首次公开，用了三年的pandas速查表

　　导读：Pandas是一个强大的分析结构化数据的工具集，它的使用基础是Numpy（提供高性能的矩阵运算），用于数据挖掘和数据分析，同时也提供数据清洗功能。
　　本文收集了Python数据分析库Pandas及相关工具的日常使用方法，备查，持续更新中。
　　作者：李庆辉
　　来源：华章科技
　　缩写说明：df：任意的PandasDataFrame对象s：任意的PandasSeries对象注：有些属性方法df和s都可以使用
　　推荐资源：pandas在线教程https：www。gairuo。comppandastutorial书籍《深入浅出Pandas：利用Python进行数据处理与分析》01环境搭建https：mirrors。tuna。tsinghua。edu。cnanacondaarchivehttps：mirrors。tuna。tsinghua。edu。cnanacondaminicondahttps：docs。conda。ioenlatestminiconda。htmlexcel处理相关包xlrdopenpyxlxlsxwriter解析网页包requestslxmlhtml5libBeautifulSoup4计算包：scipypipinstalljupyterpandasmatplotlib国外网络慢，可指定国内源快速下载安装pipinstallpandasihttps：pypi。tuna。tsinghua。edu。cnsimple
　　Conda多Python版本环境：创建新环境，环境名称，python版本condacreatenpy39python3。9删除环境condaremovenpy39all进入、激活环境condaactivatepy39退出环境condadeactivate查看所有虚拟环境及当前环境condainfoe02JupyterNotebook快捷键
　　启动JupyterNotebook：jupyternotebook
　　快捷键及功能：：代码提示ShiftEnter：执行本行并定位到新增的行ShiftTab（13次）：查看函数方法说明D，D：双击D删除本行AB：向上下增加一行MY：Markdown代码模式03导入库包importpandasaspd最新为1。4。1版本（20220212）importnumpyasnpimportmatplotlib。pyplotaspltimportseabornassnsmatplotlibinline04导入数据从CSV文件导入数据pd。readcsv（file。csv，name〔列名，列名2〕）从限定分隔符的文本文件导入数据pd。readtable（filename，header0）Excel导入，指定sheet和表头pd。readexcel（file。xlsx，sheetname表1，header0）从SQL表库导入数据pd。readsql（query，connectionobject）从JSON格式的字符串导入数据pd。readjson（jsonstring）解析URL、字符串或者HTML文件，抽取其中的tables表格pd。readhtml（url）从你的粘贴板获取内容，并传给readtable（）pd。readclipboard（）从字典对象导入数据，Key是列名，Value是数据pd。DataFrame（dict）导入字符串fromioimportStringIOpd。readcsv（StringIO（webdata。text））05导出输出数据导出数据到CSV文件df。tocsv（filename。csv）导出数据到Excel文件df。toexcel（filename。xlsx，indexTrue）导出数据到SQL表df。tosql（tablename，connectionobject）以Json格式导出数据到文本文件df。tojson（filename）其他df。tohtml（）显示HTML代码df。tomarkdown（）显示markdown代码df。tostring（）显示格式化字符df。tolatex（indexFalse）LaTeXtabular，longtabledf。todict（split）字典，格式listseriesrecordsindexdf。toclipboard（sep，，indexFalse）存入系统剪贴板将两个表格输出到一个excel文件里面，导出到多个sheetwriterpd。ExcelWriter（new。xlsx）df1。toexcel（writer，sheetname第一个，indexFalse）df2。toexcel（writer，sheetname第二个，indexFalse）writer。save（）必须运行writer。save（），不然不能输出到本地写法2withpd。ExcelWriter（new。xlsx）aswriter：df1。toexcel（writer，sheetname第一个）df2。toexcel（writer，sheetname第二个）用xlsxwriter导出支持合并单元格、颜色、图表等定制功能https：xlsxwriter。readthedocs。ioworkingwithpandas。html06创建测试对象创建20行5列的随机数组成的DataFrame对象pd。DataFrame（np。random。rand（20，5））从可迭代对象mylist创建一个Series对象pd。Series（mylist）增加一个日期索引df。indexpd。daterange（1900130，periodsdf。shape〔0〕）创建随机数据集dfpd。util。testing。