Python酷库之旅-第三方库Pandas(067)

news2024/9/21 14:51:01

目录

一、用法精讲

266、pandas.Series.dt.second属性

266-1、语法

266-2、参数

266-3、功能

266-4、返回值

266-5、说明

266-6、用法

266-6-1、数据准备

266-6-2、代码示例

266-6-3、结果输出

267、pandas.Series.dt.microsecond属性

267-1、语法

267-2、参数

267-3、功能

267-4、返回值

267-5、说明

267-6、用法

267-6-1、数据准备

267-6-2、代码示例

267-6-3、结果输出

268、pandas.Series.dt.nanosecond属性

268-1、语法

268-2、参数

268-3、功能

268-4、返回值

268-5、说明

268-6、用法

268-6-1、数据准备

268-6-2、代码示例

268-6-3、结果输出

269、pandas.Series.dt.dayofweek属性

269-1、语法

269-2、参数

269-3、功能

269-4、返回值

269-5、说明

269-6、用法

269-6-1、数据准备

269-6-2、代码示例

269-6-3、结果输出

270、pandas.Series.dt.weekday属性

270-1、语法

270-2、参数

270-3、功能

270-4、返回值

270-5、说明

270-6、用法

270-6-1、数据准备

270-6-2、代码示例

270-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

266、pandas.Series.dt.second属性
266-1、语法
# 266、pandas.Series.dt.second属性
pandas.Series.dt.second
The seconds of the datetime.
266-2、参数

        无

266-3、功能

        用于从包含datetime对象的pandas系列中提取秒数。

266-4、返回值

        返回一个包含每个datetime元素的秒数部分的Series对象。

266-5、说明

        使用场景：

266-5-1、详细时间分析：需要对时间戳数据进行详细分析时，可以使用dt.second提取秒数。例如，分析每天不同秒数的分布情况。

266-5-2、时间过滤：根据秒数进行数据过滤。例如，筛选出在特定秒数发生的事件。

266-5-3、特征工程：在机器学习或数据挖掘中，将秒数作为特征之一，进行模型训练和预测。

266-5-4、性能优化：在时间序列数据处理中，提取秒数可以帮助进行更细粒度的性能分析和优化。

266-5-5、日志分析：在分析服务器日志或其他时间戳数据时，提取秒数可以帮助识别特定秒数内的访问模式或事件。

266-6、用法
266-6-1、数据准备
无
266-6-2、代码示例
# 266、pandas.Series.dt.second属性
# 266-1、详细时间分析
import pandas as pd
# 创建一个包含10个时间戳的Series，每个时间戳间隔1秒
data = pd.Series(pd.date_range("2024-01-01", periods=10, freq="s"))
# 提取秒数
seconds = data.dt.second
print("详细时间分析-秒数部分:")
print(seconds, end='\n\n')

# 266-2、时间过滤
import pandas as pd
# 创建一个包含100个时间戳的Series，每个时间戳间隔1秒
data = pd.Series(pd.date_range("2024-01-01", periods=100, freq="s"))
# 筛选出在特定秒数（例如30秒）发生的事件
filtered_data = data[data.dt.second == 30]
print("时间过滤-特定秒数的时间戳:")
print(filtered_data, end='\n\n')

# 266-3、特征工程
import pandas as pd
# 创建一个包含10个时间戳的Series，每个时间戳间隔1秒
data = pd.Series(pd.date_range("2024-01-01", periods=10, freq="s"))
# 提取秒数并作为新列加入DataFrame
data = pd.DataFrame(data, columns=['datetime'])
data['second'] = data['datetime'].dt.second
print("特征工程-添加秒数特征:")
print(data, end='\n\n')

# 266-4、性能优化
import pandas as pd
# 创建一个包含100个时间戳的Series，每个时间戳间隔1分钟
start_times = pd.Series(pd.date_range("2024-01-01 12:00:00", periods=100, freq="min"))
# 提取秒数
seconds = start_times.dt.second
# 筛选出秒数为0的时间点
zero_second_times = start_times[seconds == 0]
print("性能优化-秒数为0的时间点:")
print(zero_second_times, end='\n\n')

