一文入门Python数据分析库Pandas丨数据工匠简报

点击上方

Datartisan数据工匠

可以订阅哦！

page
1

一文入门Python数据分析库Pandas

首先要给那些不熟悉 Pandas 的人简单介绍一下，Pandas 是 Python 生态系统中最流行的数据分析库。它能够完成许多任务，包括：

• 读/写不同格式的数据

• 选择数据的子集

• 跨行/列计算

• 寻找并填写缺失的数据

• 在数据的独立组中应用操作

• 重塑数据成不同格式

• 合并多个数据集

• 先进的时序功能

• 通过 matplotlib 和 seaborn 进行可视化操作

尽管 Pandas 功能强大，但它并不为整个数据科学流程提供完整功能。Pandas 通常是被用在数据采集和存储以及数据建模和预测中间的工具，作用是数据挖掘和清理。

对于典型的数据科学家而言，Pandas 在数据管道传输过程中扮演着非常重要的角色。其中一个量化指标是通过社区讨论频率趋势（Stack Overflow trends app (https://insights.stackoverflow.com/trends)）。

扫码阅读原文

page

2

2017年10月阿曼AppStore市场应用飙升榜盘点

2017年10月，阿曼GooglePlay市场出现了哪些引人注目的飙升应用？数鸥移动出海为您盘点。

一、Apple Store

一款购买Apple产品的移动端软件，可以在手机上进行iPhone，iPad等Apple产品和配件的购买，找出哪些配件与自己的设备兼容，并查询物流。

飙升战绩：

2017年10月01日-2017年10月28日：由榜单100名开外上升至第5名

扫码阅读原文

page

3

代码优化指南：人生苦短，我用Python

前段时间，Python Files 博客发布了几篇主题为「Hunting Performance in Python Code」的系列文章，对提升 Python 代码的性能的方法进行了介绍。在其中的每一篇文章中，作者都会介绍几种可用于 Python 代码的工具和分析器，以及它们可以如何帮助你更好地在前端（Python 脚本）和/或后端（Python 解释器）中找到瓶颈。机器之心对这个系列文章进行了整理编辑，将其融合成了这一篇深度长文。本文的相关代码都已经发布在 GitHub 上。

代码地址：https://github.com/apatrascu/hunting-python-performance

第一部分请查看从环境设置到内存分析。以下是 Python 代码优化的第二部分，主要从 Python 脚本与 Python 解释器两个方面阐述。在这一部分中我们首先会关注如何追踪 Python 脚本的 CPU 使用情况，并重点讨论 cProfile、line_profiler、pprofile 和 vprof。而后一部分重点介绍了一些可用于在运行 Python 脚本时对解释器进行性能分析的工具和方法，主要讨论了 CPython 和 PyPy 等。

扫码阅读原文

更多课程和文章尽在微信号

「datartisan数据工匠」