makeDataFrame（）创建随机日期索引数据集dfpd。util。testing。makePeriodFrame（）dfpd。util。testing。makeTimeDataFrame（）创建随机混合类型数据集dfpd。util。testing。makeMixedDataFrame（）07查看、检查、统计、属性df。head（n）查看DataFrame对象的前n行df。tail（n）查看DataFrame对象的最后n行df。sample（n）查看n个样本，随机df。shape查看行数和列数df。info（）查看索引、数据类型和内存信息df。describe（）查看数值型列的汇总统计df。dtypes查看各字段类型df。axes显示数据行和列名df。mean（）返回所有列的均值df。mean（1）返回所有行的均值，下同df。corr（）返回列与列之间的相关系数df。count（）返回每一列中的非空值的个数df。max（）返回每一列的最大值df。min（）返回每一列的最小值df。median（）返回每一列的中位数df。std（）返回每一列的标准差df。var（）方差s。mode（）众数s。prod（）连乘s。cumprod（）累积连乘，累乘df。cumsum（axis0）累积连加，累加s。nunique（）去重数量，不同值的量df。idxmax（）每列最大的值的索引名df。idxmin（）最小df。columns显示所有列名df。team。unique（）显示列中的不重复值查看Series对象的唯一值和计数，计数占比：normalizeTrues。valuecounts（dropnaFalse）查看DataFrame对象中每一列的唯一值和计数df。apply（pd。Series。valuecounts）df。duplicated（）重复行df。dropduplicates（）删除重复行setoption、resetoption、describeoption设置显示要求pd。getoption（）设置行列最大显示数量，None为不限制pd。options。display。maxrowsNonepd。options。display。maxcolumnsNonedf。col。argmin（）最大值〔最小值。argmax（）〕所在位置的自动索引df。col。idxmin（）最大值〔最小值。idxmax（）〕所在位置的定义索引累计统计ds。cumsum（）前边所有值之和ds。cumprod（）前边所有值之积ds。cummax（）前边所有值的最大值ds。cummin（）前边所有值的最小值窗口计算（滚动计算）ds。rolling（x）。sum（）依次计算相邻x个元素的和ds。rolling（x）。mean（）依次计算相邻x个元素的算术平均ds。rolling（x）。var（）依次计算相邻x个元素的方差ds。rolling（x）。std（）依次计算相邻x个元素的标准差ds。rolling（x）。min（）依次计算相邻x个元素的最小值ds。rolling（x）。max（）依次计算相邻x个元素的最大值08数据清理df。columns〔a，b，c〕重命名列名df。columnsdf。columns。str。replace（，）列名空格换下划线df。loc〔df。AAA5，〔BBB，CCC〕〕555替换数据df〔pf〕df。siteid。map（｛2：小程序，7：M站｝）将枚举换成名称pd。isnull（）检查DataFrame对象中的空值，并返回一个Boolean数组pd。notnull（）检查DataFrame对象中的非空值，并返回一个Boolean数组df。drop（〔name〕，axis1）删除列df。drop（〔0，10〕，axis0）删除行deldf〔name〕删除列df。dropna（）删除所有包含空值的行df。dropna（axis1）删除所有包含空值的列df。dropna（axis1，threshn）删除所有小于n个非空值的行df。fillna（x）用x替换DataFrame对象中所有的空值df。fillna（value｛prov：未知｝）指定列的空值替换为指定内容s。astype（float）将Series中的数据类型更改为float类型df。index。astype（datetime64〔ns〕）转化为时间格式s。replace（1，one）用‘one’代替所有等于1的值s。replace（〔1，3〕，〔one，three〕）用one代替1，用three代替3df。rename（columnslambdax：x1）批量更改列名df。rename（columns｛oldname：newname｝）选择性更改列名df。setindex（columnone）更改索引列df。rename（indexlambdax：x1）批量重命名索引重新命名表头名称df。columns〔UID，当前待打款金额，认证姓名〕df〔是否设置提现账号〕df〔状态〕复制一列df。loc〔：，：：1〕列顺序反转df。loc〔：：1〕行顺序反转，下方为重新定义索引df。loc〔：：1〕。resetindex（dropTrue）09数据处理：Filter、Sort保留小数位，四舍六入五成双df。round（2）全部df。round（｛A：1，C：2｝）指定列df〔Name〕df。Name取列名的两个方法df〔df。indexJude〕按索引查询要用。indexdf〔df〔col〕0。5〕选择col列的值大于0。5的行多条件查询df〔（df〔team〕A）（df〔Q1〕80）df。utype。isin（〔老客，老访客〕）〕筛选为空的内容df〔df。order。