# 266-5、日志分析
import pandas as pd
# 创建一个包含特定时间戳的Series
log_times = pd.Series(pd.to_datetime(["2024-01-01 00:00:10", "2024-01-01 00:00:20", "2024-01-01 00:00:30"]))
# 提取秒数
log_seconds = log_times.dt.second
print("日志分析-日志时间戳的秒数部分:")
print(log_seconds)
266-6-3、结果输出
# 266、pandas.Series.dt.second属性
# 266-1、详细时间分析
# 详细时间分析-秒数部分:
# 0    0
# 1    1
# 2    2
# 3    3
# 4    4
# 5    5
# 6    6
# 7    7
# 8    8
# 9    9
# dtype: int32

# 266-2、时间过滤
# 时间过滤-特定秒数的时间戳:
# 30   2024-01-01 00:00:30
# 90   2024-01-01 00:01:30
# dtype: datetime64[ns]

# 266-3、特征工程
# 特征工程-添加秒数特征:
#              datetime  second
# 0 2024-01-01 00:00:00       0
# 1 2024-01-01 00:00:01       1
# 2 2024-01-01 00:00:02       2
# 3 2024-01-01 00:00:03       3
# 4 2024-01-01 00:00:04       4
# 5 2024-01-01 00:00:05       5
# 6 2024-01-01 00:00:06       6
# 7 2024-01-01 00:00:07       7
# 8 2024-01-01 00:00:08       8
# 9 2024-01-01 00:00:09       9

# 266-4、性能优化
# 性能优化-秒数为0的时间点:
# 0    2024-01-01 12:00:00
# 1    2024-01-01 12:01:00
# 2    2024-01-01 12:02:00
# 3    2024-01-01 12:03:00
# 4    2024-01-01 12:04:00
#              ...        
# 95   2024-01-01 13:35:00
# 96   2024-01-01 13:36:00
# 97   2024-01-01 13:37:00
# 98   2024-01-01 13:38:00
# 99   2024-01-01 13:39:00
# Length: 100, dtype: datetime64[ns]

# 266-5、日志分析
# 日志分析-日志时间戳的秒数部分:
# 0    10
# 1    20
# 2    30
# dtype: int32
267、pandas.Series.dt.microsecond属性
267-1、语法
# 267、pandas.Series.dt.microsecond属性
pandas.Series.dt.microsecond
The microseconds of the datetime.
267-2、参数

        无

267-3、功能

        用于提取时间序列数据中微秒部分的值。

267-4、返回值

        返回一个包含时间序列中每个时间戳的微秒值的Series。

267-5、说明

        无

267-6、用法
267-6-1、数据准备
无
267-6-2、代码示例
# 267、pandas.Series.dt.microsecond属性
# 267-1、提取微秒值
import pandas as pd
# 创建一个包含微秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=5, freq="333333us"))
# 提取微秒部分
microseconds = time_series.dt.microsecond
print("微秒值:")
print(microseconds, end='\n\n')

# 267-2、筛选特定微秒值的时间戳
import pandas as pd
# 创建一个包含微秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=10, freq="333333us"))
# 提取微秒部分
microseconds = time_series.dt.microsecond
# 筛选出微秒部分为333333的时间戳
filtered_time_series = time_series[microseconds == 333333]
print("微秒部分为333333的时间戳:")
print(filtered_time_series, end='\n\n')

# 267-3、添加微秒列到DataFrame
import pandas as pd
# 创建一个包含微秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=5, freq="333333us"))
# 创建DataFrame并添加微秒列
df = pd.DataFrame(time_series, columns=['datetime'])
df['microsecond'] = df['datetime'].dt.microsecond
print("添加微秒列的DataFrame:")
print(df, end='\n\n')

# 267-4、详细时间分析-微秒部分
import pandas as pd
# 创建一个包含微秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=10, freq="333333us"))
# 提取微秒部分
microseconds = time_series.dt.microsecond
print("详细时间分析-微秒部分:")
print(microseconds)
267-6-3、结果输出
# 267、pandas.Series.dt.microsecond属性
# 267-1、提取微秒值
# 微秒值:
# 0         0
# 1    333333
# 2    666666
# 3    999999
# 4    333332
# dtype: int32

# 267-2、筛选特定微秒值的时间戳
# 微秒部分为333333的时间戳:
# 1   2024-01-01 00:00:00.333333
# dtype: datetime64[ns]

# 267-3、添加微秒列到DataFrame
# 添加微秒列的DataFrame:
#                     datetime  microsecond
# 0 2024-01-01 00:00:00.000000            0
# 1 2024-01-01 00:00:00.333333       333333
# 2 2024-01-01 00:00:00.666666       666666
# 3 2024-01-01 00:00:00.999999       999999
# 4 2024-01-01 00:00:01.333332       333332

