详解pandas.DataFrame.applymap()(应用函数到数据框元素)函数使用方法
pandas.DataFrame.applymap()函数是用于将一个函数应用到DataFrame的每个元素,它返回一个新的DataFrame,其中每个元素都被该函数处理过。 使用方法: DataFrame.applymap(func) 参数解释: func-函数:必须是能够处理单个元素的函数(比如python的内置函数,自定义函数,lambda函数等)。 实例1 import pandas as pd df = pd.DataFr
详解pandas.DataFrame.apply()(应用函数到数据框)函数使用方法
pandas.DataFrame.apply()是pandas库中的一个函数,用来对DataFrame中的每一列进行操作,并返回一个Series或DataFrame。 函数定义: DataFrame.apply(func, axis=0, broadcast=None, raw=False, reduce=None, result_type=None, args=(), **kwds) 参数解释: func: 对每一列应用的函数。 ax
详解pandas.Series.str.upper()(转换序列中的字符串为大写)函数使用方法
pandas.Series.str.upper()方法是Pandas中的一个字符串方法,该方法可以将Series中所有字符串转换为大写字母,并返回一个新的Series。它的语法格式如下: Series.str.upper() 其中Series为一个Pandas Series对象。 下面我们来看一下该方法的使用方法和实例: 语法格式 Series.str.upper() 参数说明 该方法没有参数。 返回值 该方法返回一个新的Series对象
图的十字链表存储结构
前面介绍了图的邻接表存储法,本节继续讲解图的另一种链式存储结构——十字链表法。 与邻接表不同,十字链表法仅适用于存储有向图和有向网。不仅如此,十字链表法还改善了邻接表计算图中顶点入度的问题。 十字链表存储有向图(网)的方式与邻接表有一些相同,都以图(网)中各顶点为首元节点建立多条链表,同时为了便于管理,还将所有链表的首元节点存储到同一数组(或链表)中。 其中,建立个各个链表中用于存储顶点的首元节点结构如图 1 所示: 图 1 十字链表
详解pandas.Series.str.strip()(去除序列中的字符串空格)函数使用方法
pandas.Series.str.strip()的作用 pandas.Series.str.strip()是Series对象中的一个方法,用于去除字符串中的空格或特定字符。其作用是去除字符串前后空格以及某些特定字符,包括制表符、回车符、换行符等,并返回去除后的新字符串。 pandas.Series.str.strip()的使用方法 pandas.Series.str.strip()方法的语法如下: Series.str.strip([c
详解pandas.notnull()(检测非缺失值)函数使用方法
pandas.notnull()的作用是从series或DataFrame中返回布尔值,表示每个值是否为非空/非NaN。 使用方法 对于series对象 import pandas as pd s = pd.Series([1, 2, None, 'hello']) print(pd.notnull(s)) 输出: 0 True 1 True 2 False 3 True dtype:
详解pandas.DataFrame.plot()(绘制数据框图表)函数使用方法
pandas.DataFrame.plot() 是 pandas 库中的一个绘图函数,它允许我们使用数据帧(DataFrame)中的数据绘制各种类型的图表。使用 plot 函数可以帮助我们更直观地了解数据的分布、趋势和关系。 使用方法: pandas.DataFrame.plot(kind=None, x=None, y=None, figsize=None, title=None) 参数说明: kind:可选,绘制的图表类型,如折线图
C语言百钱买百鸡(百钱百鸡,百鸡问题)
中国古代数学家张丘建在他的《算经》中提出了一个著名的“百钱买百鸡问题”,鸡翁一,值钱五,鸡母一,值钱三,鸡雏三,值钱一,百钱买百鸡,问翁、母、雏各几何? 实现过程: (1) 使用 for 语句对 3 种鸡的数嫌在事先确定好的范围内进行穷举并判断,对满足条件的 3 种鸡的数量按指定格式输出,否则进行下次循环。 (2) 程序代码如下: #include <stdio.h> int main() { int cock,hen,ch
MongoDB自动增长的实现
MongoDB 中没有像 SQL 中那样可以赋予某个字段自动递增的功能,默认情况下 MongoDB 的 _id 字段是系统自动生成的 12 字节的唯一标识,但是在某些情况下我们可能需要在 MongoDB 的某个字段上实现类似 SQL 中的自动递增功能。 因为 MongoDB 中没有实现这个功能,所以我们需要通过编程的方式来实现。本节中我们将通过两个集合(counters 和 tutorials)来实现自动递增功能,其中 counters 集合用来记录自动递增的数值,tutorials 集合
MongoDB正则表达式
在编程语言中,正则表达式可以使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。MongoDB 可以使用 $regex 操作符来设置匹配字符串的正则表达式,MongoDB 使用 PCRE(Perl 兼容的正则表达式)作为正则表达式语言。 与文本搜索不同,您不需要执行任何配置或命令就可以直接使用正则表达式。假设我们已经在名为 posts 的集合中插入了一个文档,如下所示: > db.posts.insert( ... { ... "post_text&q
MongoDB全文检索
从 2.4 版本开始,MongoDB 开始支持全文检索功能,全文检索就是对文本中的每个词建立索引,指明该词在文章中出现的次数和位置,当用户查询时,检索程序就根据事先建立的索引进行查找,并将查找的结果反馈给用户,整个过程类似于通过字典中的检索字表查字的过程。 目前,MongoDB 支持大约 15 种语言的全文索引,例如 danish、dutch、english、finnish、french、german、hungarian、italian、norwegian、portuguese、roman
详解pandas.str.replace()(字符串替换)函数使用方法
pandas.str.replace() 函数用于替换 Series 或 DataFrame 中的子字符串。 语法: pandas.str.replace(pat, repl, n=-1, case=None, flags=0, regex=True) 参数介绍: pat:被替换的子字符串 repl:替换 pat 的字符串 n:要替换的子字符串数量。默认值是-1,表示替换所有匹配的子字符串 case:是否区分大小写。如果为True,则区
MongoDB ObjectId
本节我们来介绍一下 MongoDB 中的 ObjectId 的组成,ObjectId 是一个 12 字节的 BSON 类型,具有以下结构: 前 4 个字节表示时间戳; 接下来的 3 个字节表示机器标识符; 紧接着的 2 个字节由进程 id(PID)组成; 最后 3 个字节是一个随机计数器的值。 MongoDB 使用 ObjectId 作为每个文档 _id 字段的默认值,而且该值可以在创建文档时自动生成。ObjectId 的复杂组合方式
详解pandas.DataFrame.sum()(计算数据框元素总和)函数使用方法
pandas.DataFrame.sum() 是 Pandas 库中的一个函数,用于计算 DataFrame 中每列和每行的总和。 函数语法 DataFrame.sum(axis=None, skipna=None, level=None, numeric_only=None, min_count=0) 参数说明 axis:指定要使用操作的轴。默认为 0,即对列进行操作;如果为 1,则对行进行操作; skipna:指定是否忽略 NaN
详解pandas.Series.str.endswith()(检测序列中的字符串结尾)函数使用方法
pandas.Series.str.endswith()方法用于检查Series中的每个元素是否以指定的后缀结尾。它返回一个布尔Series,其中True表示相应的元素以指定的后缀结尾,False表示相应的元素不以指定的后缀结尾。 下面是该方法的语法: Syntax: pandas.Series.str.endswith(suffix, na=None) 参数: suffix:要检查的后缀(可以是字符串或字符串列表)。 na:(可