python数据分析与应用课后题答案（Python数据分析： 初识Pandas，理解Pandas实现和原理）

本文目录

• Python数据分析： 初识Pandas，理解Pandas实现和原理
• 如何查看ros不同消息的时间戳
• 计量经济学中的mean dependent var是什么含义
• 求数据分析第二版（范金城，梅长林）习题答案

Python数据分析： 初识Pandas，理解Pandas实现和原理

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理

01 重要的前言

这段时间和一些做数据分析的同学闲聊，我发现数据分析技能入门阶段存在一个普遍性的问题，很多凭着兴趣入坑的同学，都能够很快熟悉Python基础语法，然后不约而同的一头扎进《利用Python进行数据分析》这本经典之中，硬着头皮啃完之后，好像自己什么都会了一点，然而实际操作起来既不知从何操起，又漏洞百出。

至于原因嘛，理解不够，实践不够是两条老牌的拦路虎，只能靠自己来克服。还有一个非常有意思且经常被忽视的因素——陷入举三反一的懵逼状态。

什么意思呢？假如我是个旱鸭子，想去学游泳，教练很认真的给我剖析了蛙泳的动作，扶着我的腰让我在水里划拉了5分钟，接着马上给我讲解了蝶泳，又是划拉了5分钟，然后又硬塞给我潜泳的姿势，依然是划拉5分钟。最后，教练一下子把我丢进踩不到底的泳池，给我呐喊助威。

作为一个还没入门的旱鸭子，教练倾囊授了我3种游泳技巧，让我分别实践了5分钟。这样做的结果就是我哪一种游泳技巧也没学会，只学会了喝水。当一个初学者一开始就陷入针对单个问题的多种解决方法，而每一种方法的实践又浅尝辄止，在面对具体问题时往往会手忙脚乱。

拿Pandas来说，它的多种构造方式，多种索引方式以及类似效果的多种实现方法，很容易把初学者打入举三反一的懵逼状态。所以，尽量避开这个坑也是我写Pandas基础系列的初衷，希望通过梳理和精简知识点的方式，给需要的同学一些启发。目前暂定整个基础系列分为4篇，基础篇过后便是有趣的实战篇。

下面开始进入正题（我真是太唠叨了）。

02 Pandas简介

江湖上流传着这么一句话——分析不识潘大师（PANDAS），纵是老手也枉然。

Pandas是基于Numpy的专业数据分析工具，可以灵活高效的处理各种数据集，也是我们后期分析案例的神器。它提供了两种类型的数据结构，分别是DataFrame和Series，我们可以简单粗暴的把DataFrame理解为Excel里面的一张表，而Series就是表中的某一列，后面学习和用到的所有Pandas骚操作，都是基于这些表和列进行的操作（关于Pandas和Excel的形象关系，这里推荐我的好朋友张俊红写的《对比EXCEL，轻松学习Python数据分析》)。

这里有一点需要强调，Pandas和Excel、SQL相比，只是调用和处理数据的方式变了，核心都是对源数据进行一系列的处理，在正式处理之前，更重要的是谋定而后动，明确分析的意义，理清分析思路之后再处理和分析数据，往往事半功倍。

03 创建、读取和存储

1、创建

在Pandas中我们想要构造下面这一张表应该如何操作呢？

别忘了，第一步一定是先导入我们的库——import pandas as pd

构造DataFrame最常用的方式是字典+列表，语句很简单，先是字典外括，然后依次打出每一列标题及其对应的列值（此处一定要用列表），这里列的顺序并不重要：

左边是jupyter notebook中dataframe的样子，如果对应到excel中，他就是右边表格的样子，通过改变columns,index和values的值来控制数据。

PS,如果我们在创建时不指定index，系统会自动生成从0开始的索引。

2、 读取

更多时候，我们是把相关文件数据直接读进PANDAS中进行操作，这里介绍两种非常接近的读取方式，一种是CSV格式的文件，一种是EXCEL格式（.xlsx和xls后缀）的文件。

读取csv文件：

engine是使用的分析引擎，读取csv文件一般指定python避免中文和编码造成的报错。而读取Excel文件，则是一样的味道：

非常easy，其实read_csv和read_excel还有一些参数，比如header、sep、names等，大家可以做额外了解。实践中数据源的格式一般都是比较规整的，更多情况是直接读取。