isnull（）〕类似SQLwhereindf〔df。team。isin（A，B）〕df〔（df。teamB）（df。Q117）〕df〔（df〔team〕A）（df〔Q1〕80）〕非，或df〔df。Name。str。contains（张）〕包含字符df。sortvalues（col1）按照列col1排序数据，默认升序排列df。col1。sortvalues（）同上，sdf。sortvalues（col2，ascendingFalse）按照列col1降序排列数据先按列col1升序排列，后按col2降序排列数据df。sortvalues（〔col1，col2〕，ascending〔True，False〕）df2pd。getdummies（df，prefixt）将枚举的那些列带枚举转到列上s。setindex（）。plot（）多索引处理dd。setindex（〔utype，siteid，pday〕，inplaceTrue）dd。sortindex（inplaceTrue）按索引排序dd。loc〔新访客，2，20190622〕。plot。barh（）loc中按顺序指定索引内容前100行，不能指定行，如：df〔100〕df〔：100〕只取指定行df1df。loc〔0：，〔设计师ID，姓名〕〕将ages平分成5个区间并指定labelsagesnp。array（〔1，5，10，40，36，12，58，62，77，89，100，18，20，25，30，32〕）pd。cut（ages，〔0，5，20，30，50，100〕，labels〔u婴儿，u青年，u中年，u壮年，u老年〕）dailyindex。difference（dfworkday。index）取出差别格式化df。index。name索引的名称strdf。columns。tolist（）df。values。tolist（）df。总人口。values。tolist（）data。apply（np。mean）对DataFrame中的每一列应用函数np。meandata。apply（np。max，axis1）对DataFrame中的每一行应用函数np。maxdf。insert（1，three，12，allowduplicatesFalse）插入列（位置、列名、〔值〕）df。pop（class）删除列增加一行df。append（pd。DataFrame（｛one：2，two：3，three：4。4｝，index〔f〕），sortTrue）指定新列iris。assign（sepalratioiris〔SepalWidth〕iris〔SepalLength〕）。head（）df。assign（ratelambdadf：df。ordersdf。uv）shift函数是对数据进行平移动的操作df〔增幅〕df〔国内生产总值〕df〔国内生产总值〕。shift（1）df。tshift（1）时间移动，按周期和上相同，diff函数是用来将数据进行移动之后与原数据差异数据，等于df。shift（）dfdf〔增幅〕df〔国内生产总值〕。diff（1）留存数据，因为最大一般为数据池df。apply（lambdax：xx。max（），axis1）取best列中值为列名的值写到name行上df〔value〕df。lookup（df〔name〕，df〔best〕）s。where（s1，10）满足条件下数据替换（10，空为NaN）s。mask（s0）留下满足条件的，其他的默认为NaN所有值加1（加减乘除等）df1df。add（1）管道方法，链式调用函数，f（df）df。pipe（f）defgb（df，by）：resultdf。copy（）resultresult。groupby（by）。sum（）returnresult调用df。pipe（gb，byteam）窗口计算2s为两秒df。rolling（2）。sum（）在窗口结果基础上的窗口计算df。expanding（2）。sum（）超出（大于、小于）的值替换成对应值df。clip（4，6）AB两列想加增加C列df〔C〕df。eval（AB）和上相同效果df。eval（CAB，inplaceTrue）数列的变化百分比s。pctchange（periods2）分位数，可实现时间的中间点df。quantile（。5）排名average，min，max，first，dense，默认averages。rank（）数据爆炸，将本列的类列表数据和其他列的数据展开铺开df。explode（A）枚举更新status｛0：未执行，1：执行中，2：执行完毕，3：执行异常｝df〔taskStatus〕df〔taskStatus〕。apply（status。get）df。assign（金额0）新增字段df。loc〔（bar，two），A〕多索引查询df。query（i0bi1b）多索引查询方法2取多索引中指定级别的所有不重复值df。index。getlevelvalues（2）。unique（）去掉为零小数，12。0012df。astype（str）。applymap（lambdax：x。replace（。00，））插入数据，在第三列加入两倍列df。insert（3，两倍，df〔值〕2）枚举转换df〔gender〕df。gender。map（｛male：男，female：女｝）增加本行之和列df〔Colsum〕df。apply（lambdax：x。sum（），axis1）对指定行进行加和collistlist（df）〔2：〕取请假范围日期df〔总天数〕df〔collist〕。sum（axis1）计算总请假天数对列求和，汇总df。loc〔colsum〕df。apply（lambdax：x。sum（））按指定的列表顺序显示df。reindex（orderlist）按指定的多列排序df。