引入包 import pandas as pd import numpy as np 1.生成指定范围的日期 print pd.date_range('11/1/2018','11/9/2018') 输出: 指定结束日期范例 import pandas as pd import numpy as np print pd.date_range(end='11/1/2018',periods=7) 输出: 以每月最后一个工作日为周期 import pandas as pd import numpy

crontab 在指定时间范围每隔2小时执行一次和指定时间执行,下面实例实现了:10-23点每两个小时执行一次,2点执行一次,分钟依次是1 2 3 ,没有24点的,晚上12点是0点注:*代表所有的取值范围内的数字,"/"代表每的意思,"/2"表示每2个单位,"-"代表从某个数字到某个数字,","分开几个离散的数字. -/, * * * /bin/bash /home/sh/test1.sh -/, * * * /bin/bas

/** * 查询指定时间范围内的所有日期,月份,季度,年份 * * @param $startDate 指定开始时间,Y-m-d格式 * @param $endDate 指定结束时间,Y-m-d格式 * @param $type 类型,day 天,month 月份,quarter 季度,year 年份 * @return array */ function getDateByInterval($startDate, $endDate, $type) { if (date('Y-m-d', str

1.创建一个Series 这是一个线性的数据,我们随机生成1000个数据,Series 默认的 index 就是从0开始的整数,但是这里我显式赋值以便让大家看的更清楚 >>> import pandas as pd >>> import numpy as np >>> import matplotlib.pyplot as plt >>> data = pd.Series(np.random.randn(1000),index=np.

#coding:utf-8import numpy as npimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签plt.rcParams['axes.unicode_minus']=False #用来正常显示负号import pandas as pdfrom pandas import Series,DataFrame '''plt.scatter(x,y)plt.show()

pandas主要的两个数据结构是:series(相当于一行或一列数据结构和DataFrame(相当于多行多列的一个表格数据机构). 原文:https://www.cnblogs.com/gangandimami/p/8983323.html DataFrame.drop(labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') inplace = true 时,会使DataF

今天碰到一个错误,一个字典取值报keyError, 一查看key, 字符串类型的数字后面多了小数点0, 变成了float的样子了. 发现了pandas一个坑:如果列有NAN,则默认给数据转换为float类型! 来源:https://stackoverflow.com/questions/39666308/pd-read-csv-by-default-treats-integers-like-floats 但是,我们这里不想要让它转成float, pandas中有dtype指定列的数据类型,我们可

1.问题        通过调用dbms_xplan包中DISPLAY_AWR函数(DBMS_XPLAN.DISPLAY_AWR)可以从AWR数据中查看到SQL语句的历史执行计划,但是,DISPLAY_AWR函数的可传入参数只有四种,分别为:sql_id.plan_hash_value.db_id.format,缺少与时间范围相关的参数.也没有instance_number相关参数.        使用dbms_xplan.display_awr的简单方式,一般为:          SQL>s

定位要删除的行 需求:删除指定列中NaN所在行. 如下图,’open‘ 列中有一行为NaN,定位到它,然后删除. 定位: df[np.isnan(df['open'])].index # 这样即可定位到所在行的index,然后对该index进行drop操作即可 删除行 df.drop(df[np.isnan(df['open'])].index, inplace=True) # 直接drop对应indx即可删除该行

import pandas as pd import numpy as np df = pd.DataFrame(np.arange(15).reshape(5, 3), columns=['a', 'b', 'c']) # 输出df: a b c 0 0 1 2 1 3 4 5 2 6 7 8 3 9 10 11 4 12 13 14 # 在a.b列之间插入d列 insert_data = [6, 6, 6, 6, 6] # 插入的数据,可以是列表.元组.range产生的序列等 df.inse

mongoDB大于小于符号对应: > 大于 $gt< 小于 $lt>= 大于等于 $gte<= 小于等于 $lte 要查询同一个时间多个约束可能出现的error: org.springframework.data.mongodb.InvalidMongoDbApiUsageException: Due to limitations of the com.mongodb.BasicDocument, you can't add a second 'createdDate' expre

如下图: 读取出来的 DataFrame “code” 列内容格式为:“浪潮信息(000977.XSHE)” 格式,目标效果是:000977.XSHE 代码: df["code"] = df["code"].map(lambda code: code[-12:-1]) 原理: 选中要操作的对象(code列),然后通过map+lambda 对code列中的每个元素进行操作.

