在执行books['Date'].at[i] = start + timedelta(days=i)时会报错
unsupported type for timedelta days component: numpy.int64
最终修改为books['Date'].at[i] = start + timedelta(days=int(i))可以正常运行
# 蔓藤教育，pandas操作excel的行和列等
import pandas as pd
# 创建一个序列，在pandas中，数据帧DataFram和序列Series是最基本的数据结构
# pandas中的序列的第一种方法，由python中的字典改变而来
d = {'x': 100, 'y': 200, 'z': 300}
print(d)
s1 = pd.Series(d)
# 创建序列的第二种方法
L1 = [100, 200, 300]
L2 = ['x', 'y', 'z']
s2 = pd.Series(L1, index=L2)
#s2.to_excel('output3.xlsx', header=None)
# 序列在excel中可能是行，也可能是列,根据传递进DataFrame中序列的方法不同，在excel中呈现行或列不同
s3 = pd.Series([1, 2, 3], index=[1, 2, 3], name='A')
s4 = pd.Series([10, 20, 30], index=[1, 2, 3], name='B')
s5 = pd.Series([100, 200, 300], index=[1, 2, 3], name='C')
# 当以字典形式将序列传递进数据帧时，在excel中以列呈现
# 创建ExcelWriter对象实现向excel中不同sheet中追加写入内容，否则会被覆盖
writer = pd.ExcelWriter('output.xlsx')
df = pd.DataFrame({s3.name: s3, s4.name: s4, s5.name: s5})
#df.to_excel('output3.xlsx', sheet_name='sheet1')
df.to_excel(writer, sheet_name='字典传入为列')
# 当以列表List形式传入时，以行的形式存在
df1 = pd.DataFrame([s3, s4, s5])
#df1.to_excel('output3.xlsx', sheet_name='sheet2')
df1.to_excel(writer, sheet_name='列表传入为行')
writer.save()
import pandas as pd
笔记，不错。
不能直接贴屏？！
图片要用文件上传模式，一般。
一、涉及知识点
1、pandas读取已经存在的Excel文件
2、涉及的BIF操作：
df=pd.read_excel('F:/sdf/sdf/output.xlsx',header=None)
pd.to_excel('F:/sdf/sdf/output1.xlsx')
df.shape
df.columns
df.header(5)
df.tail(5)
二、问题点
1、读取xls文件异常（xlrd.biffh.XLRDError: Unsupported format, or corrupt file: Expected BOF record; found b'Test Tim'）
原因：源文件损坏，或者格式有问题（虽然是以.xls结尾，但实际上内容格式有问题的）
一、涉及知识点
1、Excel和pandas创建excel格式的数据源
2、数据格式有很多，常见的如下：CSV文件、数据库表格、文件格式（Excel、PDF、Word等）、HTML文件、JSON文件、文本文件、XML文件
二、遇到的问题及原因
1、pandas库找不到（AttributeError: module 'pandas' has no attribute 'DataFrame'）
原因：1）未安装pandas库
2）pycharm中解释器配置错误（项目多时需要配置虚拟环境，每个虚拟环境中挂载的库都不一样，pycharm的setting中会有默认的配置，需检查是否错误）
import pandas as pd
people=pd.dread_excle('C:/Temp/people.xlsx')
print(people.shape)
print(people.columns)
print('==================')
print(people.tail(3))
import pandas as pd
df=pd.DataFrame[{'ID':[1,2,3],'Name':['Tim','Victor','N}]
df.to_excel('C:/Temp/output.xlsx')
print('Done!')
d
饿，TIM老师的这个方程其实是可以化简的，也不是很复杂
import pandas as pd
import numpy as np
# def get_circumcircle_area(l,h):
# r = np.sqrt(l**2+h**2)/2
# return r**2*np.pi
# def get_circumcircle_area(l,h):
# return np.pi*(l**2+h**2)/4
#
# def wrapper(row):
# return get_circumcircle_area(row['Length'],row['Height'])
rects = pd.read_excel('D:/Temp/Rectangles.xlsx',index_col='ID')
rects['CA'] = rects.apply(lambda row:np.pi*(row['Length']**2+row['Height']**2)/4,axis=1)
print(rects)
这样的话一行就可以了
https://www.jianshu.com/p/2d49cb87626b
对于group详细的解析
字符串前加f是用于格式化字符串的，
print(f'#{row.ID}student{row.Name}has an invalid score{row.Score}.')
