分享7 个用 Python 开发成的数据库
基本用法fromgadflyimportgadfly#创建或连接到一个数据库connection=gadfly('mydb','mydb_directory')#获取游标cursor=connection.cursor()#创建表cursor.execute('CREATETABLEpeople(nameVARCHAR,ageINTEGER)')#插入数据cursor.execute('INSERTINTOpeople(name,age)VALUES('JohnDoe',3...
Python自带超好用的counter计数器
1.most_common(n)找出重复次数最多的前n个。结果如下:2.key和value用于获取Collections键和键值的集合。c=Counter("chinese")c.keys()c.values()结果如下:当然,我们也可以使用dict()函数将collection中的内容转化为字典,或使用list()函数将collection中的键转化为list,这里不再赘述。Crossin的...
Pandas中使用pivot_table函数进行高级数据汇总
pivot_table生成的结果是一个DataFrame,我们可以使用query方法进行进一步的数据筛选:result=pd.pivot_table(df,values=['销量','价格'],index=['日期','城市'],columns='产品',aggfunc='sum')filtered_result=result.query('城市=="北京"')print(filtered_result)输出结果:价格销量产品ABAB...
values在Python中的用法探秘:字典值操作的全面解析
当我们需要遍历字典中的所有值时,可以使用values方法。例如,假设我们有一个存储学生分数的字典,我们可以使用sorted函数对字典的values()进行排序输出。我们可以利用条件判断来实现对字典values()的筛选。此外,values方法还可以与其他字典方法或Python内置函数结合使用,实现更复杂的字典值操作。注意事项然而,在使用val...
【中金 · 固收+】风格轮动:规律、策略与Python实现
forvindictPairs.values():lstCodes+=v_,dfPct=w.wsd(",".join(lstCodes),"Close",dayOffset(start,-max(lstDay)-1),end,usedf=True)dfRet=pd.DataFrame(index=dfPct.index)forninlstDay:fork,vindictPairs.items():dfPctRolling=dfPct.rolling(n)...
【中金固收·固收+】久期测算的探索:细节处理与Python实践
1、获取基金净值和债券指数的数据:为了缓解“锯齿净值”的问题,我们对这些数据的涨跌幅都做了滚动窗口加总(即过去n日加总)(www.e993.com)2024年11月6日。在考虑滚动窗口时,我们观察了数据的稳定性,并最终选择8日。为方便调用,我们在程序实现时,先把这些数据(连同后面的计算公式)都封装进fundDuration类中,程序逻辑如下:...
Python数据分析实战:用Pandas 处理时间序列
重要的是想展示一个pivot_table的用法。我们采用pivot_table,将时间列设为index,将观察对象列设为value,aggfuc采用mean。这样我们就消除了重复项,确保时间列的每个值是唯一的。之后我们用sort_values进行重新排序,并且设置时间列为index(索引)。df_1=pd.pivot_table(data=df_1,values='PJME_MW',index=...
手把手教你用 Python 实现针对时间序列预测的特征选择
本例中,我们将下载后的数据集保存为car-sales.csv文件,同时删去了文件中的脚注信息。基于Pandas库加载该数据集的代码如下,我们将数据保存为一个Series对象:#lineplotoftimeseriesfrompandasimportSeriesfrommatplotlibimportpyplot...
10个用于可解释AI的Python库
ELI5是一个Python包,它可以帮助调试机器学习分类器并解释它们的预测。它提供了以下机器学习框架和包的支持:scikit-learn:ELI5可以解释scikit-learn线性分类器和回归器的权重和预测,可以将决策树打印为文本或SVG,显示特征的重要性,并解释决策树和基于树集成的预测。ELI5还可以理解scikit-learn中的文本处理程序,并相应地...
利用Python 预测英雄联盟胜负,分析了 5 万多场比赛才得出的数据!
#饼图trace0=go.Pie(labels=df['winner'].value_counts().index,values=df['winner'].value_counts().values,hole=0.5,opacity=0.9,marker=dict(line=dict(color='white',width=1.3)))layout=go.Layout(title='目标变量winner分布')