reindex（〔col1，col5〕，axiscolumns）10数据选取df〔col〕根据列名，并以Series的形式返回列df〔〔col1，col2〕〕以DataFrame形式返回多列df。loc〔df〔team〕B，〔name〕〕按条件查询，只显示name列s。iloc〔0〕按位置选取数据s。loc〔indexone〕按索引选取数据df。loc〔0，A：B〕A到B字段的第一行df。loc〔2018：1990，第一产业增加值：第三产业增加值〕df。loc〔0，〔A，B〕〕d。loc〔位置切片，字段〕df。iloc〔0，：〕返回第一行，iloc只能是数字df。iloc〔0，0〕返回第一列的第一个元素dc。query（siteid8andutype老客）。head（）可以andor迭代器及使用foridx，rowindf。iterrows（）：row〔id〕迭代器对每个元素进行处理df。loc〔i，链接〕fhttp：www。gairuo。comp｛slug｝。htmlforiindf。Name：print（i）迭代一个列按列迭代，〔列名，列中的数据序列S（索引名值）〕forlabel，contentindf。items（）：print（label，content）按行迭代，迭代出整行包括索引的类似列表的内容，可row〔2〕取forrowindf。itertuples（）：print（row）df。at〔2018，总人口〕按行列索引名取一个指定的单个元素df。iat〔1，2〕索引和列的编号取单个元素s。nlargest（5）。nsmallest（2）最大和最小的前几个值df。nlargest（3，〔population，GDP〕）df。take（〔0，3〕）指定多个行列位置的内容按行列截取掉部分内容，支持日期索引标签ds。truncate（before2，after4）将dataframe转成seriesdf。iloc〔：，0〕float（str（val）。rstrip（））百分数转数字df。resetindex（inplaceTrue）取消索引11数据处理GroupBy透视df。groupby（col）返回一个按列col进行分组的Groupby对象df。groupby（〔col1，col2〕）返回一个按多列进行分组的Groupby对象df。groupby（col1）〔col2〕返回按列col1进行分组后，列col2的均值创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表df。pivottable（indexcol1，values〔col2，col3〕，aggfuncmax，asindexFalse）同上df。pivottable（index〔siteid，utype〕，values〔uvall，registnum〕，aggfunc〔max，mean〕）df。groupby（col1）。agg（np。mean）返回按列col1分组的所有列的均值按列将其他列转行pd。melt（df，idvars〔day〕，varnamecity，valuenametemperature）交叉表是用于统计分组频率的特殊透视表pd。crosstab（df。Nationality，df。Handedness）groupby后排序，分组agg内的元素取固定个数（df〔（df。pday20190101）〕。groupby（〔pday，name〕）。agg（｛uv：sum｝）。sortvalues（〔pday，uv〕，ascending〔False，False〕）。groupby（level0）。head（5）每天取5个页面。unstack（）。plot（））合并查询经第一个看（max，min，last，size：数量）df。groupby（结算类型）。first（）合并明细并分组统计加总（max，mean，median，prod，sum，std，var，nunique），nunique为去重的列表df1df。groupby（by设计师ID）。agg（｛结算金额：sum｝）df。groupby（bydf。pf）。ip。nunique（）groupbydistinct，分组去重数df。groupby（bydf。pf）。ip。valuecounts（）groupby分组去重的值及数量df。groupby（name）。agg（〔sum，median，count〕）12数据合并合并拼接行将df2中的行添加到df1的尾部df1。append（df2）指定列合并成一个新表新列ndf（df〔提名1〕。append（df〔提名2〕，ignoreindexTrue）。append（df〔提名3〕，ignoreindexTrue））ndfpd。DataFrame（ndf，columns（〔姓名〕））将df2中的列添加到df1的尾部df。concat（〔df1，df2〕，axis1）合并文件的各行df1pd。readcsv（111。csv，sep）df2pd。readcsv（222。csv，sep）excellist〔df1，df2〕resultpd。concat（excellist）。fillna（）〔：〕。astype（str）resultpd。concat（excellist）〔〕result。toexcel（333。xlsx，indexFalse）合并指定目录下所有的excel（csv）文件importglobfilesglob。glob（datacs。xls）dflist〔〕foriinfiles：dflist。append（pd。readexcel（i，usecols〔ID，时间，名称〕））dfpd。