最近遇到利用pandas选取指定行的需求,经常忘记,在此做下记录 选取某个属性等于特定值的所有行记录 df[(df[‘column_name’] == target_value)] 注:等于用 '==',不等于用 '!=', 同理,大于用 '>', 小于用 '<' 多个条件用 '&' 连接 df[(df[‘column_name’] < target_value) & (df[‘column_name’] > target_value)] 选取某个属性在指定列表中的

我的新书<基于股票大数据分析的Python入门实战>于近日上架,在这篇博文向大家介绍我的新书:<基于股票大数据分析的Python入门实战>里,介绍了这本书的内容.这里将摘录出部分内容,用以推广本书,请大家多多支持. 1 MACD指标的计算方式 从数学角度来分析,MACD指标是根据均线的构造原理,对股票收盘价进行平滑处理,计算出算术平均值以后再进行二次计算,它是属于趋向类指标. MACD指标是由三部分构成的,分别是:DIF(离差值,也叫差离值).DEA(离差值平均)和BAR(柱状线)

我最近出了一本书,<基于股票大数据分析的Python入门实战 视频教学版>,京东链接:https://item.jd.com/69241653952.html,在其中给出了MACD,KDJ等指标图的绘制方法.这里将根据KDJ的算法,计算并绘制KDJ指标线. 1  KDJ指标的计算过程 KDJ指标也叫随机指标,是由乔治·蓝恩博士(George Lane)最早提出的.该指标集中包含了强弱指标.动量概念和移动平均线的优点,可以用来衡量股价脱离正常价格范围的偏离程度. KDJ指标的计算过程是,首先获取

Numpy & Pandas 简介 此篇笔记参考来源为<莫烦Python> 运算速度快:numpy 和 pandas 都是采用 C 语言编写, pandas 又是基于 numpy, 是 numpy 的升级版本. 消耗资源少:采用的是矩阵运算,会比 python 自带的字典或者列表快好多 Numpy 学习 2.1 numpy属性 ndim:维度 shape:行数和列数 size:元素个数 举例说明: import numpy as np array = np.array([[1,2,3]

numpy基础 import numpy as np 定义array In [156]: np.ones(3) Out[156]: array([1., 1., 1.]) In [157]: np.ones((3,5)) Out[157]: array([[1., 1., 1., 1., 1.], [1., 1., 1., 1., 1.], [1., 1., 1., 1., 1.]]) In [158]: In [158]: np.zeros(4) Out[158]: array([0., 0.

1.Pandas 基本介绍 Numpy 和 Pandas 有什么不同? 如果用 python 的列表和字典来作比较, 那么可以说 Numpy 是列表形式的,没有数值标签,而 Pandas 就是字典形式.Pandas是基于Numpy构建的,让Numpy为中心的应用变得更加简单. pandas基本功能和使用方法有哪些? 要使用pandas,首先需要了解他主要两个数据结构:Series和DataFrame. Series的 创建: import pandas as pd import numpy as

安装 视频链接:https://morvanzhou.github.io/tutorials/data-manipulation/np-pd/ pip install numpy pip install pandas Numpy 学习 Numpy属性 import numpy as np array = np.array([[1,2,3], [2,3,4]]) print(array) print('number of dim:',array.ndim)//几维度 print('shape:',

Python Pandas 空值 pandas 判断指定列是否(全部)为NaN(空值) import pandas as pd import numpy as np df = pd.DataFrame({"a": ["aa", np.NAN, np.NAN], "b": [3, np.NAN, 2]}) 判断某列是否有NaN >>> df.a.isnull().any() True 判断是否全部为 NAN >>>

第一种方法: cross join (就相当于mysql中的循环) CROSS JOIN 把两张表中的数据进行 N * M的组合,即笛卡尔积 这里的两张表利用 union all都有5条数据,所以进行 cross join 后 就有25条数据 而指定的日期区间就会从这25条数据总产生 select CURDATE() - INTERVAL '1' day NOW()(获取当前日期和时间) CURDATE() (获取当前日期) CURTIME() (获取当前时间) 这里用到的是一个 INTERVA