# 267-4、详细时间分析-微秒部分
# 详细时间分析-微秒部分:
# 0         0
# 1    333333
# 2    666666
# 3    999999
# 4    333332
# 5    666665
# 6    999998
# 7    333331
# 8    666664
# 9    999997
# dtype: int32
268、pandas.Series.dt.nanosecond属性
268-1、语法
# 268、pandas.Series.dt.nanosecond属性
pandas.Series.dt.nanosecond
The nanoseconds of the datetime.
268-2、参数

        无

268-3、功能

        用于提取时间序列数据中纳秒部分的值。

268-4、返回值

        返回一个包含时间序列中每个时间戳的纳秒值的Series。

268-5、说明

        无

268-6、用法
268-6-1、数据准备
无
268-6-2、代码示例
# 268、pandas.Series.dt.nanosecond属性
# 268-1、提取纳秒值
import pandas as pd
# 创建一个包含纳秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=5, freq="333333333ns"))
# 提取纳秒部分
nanoseconds = time_series.dt.nanosecond
print("纳秒值:")
print(nanoseconds, end='\n\n')

# 268-2、筛选特定纳秒值的时间戳
import pandas as pd
# 创建一个包含纳秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=10, freq="333333333ns"))
# 提取纳秒部分
nanoseconds = time_series.dt.nanosecond
# 筛选出纳秒部分为333333333的时间戳
filtered_time_series = time_series[nanoseconds == 333333333]
print("纳秒部分为333333333的时间戳:")
print(filtered_time_series, end='\n\n')

# 268-3、添加纳秒列到DataFrame
import pandas as pd
# 创建一个包含纳秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=5, freq="333333333ns"))
# 创建DataFrame并添加纳秒列
df = pd.DataFrame(time_series, columns=['datetime'])
df['nanosecond'] = df['datetime'].dt.nanosecond
print("添加纳秒列的DataFrame:")
print(df, end='\n\n')

# 268-4、详细时间分析-纳秒部分
import pandas as pd
# 创建一个包含纳秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=10, freq="333333333ns"))
# 提取纳秒部分
nanoseconds = time_series.dt.nanosecond
print("详细时间分析-纳秒部分:")
print(nanoseconds)
268-6-3、结果输出
# 268、pandas.Series.dt.nanosecond属性
# 268-1、提取纳秒值
# 纳秒值:
# 0      0
# 1    333
# 2    666
# 3    999
# 4    332
# dtype: int32

# 268-2、筛选特定纳秒值的时间戳
# 纳秒部分为333333333的时间戳:
# Series([], dtype: datetime64[ns])

# 268-3、添加纳秒列到DataFrame
# 添加纳秒列的DataFrame:
#                        datetime  nanosecond
# 0 2024-01-01 00:00:00.000000000           0
# 1 2024-01-01 00:00:00.333333333         333
# 2 2024-01-01 00:00:00.666666666         666
# 3 2024-01-01 00:00:00.999999999         999
# 4 2024-01-01 00:00:01.333333332         332

# 268-4、详细时间分析-纳秒部分
# 详细时间分析-纳秒部分:
# 0      0
# 1    333
# 2    666
# 3    999
# 4    332
# 5    665
# 6    998
# 7    331
# 8    664
# 9    997
# dtype: int32
269、pandas.Series.dt.dayofweek属性
269-1、语法
# 269、pandas.Series.dt.dayofweek属性
pandas.Series.dt.dayofweek
The day of the week with Monday=0, Sunday=6.

Return the day of the week. It is assumed the week starts on Monday, which is denoted by 0 and ends on Sunday which is denoted by 6. This method is available on both Series with datetime values (using the dt accessor) or DatetimeIndex.

