标签: wps的官网最新下载的地址是什么(wps下载电脑版网址是多少)

  • WPS office电脑版下载的地址

      在USDT交易平台上,比特币的平台软件主要分为以下几种:wps office 的官方下载的网站在哪USDT交易平台 比特币的平台软件有哪几种wps的官网最新下载的地址是什么(wps下载电脑版网址是多少)

      比特币客户端钱包软件是最常见的一种平台软件,它提供了一个本地钱包来存储和管理用户的比特币。这种软件需要在用户的设备上安装,并且数据会保存在用户的设备上。客户端钱包软件具有较高的安全性,用户拥有私钥的控制权,并且能够在本地备份和恢复钱包。常见的比特币客户端钱包软件包括Electrum、Bitcoin Core等。

      网页钱包软件是基于网页的比特币钱包,它允许用户通过在网页上访问账户来管理比特币。用户可以通过创建账户和密钥来使用该软件,但是私钥由该软件管理,因此用户需要信任该平台的安全性。网页钱包软件具有易于使用和便捷的特点,用户可以随时随地使用比特币,无需安装任何软件。常见的网页钱包软件包括Blockchain、Coinbase等。

      移动钱包软件是为移动设备设计的比特币钱包应用程序。用户可以在智能手机或平板电脑上安装和使用这些应用程序。移动钱包软件通常具有简洁的界面和便捷的操作方式,可以在任何地方随时使用比特币进行交易。私钥由用户控制,可以随时备份和恢复。常见的移动钱包软件包括BRD、Edge等wps的的官网最新的下载网站。

      硬件钱包软件是一种通过硬件设备来存储和管理比特币的平台软件。这种软件结合了硬件设备的安全性和比特币钱包的便捷性。用户可以将他们的比特币存储在硬件 wps office的免费版下载地方是什么设备中,并通过连接到计算机或移动设备来管理钱包。硬件钱包软件在提供安全性的同时还具有用户友好的界面和便捷的操作方式。常见的硬件钱包软件包括Ledger、Trezor等wps官网最新的下载地方在哪里。

      交易所平台软件是一种专门用于比特币交易的软件。这些平台提供了一个交易所环境,用户可以在这里买入和卖出比特币。交易所平台软件通常提供详细的市场信息、交易图表和订单簿等功能,以帮助用户做出更明智的交易决策。用户可以在交易所平台上创建账户,并将比特币存储在该账户中。常见的交易所平台软件包括Binance、Coinbase Pro等。

      总之,USDT交易平台上比特币的平台软件有客户端钱包软件、网页钱包软件、移动钱包软件、硬件钱包软件和交易所平台软件等多种类型。用户可以根据个人需求和偏好选择适合自己的平台软件进行比特币交易和管理。

  • wps的官网最新的下载网址在哪里

      DataFrame 和 Series 简介

      pandas是用于数据分析的开源Python库,可以实现数据加载、清洗、转换、统计处理、可视化等功能。

      pandas最基本的两种数据结构:

      1、DataFrame

      可以用来处理结构化数据(SQL数据表、Excel表格)可以简单理解为一张数据表(带有行标签和列标签)

      2、Series

      用来处理单列数据,也可以把DataFrame看作由Series对象组成的字典或集合可以简单理解为数据表的一行或者一列

      wps office 官方的下载网站是什么(wps官网最新怎么下载加载项)在这里插入图片描述

      数据集(csv和tsv)

      csv和tsv文件格式介绍

      csv和tsv文件都是存储一个二维表数据的文件类型。

      注意:其中csv文件每一列的列元素之间以逗号进行分割,tsv文件每一行的列元素之间以 进行分割。

      在这里插入图片描述

      加载数据集(csv和tsv)

      DataFrame 的行列标签和行列位置编号

      在这里插入图片描述

      获取DataFrame的行标签

      获取DataFrame的列标签

      可以单独设置某一列为行标签

      注意:单独设置行标签不会改变原来的DataFramewps的官网最新下载的地址是什么(wps下载电脑版网址是多少)。

      在这里插入图片描述行位置编号:从上到下,从0开始到n-1

      列位置编号:从左到右,从0开始到n-1

      DataFrame 获取指定行列的数据

      loc方法

      在这里插入图片描述

      iloc方法

      根据位置编号

      在这里插入图片描述

      [ ]方法

      在这里插入图片描述

      loc和iloc的切片操作

      在这里插入图片描述

      注意:需要确保行索引是的,否则 Pandas 无法正确处理切片操作。

      可以下列语句查询索引是否唯一:

      如果返回 False,说明索引中有重复值。

      下面有两种方法可以解决:

      重置索引。

      然后可以进行条件过滤

      去重处理

      keep=‘first’:保留第一个重复值,丢弃后续的。keep=‘last’:保留最后一个重复值,丢弃前面的。

      改用条件过滤

      series是pandas中用来存储一堆数据的容器。

      创建Series

      创建series最简单的方式是传入一个python列表

      如果传入的数据是一个统一的数字,那么最终的类型是int64如果传入的数据是统一的字符串,那么最终的类型是object如果传入的数据是混合类型,那么最终的类型是object

      创建series时,也可以通过index参数来指定行标签

      Series常用属性操作

      在这里插入图片描述

      Series常用统计方法

      在这里插入图片描述

      在这里插入图片描述

      Series 的bool索引

      series支持bool索引,可以从series获取bool索引为True的位置的对应数据。

      Series 运算

      在这里插入图片描述

      创建DataFrame

      可以用字典创建DataFrame

      在这里插入图片描述

      创建DataFrame时可以用colums参数指定列的顺序,也可以使用index参数来指定行标签

      在这里插入图片描述

      也可以使用嵌套列表创建DataFrame,并使用columns参数指定列标签,使用index参数来指定行标签

      在这里插入图片描述

      DataFrame常用属性操作

      在这里插入图片描述

      DataFrame常用统计方法

      在这里插入图片描述

      DataFrame的bool索引

      series支持bool索引,可以从series获取bool索引为True的位置的对应的行数据。

      结果:

      在这里插入图片描述

      DataFrame的运算

      在这里插入图片描述

      DataFrame行标签和列标签的操作

      重新指定行标签

      加载数据文件时,如果不指定行标签,pandas会自动加上从0开始的行标签。

      可以通过df.set_index(‘列名’)的方法重新将指定的列数据设置为行标签;也可以通过df.reset_index()来重置行标签。

      加载数据时,直接指定行标签

      加载数据后,修改行列标签

      在这里插入图片描述

      注意:直接修改的话行列标签的数量必须和原来的时一致的。

      在这里插入图片描述

      行操作

      添加行

      添加行时,会返回新的DataFrame

      修改行

      删除行时是直接对原来的DataFrame进行修改

      在这里插入图片描述

      删除行

      删除行时,会返回新的DataFrame

      列操作

      新增列/修改列

      在这里插入图片描述

      删除列

      删除列时,会返回新的DataFrame

      在这里插入图片描述

      Pickle文件

      在这里插入图片描述

      CSV文件

      在这里插入图片描述

      Excel文件

      在这里插入图片描述

      其它

      在这里插入图片描述

      feather文件

      在这里插入图片描述

      条件查询

      在这里插入图片描述

      分组聚合

      在这里插入图片描述

      在这里插入图片描述

      排序

      在这里插入图片描述

      补充:Series也可以排序,但是Series的sort_values方法没有by参数。

      nlargest 和 nsmallest 函数

      在这里插入图片描述

      基本绘图

      在动手进行数据分析工作之前,需要进行数据清理工作,数据清理的主要目标是:

      每个观测值成一行每个变量成一列每种观测单元构成一张表格

      数据整理好之后,可能需要多张表格组合到一起才能进行某些问题的分析。

      在这里插入图片描述

      行拼接:按照列标签索引对齐

      注意:行拼接时,无法对齐的列,默认值设为NaN

      Dadaframe 与 Dadaframe 行拼接

      Dadaframe 与 Series 行拼接

      在这里插入图片描述

      列拼接:按照列行签索引对齐

      注意:列拼接时,无法对齐的行,默认值设为NaN

      Dadaframe 与 Dadaframe 列拼接

      在这里插入图片描述

      Dadaframe 与 Series 列拼接

      在这里插入图片描述

      concat 方法的join函数

      concat方法的join函数:

      默认为outer:无法对齐的行列,默认填充值为NaN。设置为inner:只有能够对齐的行业,才会出现在拼接的结果中。

      在这里插入图片描述

      在这里插入图片描述

      基本格式

      merge方法类似sql中的join语句,用于两个数据集之间按照行列标签索引连接,默认时inner,可以设置为:left、right、outer。

      在这里插入图片描述

      在这里插入图片描述

      merge 示例

      从sqlite数据库中加载table数据

      基本格式

      join方法类是merge方法的一个特殊情况,被调用的数据集按照行列标签索引和另一个数据集的行标签索引关联,默认是left,可以设置为:right、inner、outer。

       wps官网最新的下载的网址怎么找 wps官网最新下载的地方是什么在这里插入图片描述

      join 示例

      在这里插入图片描述

      一般情况下优先使用merge方法。

      缺失值NaN

      在这里插入图片描述

      注意:缺失值和其它类型的数据不同,它毫无意义,NaN不等于0,也不等于空字符串,两个NaN也不相等。

      在这里插入图片描述

      加载缺失值

      缺失值查看

      使用Missingno库对缺失值的情况进行可视化探查

      安装Missingno

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      删除缺失值WPS office的官网最新下载的入口的方法

      注意:删除缺失值会损失信息,并不推荐删除,当缺失值占比较高的时候,可以尝试使用删除缺失值。

      按行删除缺失值

      在这里插入图片描述

      按列删除缺失值

      填充缺失值(非时间序列)

      使用常量进行填充

      使用统计量进行填充

      填充缺失值(时间序列)

      时间序列在某一列值的变化往往有一定线性规律,绝大多数的时序数据,具体的列值随着时间的变化而变化,所以对于有时序的行数据缺失值处理有三种方式:

      前项填充:用时间序列中空值的上一个非空值填充后项填充:用时间序列中空值的下一个非空值填充线性填充:线性插值方法

      前项填充

      在这里插入图片描述

      后项填充

      在这里插入图片描述

      线性填充

      在这里插入图片描述

      在这里插入图片描述

      wide_to_long 整理数据

      wide_to_long函数的作用是将列名起始部分相同的列进行拆解,使宽数据变换为长数据(变成多行)。

      melt 整理数据

      在这里插入图片描述

      宽数据集变成长数据集

      在这里插入图片描述

      stack 整理数据

      stack 和 unstack 简介

      pandas进行数据重排时,经常用到stack 和 unstack两个函数。stack的意思是堆叠,unstack的意思是不要堆叠。

      在这里插入图片描述

      stack函数会将数据从表格结构变成花括号结构(返回的是series类型),即将其列索引变成行索引;反之,unstack函数将数据从花括号结构变成表格结构,即将其中一层的行索引变成列索引。

      stack 功能演示

      在这里插入图片描述

      Numpy介绍

      Numpy是一个开源的Python科学计算库,用于快速处理任意维度的数组。

      ndarry比Python原生list的运算效率更高。

      在这里插入图片描述

      Numpy的ndarray

      ndarray 的 属性

      在这里插入图片描述

      ndarray 的类型

      在这里插入图片描述

      创建ndarry的时候指定类型:

      pandas 的数据类型

      pandas是基于Numpy的,很多功能都依赖于Numpy的ndarray实现的,pandas的数据类型很多与Numpy类型,属性也有很多类似。

      在这里插入图片描述

      类型转换

      astype函数

      astype方法是通过函数,把DataFrame中的任何列转换为其它dtype,可以向astype方法提供任何内置类型或numpy类型来转换列的数据类型。

      astype转换为字符串对象

      结果:出现了新的一列sex_str

      在这里插入图片描述

      to_numeric函数

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      分类数据类型 category

      category的创建

      category类型数据是由固定的且有限数量的变量组成的,比如:性别。

      在这里插入图片描述

      category的排序

      在这里插入图片描述

      我们也可以自定义数据的大小关系

      在这里插入图片描述

      我们也可以重新修改排序规则

      在这里插入图片描述

      apply函数简介

      pandas的apply()函数可以作用于Series或者整个DataFrame,功能也是自动遍历整个Series或者DataFrame,对每一个元素运行指定的函数。

      pandas提供了很多数据处理的API,但当提供的API不能满足需求的时候,需要自己编写数据处理函数,这个时候可以使用apply函数。apply函数可以接受一个自定义函数,可以将DataFrame的行或者列数据传递给自定义函数处理apply函数类似于编写一个for循环,遍历行列的每一个元素,但比使用for循环高效很多。

      Series的apply方法

      Series有一个apply方法,该方法有一个func参数,当传入一个函数后,apply方法就会把传入的函数应用于每个元素。

      apply也可以接受多参数

      DataFrame的apply方法

      DataFrame的applymap方法

      DataFrame还有一个applymap函数,applymap也有一个func参数接受一个函数,针对DataFrame每个值应用func指定的函数进行操作,分别返回的结果构成新的DataFrame对象