就相当于
print('# %d student{row.Name}has an invalid score %s.' % (row.ID,row.Score))
具体上网搜一下python 字符串格式化的三种方法就好了
students['2017'].sort_values(ascending=True).plot.pie(fontsize=6,startangle=-270)
可以用在乱序的情况
老师资料里matplotlib里面的代码应该用的不是同一个文件了，要改一下
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
students = pd.read_excel('D:/Temp/Students10.xlsx')
students.sort_values(by='2017', inplace=True, ascending=False)
students.index = range(0, len(students))
print(students)
bar_width = 0.7
x_pos = np.arange(len(students) * 2, step=2)
plt.bar(x_pos, students['2016'], color='orange', width=bar_width)
plt.bar(x_pos + bar_width, students['2017'], color='red', width=bar_width)
plt.xticks(x_pos + bar_width / 2, students['Field'], rotation='90')
plt.title('International Student by Field', fontsize=16)
plt.xlabel('Field')
plt.ylabel('Number')
plt.tight_layout()
plt.show()
matplotlib感觉和matlab很像
products
def age_18_to_30(a):
return 18<=a<=30
def level_a(s):
return 85<=s<=100
students=pd.read_excel('C:/temp/students.xlsx',index_col='ID')
students.loc[students['Age'].apply(age_18_to_30)].loc[students['Score'].apply(level_a)]
任务13：绘制折线趋势图、叠加区域图
!!!!本课下载下来的excel附件名字是Order.xlsx. 编辑代码时注意修改！！！
本课代码：
import pandas as pd
import matplotlib.pyplot as plt
weeks = pd.read_excel('C:/Temp/Orders.xlsx', index_col='Week')
print(weeks)
print(weeks.columns)
#weeks.plot.area(y=['Accessories', 'Bikes', 'Clothing', 'Components', 'Grand Total'])
weeks.plot.bar(y=['Accessories', 'Bikes', 'Clothing', 'Components', 'Grand Total'], stacked=True)
plt.title('Sales Weekly Trend', fontsize=16, fontweight='bold')
plt.ylabel('Total', fontsize=12, fontweight='bold')
plt.xticks(weeks.index, fontsize=8)
plt.show()
打印结果：
Accessories Bikes ... Components Grand Total
Week ...
1 9939.465500 2.258337e+06 ... 7.872110e+04 2.356639e+06
2 12626.660000 6.005350e+05 ... 0.000000e+00 6.204234e+05
3 14414.950000 5.547708e+05 ... 0.000000e+00 5.759616e+05
4 12924.580000 5.892557e+05 ... 0.000000e+00 6.083717e+05
5 40443.498516 5.749222e+06 ... 4.709014e+05 6.360041e+06
6 13735.460000 5.539423e+05 ... 0.000000e+00 5.753385e+05
7 13588.800000 6.053847e+05 ... 0.000000e+00 6.247596e+05
8 13997.810000 5.320056e+05 ... 0.000000e+00 5.526938e+05
9 52392.263204 4.701389e+06 ... 6.852023e+05 5.567191e+06
10 14276.640000 5.815496e+05 ... 0.000000e+00 6.037474e+05
11 13584.320000 6.169319e+05 ... 0.000000e+00 6.372021e+05
12 14128.770000 5.985606e+05 ... 0.000000e+00 6.204505e+05
13 34372.148628 5.154563e+06 ... 6.173474e+05 5.899177e+06
14 58097.712659 3.361458e+06 ... 5.296900e+05 4.041540e+06
15 16287.020000 6.655744e+05 ... 0.000000e+00 6.894546e+05
16 15990.960000 6.749113e+05 ... 0.000000e+00 6.991723e+05
17 15120.710000 6.581411e+05 ... 0.000000e+00 6.795171e+05
18 67753.596201 5.739679e+06 ... 1.091392e+06 7.059584e+06