Returns:
Series or Index
Containing integers indicating the day number.
269-2、参数

        无

269-3、功能

        用于获取日期时间序列中每个日期的星期几的属性，具备此功能的还有pandas.Series.dt.day_of_week属性。

269-4、返回值

        返回一个整数值，表示一周中的星期几，其中0代表星期一，6代表星期天。

269-5、说明

        使用场景：

269-5-1、工作日和周末分析：在进行销售、流量或其他业务指标的分析时，可以使用该属性来区分工作日和周末，从而更好地理解客户行为模式。

269-5-2、时间序列数据的聚合：可以根据星期几对数据进行分组，从而计算每个星期几的平均值、总和或其他统计信息。例如，分析每周的销售额变化趋势。

269-5-3、调度和排班：在员工排班或资源调度中，可以利用该属性来确定哪些日期是工作日，进而制定合理的工作安排。

269-5-4、季节性趋势分析：在一些行业(如零售、旅游等)，不同星期几的销售或用户活动可能存在显著差异，通过分析这些差异可以帮助制定更有效的营销策略。

269-5-5、数据清洗和预处理：在处理时间序列数据时，可以利用该属性筛选出特定的日期，例如只保留工作日的数据，去除周末的数据。

269-5-6、事件驱动分析：对于特定事件(如假期、促销活动等)的影响分析，可以使用星期几信息来比较这些事件在不同日期的效果。

269-6、用法
269-6-1、数据准备
无
269-6-2、代码示例
# 269、pandas.Series.dt.dayofweek属性
# 269-1、工作日和周末分析
import pandas as pd
# 创建一个包含日期的数据
data = {'date': pd.date_range(start='2024-08-01', periods=10)}
df = pd.DataFrame(data)
# 提取星期几
df['day_of_week'] = df['date'].dt.dayofweek
# 标记工作日和周末
df['is_weekend'] = df['day_of_week'] >= 5
print(df, end='\n\n')

# 269-2、时间序列数据的聚合
import pandas as pd
# 创建一个示例数据框
data = {'date': pd.date_range(start='2024-08-01', periods=30),
        'sales': range(30)}
df = pd.DataFrame(data)
# 提取星期几并进行分组
df['day_of_week'] = df['date'].dt.dayofweek
weekly_sales = df.groupby('day_of_week')['sales'].sum()
print(weekly_sales, end='\n\n')

# 269-3、调度和排班
import pandas as pd
# 创建一个包含日期的数据
data = {'date': pd.date_range(start='2024-08-01', periods=10)}
df = pd.DataFrame(data)
# 提取星期几
df['day_of_week'] = df['date'].dt.dayofweek
# 根据星期几制定排班计划
df['shift'] = df['day_of_week'].apply(lambda x: 'Morning' if x < 5 else 'Day Off')
print(df, end='\n\n')

# 269-4、季节性趋势分析
import pandas as pd
import numpy as np
# 创建一个包含日期和销售额的数据
np.random.seed(0)
data = {'date': pd.date_range(start='2024-01-01', periods=365),
        'sales': np.random.randint(100, 1000, size=365)}
df = pd.DataFrame(data)
# 提取星期几
df['day_of_week'] = df['date'].dt.dayofweek
# 计算每个星期几的平均销售额
weekly_avg_sales = df.groupby('day_of_week')['sales'].mean()
print(weekly_avg_sales, end='\n\n')

# 269-5、数据清洗和预处理
import pandas as pd
# 创建一个包含日期和数据的示例
data = {'date': pd.date_range(start='2024-01-01', periods=10),
        'value': range(10)}
df = pd.DataFrame(data)
# 提取星期几
df['day_of_week'] = df['date'].dt.dayofweek
# 只保留工作日的数据
df_weekdays = df[df['day_of_week'] < 5]
print(df_weekdays, end='\n\n')

# 269-6、事件驱动分析
import pandas as pd
# 创建一个包含日期和事件的数据
data = {'date': pd.date_range(start='2024-01-01', periods=10),
        'event': ['Promotion', 'Regular', 'Promotion', 'Regular', 'Promotion', 'Regular', 'Regular', 'Promotion', 'Regular', 'Promotion']}
df = pd.DataFrame(data)
# 提取星期几
df['day_of_week'] = df['date'].dt.dayofweek
# 按照星期几和事件类型进行聚合
event_analysis = df.groupby(['day_of_week', 'event']).size().unstack(fill_value=0)
print(event_analysis)
269-6-3、结果输出
# 269、pandas.Series.dt.dayofweek属性
# 269-1、工作日和周末分析
#         date  day_of_week  is_weekend
# 0 2024-08-01            3       False
# 1 2024-08-02            4       False
# 2 2024-08-03            5        True
# 3 2024-08-04            6        True
# 4 2024-08-05            0       False
# 5 2024-08-06            1       False
# 6 2024-08-07            2       False
# 7 2024-08-08            3       False
# 8 2024-08-09            4       False
# 9 2024-08-10            5        True

# 269-2、时间序列数据的聚合
# day_of_week
# 0    58
# 1    62
# 2    66
# 3    70
# 4    75
# 5    50
# 6    54
# Name: sales, dtype: int64