concat（dflist）合并增加列对df1的列和df2的列执行SQL形式的joindf1。join（df2，oncol1，howinner）用key合并两个表dfallpd。merge（dfsku，dfspu，howleft，leftondfsku〔productid〕，rightondfspu〔p。productid〕）13时间处理时间序列时间索引df。indexpd。DatetimeIndex（df。index）时间只保留日期df〔date〕df〔time〕。dt。date将指定字段格式化为时间类型df〔date〕pd。todatetime（df〔时间〕）转化为北京时间df〔time〕df〔time〕。dt。tzconvert（AsiaShanghai）转为指定格式，可能会失去秒以后的精度df〔time〕df〔time〕。dt。strftime（YmdH：M：S）dc。indexpd。todatetime（dc。index，formatYmd，errorsignore）时间，参与运算pd。DateOffset（days2）当前时间pd。Timestamp。now（）pd。todatetime（today）判断时间是否当天pd。datetime。today（）。yeardf。startwork。dt。yeardf。time。astype（datetime64〔ns〕）。dt。datepd。todatetime（today）定义个天数importdatetimedayslambdax：datetime。timedelta（daysx）days（2）同上，直接用pd包装的pd。Timedelta（days2）unix时间戳pd。todatetime（ted。filmdate，unitms）按月（YMDHminS）采集合计数据df。setindex（date）。resample（M）〔quantity〕。sum（）df。setindex（date）。groupby（name）〔extprice〕。resample（M）。sum（）按天汇总，index是datetime时间类型df。groupby（bydf。index。date）。agg（｛uu：count｝）按周汇总df。groupby（bydf。index。weekday）。uu。count（）按月进行汇总df。groupby（〔name，pd。Grouper（keydate，freqM）〕）〔extprice〕。sum（）按月进行汇总df。groupby（pd。Grouper（keyday，freq1M））。sum（）按照年度，且截止到12月最后一天统计extprice的sum值df。groupby（〔name，pd。Grouper（keydate，freqADEC）〕）〔extprice〕。sum（）按月的平均重新采样df〔Close〕。resample（M）。mean（）https：pandas。pydata。orgpandasdocsstableuserguidetimeseries。htmloffsetaliases取时间范围，并取工作日rngpd。daterange（start612016，end6302016，freqB）重新定时数据频度，按一定补充方法df。asfreq（D，methodpad）时区，df。tzconvert（EuropeBerlin）df。time。tzlocalize（tzAsiaShanghai）转北京时间df〔Time〕df〔Time〕。dt。tzlocalize（UTC）。dt。tzconvert（AsiaShanghai）查看所有时区frompytzimportalltimezonesprint（alltimezones）时长，多久，两个时间间隔时间，时差df〔duration〕pd。todatetime（df〔end〕）pd。todatetime（df〔begin〕）指定时间进行对比df。Time。astype（datetime64〔ns〕）pd。todatetime（2019121120：00：00，formatYmdH：M：S）14常用备忘解决科学计数法问题dfpd。readcsv（111。csv，sep）。fillna（）〔：〕。astype（str）和订单量相关性最大到小显示dd。corr（）。totalordernum。sortvalues（ascendingFalse）解析列表、json字符串importastast。literaleval（〔｛id：7，name：Funny｝〕）SeriesapplymethodappliesafunctiontoeveryelementinaSeriesandreturnsaSeriested。ratings。apply（strtolist）。head（）lambdaisashorteralternativeted。ratings。apply（lambdax：ast。literaleval（x））anevenshorteralternativeistoapplythefunctiondirectly（withoutlambda）ted。ratings。apply（ast。literaleval）索引index使用apply（）df。index。toseries（）。apply（）15样式显示https：pbpython。comstylingpandas。htmldf〔percost〕df〔percost〕。map（｛：，。2f｝。format）显示比形式指定列表（值大于0）加背景色df。style。applymap（lambdax：backgroundcolor：greyifx0else，subsetpd。