13518219792
python實(shí)現(xiàn)字符串替換時(shí)，可利用replace函數(shù)來實(shí)現(xiàn)，
讓客戶滿意是我們工作的目標(biāo)，不斷超越客戶的期望值來自于我們對(duì)這個(gè)行業(yè)的熱愛。我們立志把好的技術(shù)通過有效、簡單的方式提供給客戶，將通過不懈努力成為客戶在信息化領(lǐng)域值得信任、有價(jià)值的長期合作伙伴，公司提供的服務(wù)項(xiàng)目有：主機(jī)域名、網(wǎng)站空間、營銷軟件、網(wǎng)站建設(shè)、雙峰網(wǎng)站維護(hù)、網(wǎng)站推廣。
具體代碼為：stringold.replace（strfrom,strto），其中stringold就是需要更改的字符串，strfrom是需要替換的子字符串，strto是需要轉(zhuǎn)換成的子字符串。Python是一種跨平臺(tái)的計(jì)算機(jī)程序設(shè)計(jì)語言，也是一種面向?qū)ο蟮膭?dòng)態(tài)類型語言，最初被設(shè)計(jì)用于編寫自動(dòng)化腳本。隨著版本的不斷更新和語言新功能的添加，越來越多被用于獨(dú)立的.大型項(xiàng)目的開發(fā)。Python語言具有簡潔性.易讀性以及可擴(kuò)展性，在國外用Python做科學(xué)計(jì)算的研究機(jī)構(gòu)日益增多，一些知名大學(xué)已經(jīng)采用Python來教授程序設(shè)計(jì)課程。
在Python中，pandas是基于NumPy數(shù)組構(gòu)建的，使數(shù)據(jù)預(yù)處理、清洗、分析工作變得更快更簡單。pandas是專門為處理表格和混雜數(shù)據(jù)設(shè)計(jì)的，而NumPy更適合處理統(tǒng)一的數(shù)值數(shù)組數(shù)據(jù)。
使用下面格式約定，引入pandas包：
pandas有兩個(gè)主要數(shù)據(jù)結(jié)構(gòu)：Series和DataFrame。
Series是一種類似于一維數(shù)組的對(duì)象，它由 一組數(shù)據(jù) （各種NumPy數(shù)據(jù)類型）以及一組與之相關(guān)的 數(shù)據(jù)標(biāo)簽（即索引） 組成，即index和values兩部分，可以通過索引的方式選取Series中的單個(gè)或一組值。
pd.Series(list,index=[ ]) ，第二個(gè)參數(shù)是Series中數(shù)據(jù)的索引，可以省略。
Series類型索引、切片、運(yùn)算的操作類似于ndarray，同樣的類似Python字典類型的操作，包括保留字in操作、使用.get()方法。
Series和ndarray之間的主要區(qū)別在于Series之間的操作會(huì)根據(jù)索引自動(dòng)對(duì)齊數(shù)據(jù)。
DataFrame是一個(gè)表格型的數(shù)據(jù)類型，每列值類型可以不同，是最常用的pandas對(duì)象。DataFrame既有行索引也有列索引，它可以被看做由Series組成的字典（共用同一個(gè)索引）。DataFrame中的數(shù)據(jù)是以一個(gè)或多個(gè)二維塊存放的（而不是列表、字典或別的一維數(shù)據(jù)結(jié)構(gòu)）。
pd.DataFrame(data,columns = [ ],index = [ ]) ：columns和index為指定的列、行索引，并按照順序排列。
如果創(chuàng)建時(shí)指定了columns和index索引，則按照索引順序排列，并且如果傳入的列在數(shù)據(jù)中找不到，就會(huì)在結(jié)果中產(chǎn)生缺失值：
數(shù)據(jù)索引 ：Series和DataFrame的索引是Index類型，Index對(duì)象是不可修改，可通過索引值或索引標(biāo)簽獲取目標(biāo)數(shù)據(jù)，也可通過索引使序列或數(shù)據(jù)框的計(jì)算、操作實(shí)現(xiàn)自動(dòng)化對(duì)齊。索引類型index的常用方法：
重新索引 ：能夠改變、重排Series和DataFrame索引，會(huì)創(chuàng)建一個(gè)新對(duì)象，如果某個(gè)索引值當(dāng)前不存在，就引入缺失值。
