网站优化需要在线学习网站开发

网站优化需要,在线学习网站开发,做网站需要买域名吗,建设一个网站的一般过程一、创建Series对象 官网链接#xff1a; https://pandas.pydata.org/docs/reference/api/pandas.Series.html data可以是类数组、可迭代、字典或者标量值 标量值#xff08;Scalar#xff09;是数据结构中最基础、不可再分的单一数据元素#xff0c;它只包含一个数值https://pandas.pydata.org/docs/reference/api/pandas.Series.htmldata可以是类数组、可迭代、字典或者标量值标量值Scalar是数据结构中最基础、不可再分的单一数据元素它只包含一个数值如数字、字符或布尔值没有方向或内部结构。1如果用字典字典的键就是行索引d{a:1,b:2,c:3}serpd.Series(datad)print(ser)2如果不用字典的键重新定义index则用重新定义的索引但结果全是NaNNote that the Index is first build with the keys from the dictionary.After this the Series is reindexed with the given Index values, hence we get all NaN as a resultd{a:1,b:2,c:3}serpd.Series(datad,index[x,y,z])print(ser)3使用数组r[1,2]serpd.Series(r,copyFalse)Qcopy False在这里什么作用官网说Due to input data type the Series has a copy of the original data even though copyFalse, so the data is unchanged.尽管copy为False不拷贝原数据不受影响copyFalse 的生效前提输入数据是 “可直接复用的同构数组”Qndarray-like数据是什么意思Andarray-like类 ndarray数据 是一个通用术语指可以被安全地转换为 NumPy 多维数组ndarray的对象其核心特征是支持被 np.asarray() 或 np.array() 函数转换为标准 ndarray且转换过程是高效、无歧义的。Q可以被转为ndarray的数据类型有哪些A一、内置基础类型注意单个字符串会被转换为0 维数组或字符数组取决于 NumPy 版本长度不一致的字符串序列如 [“a”, “abc”]会被转换为 object 类型数组存储字符串对象引用。二、内置容器类型关键字典直接转换无实际数值意义通常会用 np.array(list(dict.keys())) 或 np.array(list(dict.values())) 提取键 / 值转换。三、NumPy 及科学计算库的数组 / 类数组类型这类类型本身就是为数值计算设计的转换时高效且无数据丢失也是 Pandas 中 copyFalse 生效的核心场景。总计只要是能被 NumPy 解析为 “数据集合” 的对象都能转换为 ndarray但只有同构的数值 / 布尔序列转换后才有实际的数值计算价值Q所以用列表创建Series对象会发生什么APandas的Series底层依赖NumPy数组存储数据这是 Pandas 高效计算的基础而要将列表转换为 Series必须先把列表中的元素提取出来构建一个新的 NumPy 数组。这个列表 → NumPy 数组的转换过程是强制的无论 copy 参数如何设置都需要创建新的内存块来存储数值因此必然产生数据副本。Q数据副本A数据副本Copy 指的是在内存中创建一份与原始数据完全独立的新数据—— 副本和原数据占据不同的内存地址修改副本的内容不会影响原始数据反之亦然。与之相对的是视图View或引用视图只是对原始数据的另一个 “访问窗口”共享同一块内存修改视图会直接反映到原始数据上。# 输入是列表会复制r_list[1,2]ser_listpd.Series(r_list,copyFalse)r_list[0]100print(r_list)print(ser_list)# 列表被修改Series对象不被修改ser_list.loc[0,0]修改print(r_list)# Series对象修改原列表不被修改print(ser_list)Q写不写copy用列表创建效果一样的呀不是说列表被转为numpy数组了吗copy对numpy数组是起作用的呀A效果一致因为列表转为numpy数组的过程中会创建原始列表数据的副本修改原列表不会影响 Series修改 Series 也不会影响原列表。但这并不意味着 copy 参数完全无意义而是其作用被列表到 NumPy 数组的强制转换过程覆盖了。copy对numpy数组起作用只是针对最终的 “Series 与原列表的关系” 来说这两种情况的结果是一样的Series 的数据和原列表完全独立4使用numpy数组创建Series对象# 输入是NumPy数组copyFalse生效复用内存r_npnp.array([1,2])ser_nppd.Series(r_np,copyFalse)r_np[0]100print(ser_np)# 输出0 100\n1 2原数组修改影响Series如果传入的数据不停变化想两边同步可以copyFalse(我改你也改)如果不想同步想分开copyTrue默认copy False二、numpy一了解NumPyNumerical Python是 Python 中用于科学计算的核心库专门为大规模数值数组处理和高效数学运算设计。它的核心是提供了多维数组对象ndarray并配套了大量优化的数学函数如线性代数、傅里叶变换、随机数生成等解决了 Python 原生列表在数值计算中效率低下的问题。Python 原生列表适合通用的、异构的元素存储如[1, “a”, True]但数值计算慢、内存利用率低。NumPy 的 ndarray专为同构数值数据设计是实现高效数值计算的基础也是Pandas、Matplotlib、SciPy 等数据分析库的底层依赖。NumPy 数组ndarray的连续存储指的是数组的元素在内存中占据一块连续的、固定大小的内存区域这是它与 Python 原生列表最核心的区别之一。二对比Python 的列表list是异构可变容器其存储方式是“引用存储”也叫 “指针存储”列表本身只存储一系列指向实际元素的引用指针这些引用在内存中是连续的但实际的元素可能分散在内存的不同位置。Python 原生列表适合通用的、异构的元素存储如[1, “a”, True]但数值计算慢、内存利用率低普通数据结构列表是引用修改后原数据不一定变而 NumPy 的视图修改会影响原数据核心看修改的是‘引用指向’还是‘内存中的数值本身’”以及“是否共享同一块内存区域”具体情况具体分析三、创建DataFrame参考例子1字典创建d{col1:[1,2],col2:[3,4]}dfpd.DataFrame(datad)print(df)2根据Series对象创建serpd.Series([1,2,3],index[a,b,c])dfpd.DataFrame(dataser,index[a,c])print(df)3传入数据指定行索引列索引dfpd.DataFrame([1,2,3],index[a,b,c],columns[x])print(df)