IndexSlice〔：，〔B，C〕〕）最大值最小值加背景色df。style。highlightmax（colorlightgreen）。highlightmin（colorcd4f39）df。style。format（｛：。2｝，subsetpd。IndexSlice〔：，〔B〕〕）显示百分号指定各列的样式formatdict｛sum：｛0：，。0f｝，date：｛：Ym｝，pctoftotal：｛：。2｝c：str。upper｝一次性样式设置（df。style。format（formatdict）多种样式形式。hideindex（）指定列按颜色深度表示值大小，cmap为matplotlibcolormap。backgroundgradient（subset〔sumnum〕，cmapBuGn）表格内作横向bar代表值大小。bar（colorFFA07A，vmin100000，subset〔sum〕，alignzero）表格内作横向bar代表值大小。bar（colorlightgreen，vmin0，subset〔pctoftotal〕，alignzero）下降（小于0）为红色，上升为绿色。bar（color〔ffe4e4，bbf9ce〕，vmin0，vmax1，subset〔增长率〕，alignzero）给样式表格起个名字。setcaption（2018SalesPerformance）。hideindex（））按条件给整行加背景色（样式）defbackgroundcolor（row）：ifrow。pvnum10000：return〔backgroundcolor：red〕len（row）elifrow。pvnum100：return〔backgroundcolor：yellow〕len（row）return〔〕len（row）使用df。style。apply（backgroundcolor，axis1）16表格中的直方图，sparkline图形importsparklinesimportnumpyasnpdefsparklinestr（x）：binsnp。histogram（x）〔0〕sl。join（sparklines。sparklines（bins））returnslsparklinestr。namesparkline画出趋势图，保留两位小数df。groupby（name）〔quantity，extprice〕。agg（〔mean，sparklinestr〕）。round（2）sparkline图形https：hugoworld。wordpress。com20190126sparklinesinjupyternotebooksipythonandpandasdefsparkline（data，figsize（4，0。25），kwargs）：createsasparklineTurnoffthemaxcolumnwidthsotheimageswontbetruncatedpd。setoption（display。maxcolwidth，1）Turningoffthemaxcolumnwilldisplayallthedataifgatheringintosetsarraywemightwanttorestricttoafewitemspd。setoption（display。maxseqitems，3）Monkeypatchthedataframesothesparklinesaredisplayedpd。DataFrame。reprhtmllambdaself：self。tohtml（escapeFalse）frommatplotlibimportpyplotaspltimportbase64fromioimportBytesIOdatalist（data），axplt。subplots（1，1，figsizefigsize，kwargs）ax。plot（data）ax。fillbetween（range（len（data）），data，len（data）〔min（data）〕，alpha0。1）ax。setaxisoff（）imgBytesIO（）plt。savefig（img）plt。close（）returnimgsrca2020imgdataimg。jpgdatasrcimg01。bs178。combcrhdfd2050799e69aa8。jpg。format（base64。b64encode（img。getvalue（））。decode（））使用df。groupby（name）〔quantity，extprice〕。agg（〔mean，sparkline〕）df。apply（sparkline，axis1）仅支持横向数据画线，可做T转置17可视化
　　kind：strline：lineplot（default）bar：verticalbarplotbarh：horizontalbarplothist：histogrambox：boxplotkde：KernelDensityEstimationplotdensity：sameaskdearea：areaplotpie：pieplot