      注意:applymap是DataFrame,Series没有。

      apply函数的使用案例

      函数向量化

      @np.vectorize # 函数向量化

      lambda函数

      使用apply或者applymap对数据进行处理时,当条件比较简单时,没有必要创建一个函数,可以使用lambda表达式创建匿名函数。

      分组聚合简介

      在SQL中我们经常使用group by 将某个字段按照不同的取值进行分组,在pandas中也有group by 函数;分组之后,每组都会有至少1一条数据,将这些数据进一步处理返回单个值的过程就是聚合。

      比如:分组之后计算算术平均数或者分组之后计算频数,都属于聚合。

      在这里插入图片描述

      注意:方式1 只能使用pandas的内置的聚合方式,并且只能进行一种聚合;方式2和3除了能够使用pandas内置的聚合,还可以使用其它聚合方法,并且可以进行多种聚合。

      pandas内置的聚合方法

      在这里插入图片描述

      分组聚合示例

      分组transform 转换

      transform转换需要把DateFrame中的值传递给一个函数,然后由该函数“转换”数据;

      aggregate(聚合)返回单个聚合值,但transform不会减少数据量。

      分组transform 操作

      分组transform 填充缺失值

      分组transform练习:减肥比赛

      分组过滤

      使用groupby方法还可以过滤数据,调用filter方法,传入一个返回布尔值的函数,返回False的数据会被过滤掉。

      分组对象

      分组对象的基本操作

      在这里插入图片描述

      注意:sex_group 是一个DataFrameGroupBy对象,如果想查看计算过的分组,可以借助groups属性实现。

      在这里插入图片描述

      可以取出一组的全部数据

      在这里插入图片描述

      分组对象的遍历

      通过DataFrameGroupBy对象,可以遍历所有分组,相比于groupby之后使用aggregate、transform和filter,有时候使用for循环解决问题跟简单。

      在这里插入图片描述

      注意:DataFrameGroupBy对象下标索引

      分组对象的多个分组

      在这里插入图片描述

      数据透视表

      数据透视表(Pivot Table)是一种交互式的表,可以进行某些计算,如求和与计数等。所进行的计算与数据跟数据透视表中的排列有关。

      数据透视表的本质其实就是分组聚合。

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      下面我们用数据透视表来完成这个:

      在这里插入图片描述

      与分组聚合得出的结果是一致的

      Python 中的datetime 对象

      Python内置了datetime对象

      Pandas 中的datetime 对象

      pandas可以使用to_datetime 函数把数据转换成datetime类型。

      注意:date是日期对象,但显示的是object类型

      在这里插入图片描述

      在这里插入图片描述

      我们也可以在加载数据时直接转化

      在这里插入图片描述

      提取datetime的各个部分

      日期运算和Timedelta

      Ebola数据集中的Day列表示一个国家爆发Ebola疫情的天数。这一列数据可以通过日期运算重建该列。

      在这里插入图片描述

      TimedeltaIndex 对象

      在这里插入图片描述

      Date range 方法

      在这里插入图片描述

      在这里插入图片描述

      可以看到原始的Date不是连续排列的。

      在这里插入图片描述

      使用date range 方法就可以连续,缺失的数据由NaT,NaN表示。

      注意: 使用date_range函数创建日期序列时,可以传入一个参数freq,默认为D,表示日期范围内的值是逐日递增的。

      在这里插入图片描述

      案例:银行数据分析

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      案例:tesla股票数据分析

      在这里插入图片描述

      在这里插入图片描述

      案例:丹佛报警记录数据分析

      在这里插入图片描述

      在这里插入图片描述

      注意:排序后再索引效率会变高,这串代码很重要

      在这里插入图片描述

      resample要求行索引必须是日期类型

      在这里插入图片描述

      在这里插入图片描述

      所有日期都是该季度的最后一天,也可以用QS改为该季度的第一天

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      每次读取文件都需要很长时间,调用os包保存为pkl文件,提升读取速度。

      注意:KPL是Excel的一次映射 映射完之后是独立的 修改KPL只会影响KPL 等你做完操作之后需要修改后的excel 重新导出。

      第一部分:会员存量、增量分析

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      第二部分:会员增量等级分布分析

      在这里插入图片描述
    wps的官网最新下载的方法
      结果同上

      在这里插入图片描述

      第三部分:会员整体等级分布分析

      在这里插入图片描述

      结果同上

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      第四部分:线上线下增量分析

      在这里插入图片描述

      结果同上

      在这里插入图片描述

      第五部分:地区店均会员分析

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      第六部分:各地区会销比

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      第七部分:各地区会员连带率分析

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      第八部分:各地区会员复购率分析

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

      数据可视化常用库:

      Matplotlib(功能强大,代码相对复杂)

      Matplotlib是Python编程语言的开源绘图库。它是Python可视化软件包中最突出的,使用最广泛的绘图工具。Matplotlib在执行各种任务方面非常高效。可以将可视化文件导出为所有常见格式(PDF,SVG,JPG,PNG,BMP和GIF)。Matplotlib可以创建流行的可视化类型-折线图,散点图,直方图,条形图,误差图,饼图,箱形图以及更多其他类型的图,还支持3D绘图。许多Python库都是基于Matplotlib构建的,Pandas和Seaborn是在Matplotlib上构建的Matplotlib项目由John Hunter于2002年启动。Matplotlib最初是在神经生物学的博士后研究期间开始可视化癫痫患者的脑电图(ECoG)数据。 Pandas (使用简单,功能稍弱)

      Pandas的绘图功能基于Matplotlib,是对Matplotlib的二次封装Matplotlib绘图时,代码相对复杂,使用Pandas绘制基本图表相对比较简单,更加方便Pandas中常用的数据结构 series 和 dataframe 都有plot()方法,用于绘图 Seaborn (推荐使用)

      Seaborn是基于Matplotlib的图形可视化python开源库Seaborn是在Matplotlib的基础上进行了更高级的API封装,从而使得作图更加容易Seaborn的API设计偏向探索和理解数据 echarts 和 pyecharts (追求可视化效果,推荐使用)

      ECharts,是百度开源,使用 JavaScript 实现的开源可视化库,可以流畅的运行在 PC 和移动设备上,兼容当前绝大部分浏览器(IE8/9/10/11,Chrome,Firefox,Safari等),底层依赖矢量图形库 ZRender,提供直观,交互丰富,可高度个性化定制的数据可视化图表pyecharts 是一个用Python生成 Echarts 图表的类库。

      Matplotlib绘图入门

      使用 Matplotlib 绘图,首先需要导入 pyplot 模块,该模块包含一系列绘图函数的相关函数

      Matplotlib提供了两种方法来作图:状态接口和面向对象:

      状态接口

      在这里插入图片描述

      2) 状态接口

      在这里插入图片描述

      matplotlib 数据可视化案例
    wps官网下载的地址在哪里
      本案例通过 seaborn 模块中的 Anscombe 数据集说明数据可视化的重要性

      Anscombe 数据集由英国统计学家Frank Anscombe创建,数据集包含4组数据,每组数据包含两个连续变量每组数据的平均值、方差、相关性都相同,但是当它们可视化后,就会发现每组数据的模式明显不同

      在这里插入图片描述

      从数据的统计量看,变量X,Y,4个子数据集的平均值和标准差基本相同,但是平均值和标准差相同,几个数据集就完全相同么?下面绘制图形来查看一下这 4 个子数据集。

      在这里插入图片描述

      在这里插入图片描述

      使用 Matplotlib 绘制统计图

      在这里插入图片描述

      单变量绘图(直方图)

      在统计学属于中,单变量(univariate)指单个变量。

      直方图是观察单个变量最常用的方法。这些值是经过"装箱"(bin)处理的直方图会将数据分组后绘制成图来显示变量的分布状况

      在这里插入图片描述

      双变量绘图(散点图)

      双变量(bivariate)指两个变量

      散点图用于表示一个连续变量随另一个连续变量的变化所呈现的大致趋势

      在这里插入图片描述

      多变量绘图(二维平面)

      二维平面可以用来展示两个变量的数据,如果是多变量,比如添加一个性别变量,可以通过不同的颜色来表示还可以通过圆点的大小来区分变量的不同,但如果变量的大小区别不大,可能通过圆点大小来区分效果不是很好

      在这里插入图片描述

      pandas绘图

      pandas 数据可视化简介

      pandas库是Python数据分析的核心库:

      它不仅可以加载和转换数据,还可以做更多的事情:它还可以可视化pandas 绘图 API 简单易用,是 pandas 流行的重要原因之一

      pandas 单变量可视化

      单变量可视化: 包括条形图、折线图、直方图、饼图等。

      柱状图和分类数据

      柱状图是最简单最常用的可视化图表

      条形图(柱状图)非常灵活:

      高度可以代表任何东西,只要它是数字即可每个条形可以代表任何东西,只要它是一个类别即可。