df.reindex(index, columns ,fill_value, method, limit, copy ) ：index/columns為新的行列自定義索引；fill_value為用于填充缺失位置的值；method為填充方法，ffill當(dāng)前值向前填充，bfill向后填充；limit為最大填充量；copy 默認(rèn)True，生成新的對(duì)象，F(xiàn)alse時(shí)，新舊相等不復(fù)制。
刪除指定索引 ：默認(rèn)返回的是一個(gè)新對(duì)象。
.drop() ：能夠刪除Series和DataFrame指定行或列索引。
刪除一行或者一列時(shí)，用單引號(hào)指定索引，刪除多行時(shí)用列表指定索引。
如果刪除的是列索引，需要增加axis=1或axis='columns'作為參數(shù)。
增加inplace=True作為參數(shù)，可以就地修改對(duì)象，不會(huì)返回新的對(duì)象。
在pandas中，有多個(gè)方法可以選取和重新組合數(shù)據(jù)。對(duì)于DataFrame，表5-4進(jìn)行了總結(jié)
適用于Series和DataFrame的基本統(tǒng)計(jì)分析函數(shù) ：傳入axis='columns'或axis=1將會(huì)按行進(jìn)行運(yùn)算。
.describe() ：針對(duì)各列的多個(gè)統(tǒng)計(jì)匯總，用統(tǒng)計(jì)學(xué)指標(biāo)快速描述數(shù)據(jù)的概要。
.sum() ：計(jì)算各列數(shù)據(jù)的和
.count() ：非NaN值的數(shù)量
.mean( )/.median() ：計(jì)算數(shù)據(jù)的算術(shù)平均值、算術(shù)中位數(shù)
.var()/.std() ：計(jì)算數(shù)據(jù)的方差、標(biāo)準(zhǔn)差
.corr()/.cov() ：計(jì)算相關(guān)系數(shù)矩陣、協(xié)方差矩陣，是通過參數(shù)對(duì)計(jì)算出來的。Series的corr方法用于計(jì)算兩個(gè)Series中重疊的、非NA的、按索引對(duì)齊的值的相關(guān)系數(shù)。DataFrame的corr和cov方法將以DataFrame的形式分別返回完整的相關(guān)系數(shù)或協(xié)方差矩陣。
.corrwith() ：利用DataFrame的corrwith方法，可以計(jì)算其列或行跟另一個(gè)Series或DataFrame之間的相關(guān)系數(shù)。傳入一個(gè)Series將會(huì)返回一個(gè)相關(guān)系數(shù)值Series（針對(duì)各列進(jìn)行計(jì)算），傳入一個(gè)DataFrame則會(huì)計(jì)算按列名配對(duì)的相關(guān)系數(shù)。
.min()/.max() ：計(jì)算數(shù)據(jù)的最小值、最大值
.diff() ：計(jì)算一階差分，對(duì)時(shí)間序列很有效
.mode() ：計(jì)算眾數(shù)，返回頻數(shù)最高的那（幾）個(gè)
.mean() ：計(jì)算均值
.quantile() ：計(jì)算分位數(shù)（0到1）
.isin() ：用于判斷矢量化集合的成員資格，可用于過濾Series中或DataFrame列中數(shù)據(jù)的子集
適用于Series的基本統(tǒng)計(jì)分析函數(shù)，DataFrame[列名]返回的是一個(gè)Series類型。
.unique() ：返回一個(gè)Series中的唯一值組成的數(shù)組。
.value_counts() ：計(jì)算一個(gè)Series中各值出現(xiàn)的頻率。
.argmin()/.argmax() ：計(jì)算數(shù)據(jù)最大值、最小值所在位置的索引位置（自動(dòng)索引）
.idxmin()/.idxmax() ：計(jì)算數(shù)據(jù)最大值、最小值所在位置的索引（自定義索引）
pandas提供了一些用于將表格型數(shù)據(jù)讀取為DataFrame對(duì)象的函數(shù)。下表對(duì)它們進(jìn)行了總結(jié)，其中read_csv()、read_table()、to_csv()是用得最多的。
在數(shù)據(jù)分析和建模的過程中，相當(dāng)多的時(shí)間要用在數(shù)據(jù)準(zhǔn)備上：加載、清理、轉(zhuǎn)換以及重塑。