　　常用方法：df88。plot。bar（yrate，figsize（20，10））图形大小，单位英寸df1〔df1。pday20190601〕。plot。bar（xpday，y〔totalordernum，orderuser〕，figsize（16，6））柱状图每条线一个站点，各站点的homeremain，stack的意思是堆叠，堆积unstack即不要堆叠（df〔（df。pday2019051）（df。utype老客）〕。groupby（〔pday，siteid〕）〔homeremain〕。sum（）。unstack（）。plot。line（））折线图，多条，x轴默认为indexdd。plot。line（xpday，y〔uvall，homeremain〕）dd。loc〔新访客，2〕。plot。scatter（xorderuser，ypaidorderuser）散点图dd。plot。bar（colorblue）柱状图，barh为横向柱状图sns。heatmap（dd。corr（））相关性可视化刻度从0开始，指定范围ylim（0，100），x轴相同s。plot。line（ylim0）折线颜色https：matplotlib。orgexamplescolornamedcolors。html样式（，，。，：）折线标记https：matplotlib。orgapimarkersapi。htmlgridTrue显示刻度etc：https：matplotlib。orgapiasgenmatplotlib。pyplot。plot。htmls。plot。line（colorgreen，linestyle，markero）两个图绘在一起〔df〔数量〕。plot。kde（），df〔数量〕。plot。hist（）〕对表中的数据按颜色可视化importseabornassnscmsns。lightpalette（green，ascmapTrue）df。style。backgroundgradient（cmapcm，axis1）将数据转化为二维数组〔iforiinzip（〔i。strftime（Ymd）foriins。index。tolist（）〕，s。tolist（））〕和plot用法一样https：hvplot。pyviz。orguserguidePlotting。htmlimporthvplot。pandas打印Sqlite建表语句print（pd。io。sql。getschema（fdf，tablename））18Jupyternotebooks问题jupyternotebooksplt图表配置importmatplotlib。pyplotaspltplt。rcParams〔figure。figsize〕（15。0，8。0）固定显示大小plt。rcParams〔font。family〕〔sansserif〕显示中文问题plt。rcParams〔font。sansserif〕〔SimHei〕显示中文问题输出单行全部变量fromIPython。core。interactiveshellimportInteractiveShellInteractiveShell。astnodeinteractivityalljupyternotebooks页面自适应宽度fromIPython。core。displayimportdisplay，HTMLdisplay（HTML（style。container｛width：100！important；｝style））背景白色stylenotebookpanel｛background：ffffff；｝stylejupyternotebooks嵌入页面内容fromIPython。displayimportIFrameIFrame（https：arxiv。orgpdf1406。2661。pdf，width800，height450）Markdown一个cell不支持多张粘贴图片一个文件打印打开只显示一张图片问题解决sitepackagesnotebookstaticnotebookjsmain。min。jsvarkey处33502、33504行keyutils。uuid（）。slice（2，6）encodeURIandParens（blob。name）；keyutils。uuid（）。slice（2，6）Object。keys（that。attachments）。length；https：github。comihnortonnotebookcommit55687c2dc08817da587977cb6f19f8cc0103bab1多行输出fromIPython。core。interactiveshellimportInteractiveShellInteractiveShell。astnodeinteractivityall默认为last执行shell命令：！命令语句在线可视化工具https：plot。lycreate19Slideshow幻灯片
　　安装RISE库：pipinstallRISE〔Altr〕播放退出播放，逗号隐藏左侧两个大操作按钮，t总览ppt，黑屏Slide：主页面，通过按左右方向键进行切换。SubSlide：副页面，通过按上下方向键进行切换。全屏Fragment：一开始是隐藏的，按空格键或方向键后显示，实现动态效果。在一个页面Skip：在幻灯片中不显示的单元。Notes：作为演讲者的备忘笔记，也不在幻灯片中显示。关于作者：李庆辉，数据产品专家，某电商公司数据产品团队负责人，擅长通过数据治理、数据分析、数据化运营提升公司的数据应用水平。
　　精通Python数据科学及PythonWeb开发，曾独立开发公司的自动化数据分析平台，参与教育部1X数据分析（Python）职业技能等级标准评审。
　　中国人工智能学会会员，企业数字化、数据产品和数据分析讲师，在个人网站盖若上编写的技术和产品教程广受欢迎。
　　延伸阅读
　　《深入浅出Pandas》
　　推荐语：这是一本全面覆盖了Pandas使用者的普遍需求和痛点的著作，基于实用、易学的原则，从功能、使用、原理等多个维度对Pandas做了全方位的详细讲解，既是初学者系统学习Pandas难得的入门书，又是有经验的Python工程师案头必不可少的查询手册。