# 269-3、调度和排班
#         date  day_of_week    shift
# 0 2024-08-01            3  Morning
# 1 2024-08-02            4  Morning
# 2 2024-08-03            5  Day Off
# 3 2024-08-04            6  Day Off
# 4 2024-08-05            0  Morning
# 5 2024-08-06            1  Morning
# 6 2024-08-07            2  Morning
# 7 2024-08-08            3  Morning
# 8 2024-08-09            4  Morning
# 9 2024-08-10            5  Day Off

# 269-4、季节性趋势分析
# day_of_week
# 0    580.943396
# 1    493.384615
# 2    630.538462
# 3    484.019231
# 4    548.192308
# 5    583.346154
# 6    547.403846
# Name: sales, dtype: float64

# 269-5、数据清洗和预处理
#         date  value  day_of_week
# 0 2024-01-01      0            0
# 1 2024-01-02      1            1
# 2 2024-01-03      2            2
# 3 2024-01-04      3            3
# 4 2024-01-05      4            4
# 7 2024-01-08      7            0
# 8 2024-01-09      8            1
# 9 2024-01-10      9            2

# 269-6、事件驱动分析
# event        Promotion  Regular
# day_of_week                    
# 0                    2        0
# 1                    0        2
# 2                    2        0
# 3                    0        1
# 4                    1        0
# 5                    0        1
# 6                    0        1
270、pandas.Series.dt.weekday属性
270-1、语法
# 270、pandas.Series.dt.weekday属性
pandas.Series.dt.weekday
The day of the week with Monday=0, Sunday=6.

Return the day of the week. It is assumed the week starts on Monday, which is denoted by 0 and ends on Sunday which is denoted by 6. This method is available on both Series with datetime values (using the dt accessor) or DatetimeIndex.

Returns:
Series or Index
Containing integers indicating the day number.
270-2、参数

        无

270-3、功能

        用于提取datetime对象的星期几。

270-4、返回值

        返回值是一个整数，其中0表示星期一，1表示星期二，以此类推，6表示星期日。

270-5、说明

        使用场景：

270-5-1、数据分析：在进行数据分析时，了解某些事件发生的星期几可以帮助识别趋势。例如，某些销售数据可能在周末更高，而其他业务则可能在工作日更繁忙。

270-5-2、数据可视化：在绘制图表时，可以根据星期几对数据进行分组，从而更清晰地展示不同时间段的行为模式。例如，使用条形图展示每周各天的销售额。

270-5-3、业务决策：在制定营销策略时，了解客户行为与星期几的关系可以帮助优化广告投放时间和促销活动。例如，可以在特定的日子进行促销，以吸引更多顾客。

270-5-4、调度与规划：在项目管理或人力资源调度中，可以根据工作日和休息日来安排任务或人员，确保工作效率最大化。

270-5-5、时间序列分析：在时间序列数据分析中，提取星期几信息可以作为特征之一，帮助构建更精准的预测模型。

270-5-6、事件记录与跟踪：在记录事件发生时间时，可以使用星期几来分析事件的发生频率与特定日期的关系，比如员工请假、客户投诉等。

270-6、用法
270-6-1、数据准备
无
270-6-2、代码示例
# 270、pandas.Series.dt.weekday属性
# 270-1、数据分析：识别销售趋势
import pandas as pd
# 创建示例销售数据
data = {
    'date': pd.date_range(start='2024-01-01', periods=30),
    'sales': [200, 220, 210, 230, 250, 270, 300, 320, 310, 330, 340, 350,
              360, 370, 380, 390, 400, 410, 420, 430, 440, 450, 460, 470,
              480, 490, 500, 510, 520, 530]
}
df = pd.DataFrame(data)
# 提取星期几
df['weekday'] = df['date'].dt.weekday
# 计算每天的平均销售额
average_sales_by_weekday = df.groupby('weekday')['sales'].mean()
print(average_sales_by_weekday, end='\n\n')

# 270-2、数据可视化：展示每周各天的销售额
import pandas as pd
import matplotlib.pyplot as plt
# 创建示例销售数据
data = {
    'date': pd.date_range(start='2024-01-01', periods=30),
    'sales': [200, 220, 210, 230, 250, 270, 300, 320, 310, 330, 340, 350,
              360, 370, 380, 390, 400, 410, 420, 430, 440, 450, 460, 470,
              480, 490, 500, 510, 520, 530]
}
df = pd.DataFrame(data)
df['weekday'] = df['date'].dt.weekday
# 按星期几分组并计算总销售额
total_sales_by_weekday = df.groupby('weekday')['sales'].sum()
# 绘制条形图
total_sales_by_weekday.plot(kind='bar', color='skyblue')
plt.xlabel('Weekday (0=Monday, 6=Sunday)')
plt.ylabel('Total Sales')
plt.title('Total Sales by Weekday')
plt.xticks(ticks=range(7), labels=['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'], rotation=45)
plt.show()

