获取必应桌面壁纸 网上冲浪的时候，发现了一个不错的必应壁纸网址： http://bing.wallpaper.pics 可以利用所学的知识，每天定时去这个网站把图片下载下来。 先定义一个URL链接对象： webpage = "https://bing.wallpaper.pics/us/20220506.html" 为了访问这个网址，需要调用urllib模块： import u…
063、获取必应桌面壁纸
062、数据的读写
数据的读写 Pandas模块能够读写很多格式的数据，如CSV、EXCEL、SQL、JSON、HTML,SAS，PICKLE等。在Pandas中，文件通常使用类似pd.read_xxx()形式的函数进行读取，并使用类似.to_xxx()形式的方法进行写入。 例如： import numpy as np import pandas as pd df = pd.DataFrame(np.random.r…
061、缺失值的处理
缺失值的处理 Pandas模块支持对有缺失值的数据进行相关处理。导入相关模块： import numpy as np import pandas as pd df = pd.DataFrame(np.random.randn(4, 5), columns=list("abcde")) DataFrame的行标记可以通过赋值修改： df.index = pd.date_range…
060、Pandas对象的索引
Pandas对象的索引 可以对Pandas中的数据对象进行索引，得到数据的一部分。DataFrame和Series对象支持很多种索引方式： import numpy as np import pandas as pd 基于中括号的索引和切片 Pandas数据对象可以使用一对中括号“[]”进行索引操作。 在Pandas中，除了数字和字符串，时间序列也可以用来当做标记。日期时间序列可以用函数pd.da…
059、二维数据结构DataFrame对象
二维数据结构DataFrame对象 DataFrame对象是一种二维带标记数据结构，不同列的数据类型可以不同。为了方便理解，可以将DataFrame对象看成一张Excel电子表格，或者是一个由多列Series对象构成的字典。 import numpy as np import pandas as pd DataFrame对象的生成 与Series类似，DataFrame对象也可以由多种类型的数据生…
058、一维数据结构Series对象
一维数据结构Series对象 Pandas模块中有两种主要的数据结构：一维数据结构Series和二维数据结构DataFrame，这两种数据结构能处理各种常见类型的数据。其中，又以二维数据结构DataFrame最为常用。 在Pandas中，一维数据结构Series可以存储任意类型的数据，包括整数、浮点数、字符串、Python 对象等。 Series对象的生成 Pandas模块与NumPy模块需要配合…
057、Pandas模块简介
Pandas模块简介 Pandas基于NumPy构建，提供了一些快速强大而又简单易用的数据结构来处理表格、数据库、时间序列、矩阵等形式的数据，是一个强大的数据分析基础模块。 Pandas提供了一些基本的数据分析功能，包括： 支持缺失值的处理。 支持数据的插入和删除。 支持与其他常用数据类型的转化。 支持对数据的索引和筛选。 支持CSV、Excel、网页、数据库类型文件的读写。 Anaconda中已…
056、线性代数模块
线性代数 numpy 和 scipy 中，负责进行线性代数部分计算的模块叫做 linalg。 import numpy as np import numpy.linalg import scipy as sp import scipy.linalg import matplotlib.pyplot as plt from scipy import linalg %matplotlib inline…
055、优化模块
优化模块 scipy.optimize是SciPy中负责优化的子模块，这里介绍其三个主要功能： 最小二乘优化和曲线拟合。 无约束的优化。 方程求根。 import numpy as np from matplotlib import pyplot as plt 多项式拟合 多项式拟合（Polynomial Curve-Fitting）用n阶多项式描述数据点(x,y)的关系。 多项式拟合的目的是找到…
054、概率统计模块
概率统计模块 SciPy中负责概率统计的模块时scipy.stats： import numpy as np from matplotlib import pyplot as plt from scipy import stats 基本统计量的计算 考虑这组身高数据： h = np.array([1.46,1.79,2.01,1.75,1.56,1.69,1.88,1.76,1.88,1.78])…