','客户C','客户D'])df.index = pd.util.testing.makeDateIndex(240,freq='H') #生成 240 行步长为

0.0000

0

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

<1…121314…123>

CDA考试动态

CDA报考指南