# 270-3、业务决策：优化广告投放时间
import pandas as pd
# 创建示例广告投放数据
data = {
    'ad_date': pd.date_range(start='2024-01-01', periods=30),
    'ad_cost': [1000, 1200, 1100, 1300, 1500, 1600, 1700, 1800, 1750, 1900,
                2000, 2100, 2200, 2300, 2400, 2500, 2600, 2700, 2800, 2900,
                3000, 3100, 3200, 3300, 3400, 3500, 3600, 3700, 3800, 3900]
}
df = pd.DataFrame(data)
# 提取星期几
df['weekday'] = df['ad_date'].dt.weekday
# 计算广告成本按星期几的总和
ad_cost_by_weekday = df.groupby('weekday')['ad_cost'].sum()
print(ad_cost_by_weekday, end='\n\n')

# 270-4、调度与规划：安排任务或人员
import pandas as pd
# 创建示例任务数据
tasks = {
    'task_date': pd.date_range(start='2024-01-01', periods=30),
    'task': ['Task {}'.format(i) for i in range(30)]
}
df = pd.DataFrame(tasks)
# 提取星期几
df['weekday'] = df['task_date'].dt.weekday
# 按星期几分配任务
tasks_by_weekday = df.groupby('weekday')['task'].count()
print(tasks_by_weekday, end='\n\n')

# 270-5、时间序列分析：构建预测模型特征
import pandas as pd
# 创建示例时间序列数据
data = {
    'date': pd.date_range(start='2024-01-01', periods=100),
    'value': range(100)
}
df = pd.DataFrame(data)
# 提取星期几作为特征
df['weekday'] = df['date'].dt.weekday
print(df.head(), end='\n\n')

# 270-6、事件记录与跟踪：分析事件发生频率
import pandas as pd
# 创建示例事件数据
events = {
    'event_date': pd.date_range(start='2024-01-01', periods=50),
    'event_type': ['Type {}'.format(i % 5) for i in range(50)]
}
df = pd.DataFrame(events)
# 提取星期几
df['weekday'] = df['event_date'].dt.weekday
# 统计每星期几的事件数量
events_by_weekday = df.groupby('weekday').size()
print(events_by_weekday)
270-6-3、结果输出
# 270、pandas.Series.dt.weekday属性
# 270-1、数据分析：识别销售趋势
# weekday
# 0    374.0
# 1    382.0
# 2    352.5
# 3    365.0
# 4    377.5
# 5    390.0
# 6    405.0
# Name: sales, dtype: float64

# 270-2、数据可视化：展示每周各天的销售额
# 见图1

# 270-3、业务决策：优化广告投放时间
# weekday
# 0    12100
# 1    12550
# 2     8900
# 3     9400
# 4     9900
# 5    10300
# 6    10700
# Name: ad_cost, dtype: int64

# 270-4、调度与规划：安排任务或人员
# weekday
# 0    5
# 1    5
# 2    4
# 3    4
# 4    4
# 5    4
# 6    4
# Name: task, dtype: int64

# 270-5、时间序列分析：构建预测模型特征
#         date  value  weekday
# 0 2024-01-01      0        0
# 1 2024-01-02      1        1
# 2 2024-01-03      2        2
# 3 2024-01-04      3        3
# 4 2024-01-05      4        4

# 270-6、事件记录与跟踪：分析事件发生频率
# weekday
# 0    8
# 1    7
# 2    7
# 3    7
# 4    7
# 5    7
# 6    7
# dtype: int64

图1：

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1983431.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

集合基础知识及练习

集合基础知识及练习

import java.util.ArrayList;public class Solution {//将字符串转化为整数public static void main(String[] args) {ArrayList<String> listnew ArrayList();list.add("aaa");list.add("aaa");list.add("bbb");list.add("ccc"…
阅读更多...
【Python】Django Web 框架