在許多數(shù)據(jù)分析工作中，缺失數(shù)據(jù)是經(jīng)常發(fā)生的。對(duì)于數(shù)值數(shù)據(jù)，pandas使用浮點(diǎn)值NaN（np.nan）表示缺失數(shù)據(jù)，也可將缺失值表示為NA（Python內(nèi)置的None值）。
替換值
.replace(old, new) ：用新的數(shù)據(jù)替換老的數(shù)據(jù)，如果希望一次性替換多個(gè)值，old和new可以是列表。默認(rèn)會(huì)返回一個(gè)新的對(duì)象，傳入inplace=True可以對(duì)現(xiàn)有對(duì)象進(jìn)行就地修改。
刪除重復(fù)數(shù)據(jù)
利用函數(shù)或字典進(jìn)行數(shù)據(jù)轉(zhuǎn)換
df.head()：查詢數(shù)據(jù)的前五行
df.tail()：查詢數(shù)據(jù)的末尾5行
pandas.cut()
pandas.qcut() 基于分位數(shù)的離散化函數(shù)。基于秩或基于樣本分位數(shù)將變量離散化為等大小桶。
pandas.date_range() 返回一個(gè)時(shí)間索引
df.apply() 沿相應(yīng)軸應(yīng)用函數(shù)
Series.value_counts() 返回不同數(shù)據(jù)的計(jì)數(shù)值
df.aggregate()
df.reset_index() 重新設(shè)置index，參數(shù)drop = True時(shí)會(huì)丟棄原來的索引，設(shè)置新的從0開始的索引。常與groupby()一起用
numpy.zeros()
作用就是把合理的數(shù)據(jù)轉(zhuǎn)換為需要的類型。int()整數(shù)，float()浮點(diǎn)數(shù)，str()字符串，list()列表，tuple()元組，set()集合……
比如a='12'這個(gè)是字符串類型，用int函數(shù)a=int(a)這時(shí)變量a就是整型，字符串'12'變?yōu)榱苏麛?shù)12。Python沒有變量聲明的要求，變量的屬性在賦值時(shí)確定，這樣變量的類型就很靈活。
有一種題目判斷一個(gè)整數(shù)是否回文數(shù)，用字符串來處理就很簡單
a=1234321#整數(shù)
if str(a)==str(a)[::-1]:#借助字符串反轉(zhuǎn)比較就可以確定是否回文數(shù)。
還比如元組b=(1,3,2,4)，元組是不可以更新刪除排序成員的，但是列表是可以的，通過列表函數(shù)進(jìn)行轉(zhuǎn)換來實(shí)現(xiàn)元組的更新刪除和排序。
b=(1,3,2,4)
b=list(b)
b.sort()
b=tuple(b)
這時(shí)得到的元組b就是一個(gè)升序的元組(1,2,3,4)
再比如你要輸入創(chuàng)建整數(shù)列表或者整數(shù)元組基本上寫法相同，就是用對(duì)應(yīng)的函數(shù)來最后處理。
ls=list(map(int,input().split()))#這個(gè)就是列表
tup=tuple(map(int,input().split()))#這個(gè)就是元組
再比如有個(gè)叫集合的，集合有唯一性，可以方便用來去重。
ls=[1,2,3,1,2,3,1,2,3]
ls=list(set(ls))#通過set()去重后，現(xiàn)在的ls里就是[1,2,3]去重后的列表。
在python中的數(shù)據(jù)類型轉(zhuǎn)換函數(shù)共有五類:
1.float(x) 將x轉(zhuǎn)換為一個(gè)浮點(diǎn)數(shù),x如果是一個(gè)字符串, 必須是數(shù)字類型的字符串
2.int(x) 將x轉(zhuǎn)換為一個(gè)整數(shù), x如果是一個(gè)字符串,必須是數(shù)字類型的字符串
3.str(x) 把x轉(zhuǎn)換為字符串類型, 任意數(shù)據(jù)類型都可以轉(zhuǎn)換為字符串
4.list(x) 把序列數(shù)據(jù)x轉(zhuǎn)為列表（注意：字典沒有順序，不是序列數(shù)據(jù)）
5.tuple(x) 把序列數(shù)據(jù)x轉(zhuǎn)為元組（字典沒有順序，不是序列數(shù)據(jù)）
你可以多去黑馬程序員視頻庫看看，里面這樣的知識(shí)點(diǎn)特別多