19 15416.040000 7.537814e+05 ... 0.000000e+00 7.770648e+05
20 16113.010000 7.323520e+05 ... 0.000000e+00 7.571492e+05
21 15903.150000 7.380932e+05 ... 0.000000e+00 7.620668e+05
22 57090.139277 4.388471e+06 ... 1.137457e+06 5.746683e+06
23 11900.146000 8.310402e+05 ... 3.152596e+04 8.824418e+05
24 11336.820000 4.095025e+05 ... 0.000000e+00 4.251703e+05
25 10573.210000 4.065446e+05 ... 0.000000e+00 4.232483e+05
26 29376.532664 3.101888e+06 ... 7.994845e+05 4.039316e+06
27 72003.211677 4.932875e+06 ... 1.043760e+06 6.191153e+06
28 11621.900000 4.086479e+05 ... 0.000000e+00 4.258483e+05
29 11640.460000 4.056193e+05 ... 0.000000e+00 4.225788e+05
30 12359.920000 4.156482e+05 ... 0.000000e+00 4.325679e+05
31 81276.364307 5.475372e+06 ... 1.593068e+06 7.363333e+06
32 15208.996500 1.494933e+06 ... 1.025128e+05 1.623856e+06
33 13187.100000 3.938290e+05 ... 0.000000e+00 4.135150e+05
34 13046.980000 4.383911e+05 ... 0.000000e+00 4.571066e+05
35 50187.449516 3.732927e+06 ... 5.842441e+05 4.495606e+06
36 15063.164000 1.173016e+06 ... 6.180437e+04 1.260751e+06
37 11505.920000 4.814773e+05 ... 0.000000e+00 4.985188e+05
38 13170.670000 4.883039e+05 ... 0.000000e+00 5.066807e+05
39 11278.600000 3.675468e+05 ... 0.000000e+00 3.845985e+05
40 70170.520320 7.878476e+06 ... 1.177747e+06 9.303972e+06
41 12441.460000 4.658615e+05 ... 0.000000e+00 4.834701e+05
42 12924.950000 4.715758e+05 ... 0.000000e+00 4.907546e+05
43 13314.310000 4.931541e+05 ... 0.000000e+00 5.127108e+05
44 62745.172581 5.156642e+06 ... 9.100149e+05 6.286165e+06
45 19630.003108 2.199453e+06 ... 1.478740e+05 2.381990e+06
46 14822.180000 7.092621e+05 ... 0.000000e+00 7.304781e+05
47 13728.300000 6.623922e+05 ... 0.000000e+00 6.830832e+05
48 36075.469500 3.240381e+06 ... 2.592590e+05 3.616344e+06
49 13642.418500 1.227307e+06 ... 2.369806e+04 1.273325e+06
50 12388.980000 5.217178e+05 ... 0.000000e+00 5.419306e+05
51 12852.400000 5.264518e+05 ... 0.000000e+00 5.455141e+05
52 13085.680000 5.412245e+05 ... 0.000000e+00 5.604452e+05
53 31315.891268 4.790804e+06 ... 4.568886e+05 5.375680e+06
[53 rows x 5 columns]
Index(['Accessories', 'Bikes', 'Clothing', 'Components', 'Grand Total'], dtype='object')
Series序列类似于dictionary
生成一个序列
d={'x':100,'y':200,'z':300}#字典/键值对
print(d.keys())#所有键
print（d.values()）#所有值
print(d['x'])#具体一个值
s1=pd.Series(d)#字典转为序列
-----------------------------------
第二种创建序列方法
s1=pd.Series([100,200,300],index=['x','y','z'])
s1=pd.Series(data,index,name)#序列既不是行也不是列
s2=pd.Series(data,index,name)#序列只有加入DataFrame才能有行和列的区别，而这种区别是建立在加入时的方法不同上：两种加入法：dictonary 或者list
pd.DataFrame({s1.name:s1,s2.name:s2})#以dictonary加入当作列
pd.DataFrame([s1,s2])
pd.DataFrame(list)#以list加入当作行
index的作用：
对齐原则
有共同值则对齐，没有共同值的位置给一个NaN空
--------------------------------------
下节学习：使用Series进行快速填充
授课教师
Tim老师
课程特色
视频(30)
下载资料(25)