3、存储

存储起来一样非常简单粗暴且相似：

04 快速认识数据

这里以我们的案例数据为例，迅速熟悉查看N行，数据格式概览以及基础统计数据。

1、查看数据，掐头看尾

很多时候我们想要对数据内容做一个总览，用df.head()函数直接可以查看默认的前5行，与之对应，df.tail()就可以查看数据尾部的5行数据，这两个参数内可以传入一个数值来控制查看的行数，例如df.head(10)表示查看前10行数据。

2、 格式查看

df.info()帮助我们一步摸清各列数据的类型，以及缺失情况：

从上面直接可以知道数据集的行列数，数据集的大小，每一列的数据类型，以及有多少条非空数据。

3、统计信息概览

快速计算数值型数据的关键统计指标，像平均数、中位数、标准差等等。

我们本来有5列数据，为什么返回结果只有两列？那是因为这个操作只针对数值型的列。其中count是统计每一列的有多少个非空数值，mean、std、min、max对应的分别是该列的均值、标准差、最小值和最大值，25%、50%、75%对应的则是分位数。

05 列的基本处理方式

这里，我们采用SQL四大法宝的逻辑来简单梳理针对列的基本处理方式——增、删、选、改。

温馨提示：使用Pandas时，尽量避免用行或者EXCEL操作单元格的思维来处理数据，要逐渐养成一种列向思维，每一列是同宗同源，处理起来是嗖嗖的快。

1、增

增加一列，用df = 新列值的形式，在原数据基础上赋值即可：

2、删：

我们用drop函数制定删除对应的列，axis = 1表示针对列的操作，inplace为True，则直接在源数据上进行修改，否则源数据会保持原样。

3、选：

想要选取某一列怎么办？df即可：

选取多列呢？需要用列表来传递：df

4、 改：

好事多磨，复杂的针对特定条件和行列的筛选、修改，放在后面结合案例细讲，这里只讲一下最简单的更改：df = 某个值或者某列值，就完成了对原列数值的修改。

06 常用数据类型及操作

1、字符串

字符串类型是最常用的格式之一了，Pandas中字符串的操作和原生字符串操作几乎一毛一样，唯一不同的是需要在操作前加上".str"。

小Z温馨提示：我们最初用df2.info()查看数据类型时，非数值型的列都返回的是object格式，和str类型深层机制上的区别就不展开了，在常规实际应用中，我们可以先理解为object对应的就是str格式，int64对应的就是int格式，float64对应的就是float格式即可。

在案例数据中，我们发现来源明细那一列，可能是系统导出的历史遗留问题，每一个字符串前面都有一个“-”符号，又丑又无用，所以把他给拿掉：

一般来说清洗之后的列是要替换掉原来列的：

2、 数值型

数值型数据，常见的操作是计算，分为与单个值的运算，长度相等列的运算。

以案例数据为例，源数据访客数我们是知道的，现在想把所有渠道的访客都加上10000，怎么操作呢？

只需要选中访客数所在列，然后加上10000即可，pandas自动将10000和每一行数值相加，针对单个值的其他运算（减乘除）也是如此。

列之间的运算语句也非常简洁。源数据是包含了访客数、转化率和客单价，而实际工作中我们对每个渠道贡献的销售额更感兴趣。（销售额 = 访客数 X 转化率 X 客单价）

对应操作语句：df

但为什么疯狂报错？

导致报错的原因，是数值型数据和非数值型数据相互计算导致的。PANDAS把带“%”符号的转化率识别成字符串类型，我们需要先拿掉百分号，再将这一列转化为浮点型数据：

要注意的是，这样操作，把9.98%变成了9.98，所以我们还需要让支付转化率除以100，来还原百分数的真实数值：

然后，再用三个指标相乘计算销售额：

3、时间类型

PANDAS中时间序列相关的水非常深，这里只对日常中最基础的时间格式进行讲解，对时间序列感兴趣的同学可以自行查阅相关资料，深入了解。

以案例数据为例，我们这些渠道数据，是在2019年8月2日提取的，后面可能涉及到其他日期的渠道数据，所以需要加一列时间予以区分，在EXCEL中常用的时间格式是’2019-8-3’或者’2019/8/3’，我们用PANDAS来实现一下：

在实际业务中，一些时候PANDAS会把文件中日期格式的字段读取为字符串格式，这里我们先把字符串’2019-8-3’赋值给新增的日期列，然后用to_datetime()函数将字符串类型转换成时间格式：

