MongoDB高级索引

假如在 users 集合中插入以下文档： > db.users.insert( ... { ... "address": { ... "city": "Hebei", ... "country": "China", ... "postcode": "000000" ... }, ... "tags": [ ..

详解pandas.DataFrame.describe()（计算数据框统计信息）函数使用方法

pandas.DataFrame.describe()的作用 pandas.DataFrame.describe()函数用于生成数据集的统计描述。它返回给定数据集的主要统计量，例如平均值、标准差、最小值、最大值和四分位数等。该函数的输出格式是一个数据帧（DataFrame），它显示了每个统计量的值以及数据集中的样本数。 使用方法 pandas.DataFrame.describe()函数可以应用于数据帧（DataFrame）或数据系列（S

MongoDB原子操作

维护原子性的推荐方法是保留所有相关信息，并将这些信息使用嵌入式文档的形式更新到文档中，这将确保单个文档的所有更新都是原子的。假设我们已经创建了一个名为 productDetails 的集合，并在其中插入了一个文档，如下所示： > db.productDetails.insert( ... { ... "product_name": "Samsung S3", ... "category": "mobiles&

详解pandas.DataFrame.drop_duplicates()（删除重复行）函数使用方法

pandas.DataFrame.drop_duplicates() 是 pandas 中常用的数据清洗方法，用于从 DataFrame 中删除重复行。 具体作用是去除 DataFrame 中重复的行，并返回去除后的新 DataFrame。同时，它还可以指定哪些列用于判断重复行，以及判断重复行时的行为。 使用方法： pandas.DataFrame.drop_duplicates(subset=None, keep='first

MongoDB $explain与$hint：查询分析

查询分析是衡量数据库和索引设计有效性的一个非常重要的方式。下面我们来介绍一下比较常用的 $explain 和 $hint 查询。 $explain $explain 运算符提供了有关查询、索引使用以及查询统计的相关信息，这在索引优化方面非常有用。《MongoDB覆盖索引查询》一节中我们已经使用以下代码在 users 集合中的 gender 和 name 字段上的创建了索引： > db.users.createIndex({gender:1, name:1}) {

详解pandas.DataFrame.groupby()（按列分组）函数使用方法

pandas.DataFrame.groupby()是pandas中用于分组聚合数据的方法。具体来说，它可以按照某些列的值将数据分组，并对每个分组进行聚合操作，如求和、平均、计数等。 使用方法： pandas.DataFrame.groupby()的基本语法为： df.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeez

详解pandas.replace()（替换数值）函数使用方法

pandas.replace() 函数的作用是将 DataFrame 或 Series 中的某一列或多列中的指定值替换为其他值或空值。其常用在数据清洗或转换的过程中。 pandas.replace() 的常用参数： to_replace：要替换的值，可以是单个值、多个值、字典或正则表达式 value：用来替换 to_replace 的值 inplace：是否在原 DataFrame 上进行修改，默认为 False limit：限制替换的

详解pandas.DataFrame.merge()（合并数据框）函数使用方法

pandas.DataFrame.merge()函数用于将两个DataFrame按照指定的一些键进行合并。可以实现类似于SQL中的join操作，将两个表按照某些键进行关联，并将它们合并为一个新的表。 语法格式为： pd.merge(left,right,how,on,left_on,right_on,left_index,suffixes) 参数说明： left：要合并的左侧DataFrame。 right：要合并的右侧DataF

详解pandas.dropna()（删除缺失值）函数使用方法

Pandas是一种非常流行的Python数据处理库，其中的dropna()是一个常用的功能，它可以删除包含缺失数据的行或列。这个函数的详细作用和使用方法，可以通过以下攻略来了解。 作用 当处理数据时，常常会遇到缺失值。这些缺失值如果不进行处理，会影响到我们的分析结果。使用dropna()可以方便地去除包含缺失值的行或列，帮助我们得到更准确的结果。 使用方法 Pandas的dropna()方法有几个参数可以配置，以下是完整的用法和说明： p

详解pandas.str.strip()（去除字符串空格）函数使用方法

pandas中的str.strip()是用于删除Series或DataFrame对象中字符串前后的空格或指定字符的方法。下面详细讲解其作用和使用方法，同时提供两个实例进行说明。 作用 在数据处理中，经常会出现字符串前后有空格的情况，使得字符串无法准确匹配。此时，就需要使用strip()方法来删除前后的空格。 同时，strip()方法还能删除前后指定的字符。对于数据处理中一些特殊字符，如"/"、"%"

详解pandas.rename()（重命名列名）函数使用方法

pandas.rename()是一个能够对DataFrame或Series的轴标签（即行或列的名称）进行修改的方法。它的语法如下： DataFrame.rename(index=None, columns=None, level=None, inplace=False, errors='ignore') 其中各参数的含义如下： index：用于指定行索引的新名称，它可以是单个名称、列表或字典形式。当axis=0时to

详解pandas.DataFrame.unstack()（将序列展开为数据框）函数使用方法

pandas.DataFrame.unstack()是一种数据结构转换函数，可以将具有多层索引的pandas DataFrame对象转换为单层DataFrame对象。它的作用是将DataFrame中的某些列作为列的索引，同时将行索引的某些级别旋转为新的列。 另外，unstack()函数还支持将多个索引级别转换为列，以及在转换时选择要使用的元素。 unstack()函数使用方法 语法： DataFrame.unstack(level=-1,

详解pandas.DataFrame.sort_values()（按值排序）函数使用方法

pandas.DataFrame.sort_values()的作用:该函数用于对数据框中的数据按照某一列或多列进行排序。 语法：pandas.DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, ignore_index=False, key=None) 参数解释： by: 排序的列名或列名的列表. axis: 0是按行排序，1是按列排序，默认是0. ascen

详解pandas.Series.str.contains()（检测序列中的字符串包含）函数使用方法

pandas.Series.str.contains()方法是pandas库中Series对象的一个字符串成员方法，用于判断一个字符串是否包含在Series对象的每个元素中，返回一个布尔型Series对象。 使用方法： Series.str.contains(self: ~FrameOrSeries, pat, case=True, flags=0, na=None, regex=True) -> ~FrameOrSeries 参数

MongoDB DBRefs：多表关联查询

在《MongoDB关系》一节中，为了在 MongoDB 中实现规范化的数据库结构，我们使用了引用式关系（也称为手动引用）的概念，在手动引用中，我们需要将被引用文档的 _id 存储在其他文档中。当文档中需要引用来自不同集合数据的情况下，我们可以使用 MongoDB 中的 DBRefs。 DBRefs 与手动引用 假如有这样一个数据库，其中有一个 users 集合，用来存储用户信息，以及其它一些集合（例如 address_home、address_office、address_mailin