【Python】Django Web 框架

一、常用的Web开发框架 1.Django Django是一个由Python写成的开放源代码的Web应用框架。这套框架的主要目标是使开发复杂、数据库驱动的网站变得简单。Django注重组件的重用性和“可拔插性”、敏捷开发和DRY(Dont Repeat Yourself)法则 2.Flask Flask是一个微型的Python开发…
阅读更多...
音视频开发 sdl库

音视频开发 sdl库

介绍 SDL (Simple DirectMedia Layer) 是一个跨平台的开源多媒体库,它提供了底层访问多种硬件的接口,如音频、视频、输入设备等。它主要用于游戏开发,但也可用于其他类型的多媒体应用程序。下面是 SDL 的一些主要特点: 跨平台性: SDL 支持多种操作系统,包括 Windows、macOS、L…
阅读更多...
如何在linux系统上安装tomcat应用程序？

如何在linux系统上安装tomcat应用程序？

1&#xff09;首先查看安装包信息 yum info tomcat yum info tomcat 2&#xff09;安装 yum -y install tomcat yum -y install tomcat 3&#xff09;查看安装是否成功 rpm -q tomcat rpm -q tomcat 4&#xff09;如果输出一下内容则代表安装成功 tomcat-7.0.76-16.el7_9.n…
阅读更多...
新手教学系列——Redis 实现分布式锁：让系统更高效的两种策略

新手教学系列——Redis 实现分布式锁：让系统更高效的两种策略

在分布式系统中，分布式锁是一种常见的解决方案，用于确保同一资源不会被多个节点同时访问。Redis 作为一种高性能的内存数据库，提供了方便快捷的分布式锁实现方式。今天，我们将深入探讨如何使用 Redis 实现分布式锁，并且介绍两种常见的策略：占位锁和等待锁。 一、什么是分…
阅读更多...
Linux源码阅读笔记13-进程通信组件中

Linux源码阅读笔记13-进程通信组件中

架构图 代码分析 loff_t lnchannel_llseek(struct file *filp, loff_t offset, int whence) {loff_t newpos;switch(whence) {case 0:newpos offset;break;case 1:newpos filp->f_pos offset;break;case 2:return -EINVAL;}if (newpos < 0 || newpos > LNCHANNEL_…
阅读更多...
剪映国际版（CapCut） 2024 下载 安装 汉化

剪映国际版（CapCut） 2024 下载 安装 汉化

将 剪映国际版&#xff08;CapCut&#xff09; 2024 压缩包解压到本地&#xff1a; 点击蓝色字体下载压缩包 提取码 jwsg 鼠标右键 点击 CapCut 3.0.0.exe 选择 以管理员身份运行&#xff1a; 勾选 Agree with CapCut Users License Agreement & Pricacy Policy 点击 Mor…
阅读更多...
基于SSM的哈米音乐实战项目，Java课程设计作业，Java毕业设计项目，找工作前的实战项目，附部分源码以及数据库

基于SSM的哈米音乐实战项目，Java课程设计作业，Java毕业设计项目，找工作前的实战项目，附部分源码以及数据库

1、项目所需技术 java基础&#xff0c;java反射&#xff0c;泛型html&#xff0c;css&#xff0c;JavaScript&#xff0c;jquery&#xff0c;bootstrap&#xff0c;layuijstl&#xff0c;el表达式&#xff0c;jsp&#xff0c;mysql&#xff0c;jdbc&#xff0c;xml&#xff0c…
阅读更多...
HashMap及其相关知识点

HashMap及其相关知识点

一、HashMap插入与删除 通过将key转换为hashCode&#xff08;int&#xff09;&#xff0c;通过hashCode计算下标&#xff0c;int index hashCode & (length - 1)&#xff0c;从而实现插入与删除。 二、Hash冲突 Java8之前&#xff1a;通过数组链表的数据结构解决hash冲…
阅读更多...
【Java数据结构】Map和Set超详细两万字讲解（内含搜索树+哈希表）

【Java数据结构】Map和Set超详细两万字讲解（内含搜索树+哈希表）

&#x1f512;文章目录&#xff1a; 1.❤️❤️前言~&#x1f973;&#x1f389;&#x1f389;&#x1f389; 2. Map和Set的基础概念 3.Map的基础使用 4.Set的基础使用 5. TreeMap的本质——红黑树 5.1二叉搜索树的概念 5.2二叉搜索树的模拟实现 二叉搜索树——查找 二…
阅读更多...
东莞网页设计结构图