转换成时间格式（这里是datetime64）之后，我们可以用处理时间的思路高效处理这些数据，比如，我现在想知道提取数据这一天离年末还有多少天（‘2019-12-31’），直接做减法（该函数接受时间格式的字符串序列，也接受单个字符串）：

如何查看ros不同消息的时间戳

要查看ROS不同消息的时间戳，可以使用ROS的rostopic命令行工具。具体步骤如下：
1. 首先，在终端窗口中输入命令`rostopic list`，可以列出当前ROS系统中所有的话题。
2. 选择一个话题进行查看，比如`/camera/image_raw`话题，输入命令`rostopic echo /camera/image_raw`，可以实时显示该话题的消息内容。
3. 在显示的消息内容中，可以看到消息的时间戳，它是以秒为单位的浮点数，表示自1970年1月1日00:00:00以来经过的时间。
4. 如果想查看更多的消息信息，可以使用ROS的可视化工具RViz。打开RViz后，选择“Add”-》“By topic”，选择需要查看的话题，就可以在界面上显示该话题的消息内容和时间戳信息。
原因是，ROS是一个分布式的消息传递系统，各个节点之间通过发布和订阅话题进行通信。在ROS中，消息的时间戳是非常重要的信息，它可以用来对不同节点之间的数据进行同步，确保数据的正确性和一致性。因此，查看ROS不同消息的时间戳是非常必要和重要的。此外，在实际的ROS应用中，还可以根据时间戳对消息进行过滤、合并和同步等操作，以实现更复杂的功能。

计量经济学中的mean dependent var是什么含义

Mean dependent var表示被解释变量的均值。

S.D dependent var 表示被解释变量的标准差=the root of 。

在解释变量中含有当期的内生变量的多方程模型称为“联立方程模型”。在联立方程模型中，变量分为两类：

一类是作为被解释变量的内生变量，即其数值是在所设定的经济系统的模型内决定的。内生变量是对模型进行求解所要获得的结果。

另一类是作为解释变量的前定变量，即其数值在模型求解之前已事先给定。前定变量包括外生变量和内生变量的滞后变量。外生变量是其数值在所设定的经济系统的模型之外来决定的变量，滞后变量是某个变量的时间滞后量。

在上述模型中，假如变量X不取当期值而取其前期值，因居民个人可支配收入的前期值对当期的商品需求量有滞后的影响，则居民个人可支配收入的前期值称为“滞后变量”。

在经济模型中，外生变量又可分为政策变量和非政策变量。政策变量又称“可控外生变量”，是指可由决策者控制的外生变量；非政策变量又称“非可控外生变量”，是指决策者难以控制或不能控制的外生变量。

扩展资料：

总体而言，计量经济学与传统的计量经济学科书相比，我们尝试了以下创新：

1.力求严谨，兼顾通俗。计量经济学作为一门专门专的方法论课程，使用了大量的数学工具。本教材对重要公式都附有必要的推导，既是为了保持教材内容的严谨性，也是为了对学生进行必要的基础训练。

2.强化基础，适当提高。计量经济学是最近几十年发展最快的经济学科之一，作为普通高校本科教科书，本教材无法做到面面俱到，包含计量经济学研究的全部内容。本教材把重点放在对经典计量经济模型等基础内容的讲授上；

同时考虑到目前学科迅速发展的实际情况，也介绍了诸如时间序列模型、协整分析、约化建模理论等比较高深的内容，兼顾了普及和提高两个方面。

3.结合案例，突出应用。作为一门工具学科，应用是计量经济学直接的和最终的目的。所以，本教材在编写中应用了大量实际的经济案例。同时，尽量将经济建模方法的介绍与计算机软件结合起来，训练读者的动手动力。

求数据分析第二版（范金城，梅长林）习题答案

第一题：

第二题：

扩展资料

这部分内容主要考察的是数据分析的知识点：

用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

分析方法：

1、列表法

将数据按一定规律用列表方式表达出来，是记录和处理最常用的方法。表格的设计要求对应关系清楚，简单明了，有利于发现相关量之间的相关关系；此外还要求在标题栏中注明各个量的名称、符号、数量级和单位等：根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。

2、作图法

作图法可以最醒目地表达各个物理量间的变化关系。从图线上可以简便求出实验需要的某些结果，还可以把某些复杂的函数关系，通过一定的变换用图形表示出来。