东莞网页设计结构图

东莞网页设计结构图是一个网页设计师在设计网站时使用的工具&#xff0c;用来展示网页的布局、内容结构和功能模块等信息。在设计一个网页时&#xff0c;网页设计师通常会首先制作一个网页设计结构图&#xff0c;以便更好地组织和规划网站的内容和功能。东莞网页设计结构图可以…
阅读更多...
PFA的特点及焊接方法和应用领域

PFA的特点及焊接方法和应用领域

一、PFA特点&#xff1a; 1、外观半透明&#xff0c;易观察试剂情况&#xff1b; 2、耐高低温&#xff1a;-200&#xff5e;260℃&#xff1b; 3、耐腐蚀&#xff1a;耐强酸、强碱、王水、HF和各种有机溶剂&#xff1b; 4、防污染&#xff1a;本底值低&#xff0c;金属元素…
阅读更多...
SpringBoot 整合 Spring Security 、JWT 实现认证、权限控制

SpringBoot 整合 Spring Security 、JWT 实现认证、权限控制

​ 博客主页: 南来_北往 系列专栏&#xff1a;Spring Boot实战 前言 Spring Security 和 JWT 实现认证、权限控制是一种在Web应用中保障安全的重要手段。 Spring Security是一个功能强大的身份验证和访问控制框架&#xff0c;它提供了完善的认证机制和方法级的授权功能。…
阅读更多...
手机维修--学习笔记（一）

手机维修--学习笔记（一）

最近觉得手机主板维修比较有意思&#xff0c;观看许多师傅的维修视频&#xff0c;并做笔记如下&#xff1a; 手机主板维修&#xff1a; 【手机电路板怎么修&#xff0c;师傅对着电路图一步一步讲解&#xff0c;看完受益匪浅】https://www.bilibili.com/video/BV13A411v7wL?v…
阅读更多...
梯度和反向传播

梯度和反向传播

一.梯度 在机器学习的时候都了解过了&#xff0c;梯度是一个向量&#xff0c;导数变化最快的方向 损失函数&#xff1a; 通过梯度使损失降到最 用ywxb举例也就是使用梯度来更新w的值&#xff0c;ww-学习率*梯度。大于零就减小&#xff0c;反之增大 二.反向传播 就比如搭积木…
阅读更多...
【源码+文档+调试讲解】古风生活体验交流网站

【源码+文档+调试讲解】古风生活体验交流网站

摘 要 二十一世纪我们的社会进入了信息时代&#xff0c;信息管理系统的建立&#xff0c;大大提高了人们信息化水平。传统的管理方式对时间、地点的限制太多&#xff0c;而在线管理系统刚好能满足这些需求&#xff0c;在线管理系统突破了传统管理方式的局限性。于是本文针对这一…
阅读更多...
24/8/5算法笔记 逻辑回归sigmoid

24/8/5算法笔记 逻辑回归sigmoid

今日是代码对sigmoid函数的实现和运用 #linear_model线性回归 #名字虽然叫逻辑回归&#xff0c;作用于分类 #分类&#xff1a;类别 #回归&#xff1a;预测 from sklearn.linear_model import LogisticRegression 实现函数 import numpy as np import matplotlib.pyplot as pl…
阅读更多...
Linux笔记-3（）

Linux笔记-3（）

目录 一、Linuⅸ实操篇-定时任务调度 二、Linuⅸ实操篇-Linuⅸ磁盘分区、挂载 三、Linux实操篇-网络配置 一、Linuⅸ实操篇-定时任务调度 1 crond任务调度---crontab进行定时任务的设置1.1 概述任务调度&#xff1a;是指系统在某个时间执行的特定的命令或程序。任务调度分类…
阅读更多...
【python】OpenCV—Image Colorization

【python】OpenCV—Image Colorization

文章目录 1、CIELAB 色彩空间2、作色问题定义3、Caffe 模型4、代码实现——Image5、代码实现——Video6、参考 1、CIELAB 色彩空间 Lab颜色空间&#xff0c;也称为Lab色彩空间或CIELAB色彩空间&#xff0c;是一种基于人类视觉感知特性的颜色模型。它是在1931年国际照明委员会&…
阅读更多...
渗透SQL注入

渗透SQL注入

首先打开php: Less-1: 打开浏览器输入网址&#xff0c;进入靶场&#xff1a; 输入?id1查询&#xff1a; 使用order by查询数据表的列数&#xff1a; http://127.0.0.1/sqllab/less-1/?id1 order by 4 -- ​ http://127.0.0.1/sqllab/less-1/?id1 order by 3 -- 由此可得表…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023