1. 用pandas做數據分析
這個軟體做數據分析是非常不錯的，值得信賴。
2. 怎麼用python panda 算股票市場收益率
1.收集數據，開盤價，收盤價，交易量
2.用pandas處理數據，處理缺失值
3.用股票收益率的公式帶入
說白了，pandas只是個好用的工具，方法都是一樣的，只是效率問題
有多少人工，就有多少智能
3. 怎麼利用pandas做數據分析
1.queryset是查詢集，就是傳到伺服器上的url裡面的查詢內容。Django會對查詢返回的結果集QuerySet進行緩存，這是為了提高查詢效率。也就是說，在你創建一個QuerySet對象的時候，Django並不會立即向資料庫發出查詢命令，只有在你需要用到這個QuerySet的時候才會這樣做。
2.Objects是django實現的mvc中的m，Django中的模型類都有一個objects對象，它是一個Django中定義的QuerySet類型的對象，它包含了模型對象的實例。
3.不能，因為get可能會有異常，可以用filter函數，如下
>>> Entry.objects.filter(blog__id__exact=1)# 顯示的使用__exact
>>> Entry.objects.filter(blog__id=1)# 隱含的使用__exact>>> Entry.objects.filter(blog__pk=1)# __pk 相當於 __id__exact
-
4. 怎麼利用pandas做數據分析
啟動IPython notebook，載入pylab環境：
ipython notebook --pylab=inline
Pandas提供了IO工具可以將大文件分塊讀取，測試了一下性能，完整載入9800萬條數據也只需要263秒左右，還是相當不錯了。
import
pandas as pd
reader = pd.read_csv('data/servicelogs',
iterator=True)
try:
df = reader.get_chunk(100000000)
except
StopIteration:
print "Iteration is stopped."
-
5. 怎麼利用pandas做數據分析
1.queryset查詢集傳伺服器url面查詢內容Django查詢返結集QuerySet進行緩存提高查詢效率說創建QuerySet象候Django並立即向資料庫發查詢命令需要用QuerySet候才做
2.Objectsdjango實現mvcmDjango模型類都objects象Django定義QuerySet類型象包含模型象實例
3.能get能異用filter函數
>>> Entry.objects.filter(blog__id__exact=1)# 顯示使用__exact
>>> Entry.objects.filter(blog__id=1)# 隱含使用__exact>>> Entry.objects.filter(blog__pk=1)# __pk 相於 __id__exact
-
6. 怎麼利用pandas做數據分析
Pandas是Python下一個開源數據分析的庫，它提供的數據結構DataFrame極大的簡化了數據分析過程中一些繁瑣操作。
1. 基本使用：創建DataFrame. DataFrame是一張二維的表，大家可以把它想像成一張Excel表單或者Sql表。Excel 2007及其以後的版本的最大行數是1048576，最大列數是16384，超過這個規模的數據Excel就會彈出個框框「此文本包含多行文本，無法放置在一個工作表中」。Pandas處理上千萬的數據是易如反掌的sh事情，同時隨後我們也將看到它比SQL有更強的表達能力，可以做很多復雜的操作，要寫的code也更少。
說了一大堆它的好處，要實際感觸還得動手碼代碼。首要的任務就是創建一個DataFrame，它有幾種創建方式：
（1）列表，序列(pandas.Series), numpy.ndarray的字典
二維numpy.ndarray
別的DataFrame
結構化的記錄(structured arrays)
（2）其中，二維ndarray創建DataFrame，代碼敲得最少：
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(10, 4))
df
0 1 2 3
0 0.927474 0.127571 1.655908 0.570818
1 -0.425084 -0.382933 0.468073 -0.862898
2 -1.602712 -0.225793 -0.688641 1.167477
3 -1.771992 -0.692575 -0.693494 -1.063697
4 -0.456724 0.371165 1.883742 -0.344189
5 1.024734 0.647224 1.134449 0.266797
6 1.247507 0.114464 2.271932 -0.682767
7 -0.190627 -0.096997 -0.204778 -0.440155
8 -0.471289 -1.025644 -0.741181 -1.707240
9 -0.172242 0.702187 -1.138795 -0.112005
（3）通過describe方法，可以對df中的數據有個大概的了解：
df.describe()
0 1 2 3
count 10.000000 10.000000 10.000000 10.000000
mean -0.189096 -0.046133 0.394722 -0.320786
std 1.027134 0.557420 1.258019 0.837497
min -1.771992 -1.025644 -1.138795 -1.707240
25% -0.467648 -0.343648 -0.692281 -0.817865
50% -0.307856 0.008734 0.131648 -0.392172
75% 0.652545 0.310266 1.525543 0.172096
max 1.247507 0.702187 2.271932 1.167477
2. 改變cell。
3. group by。
4. 讀寫文件。
7. 用python數據分析是不是用的pandas
pandas包最基本的功能
1、讀取數據：
data = pd.read_csv('my_file.csv')
data=pd.read_csv('my_file.csv',sep=';',encoding='latin-1',nrows=1000, kiprows=[2,5])
sep變數代表分隔符。因為Excel中的csv分隔符是「;」，因此需要顯示它。編碼設置為「latin-1」以讀取法語字元。nrows=1000表示讀取前1000行。skiprows=[2,5]表示在讀取文件時將刪除第2行和第5行
最常用的函數：read_csv, read_excel
還有一些很不錯的函數：read_clipboard、read_sql
2、寫入數據
data.to_csv('my_new_file.csv', index=None)
index=None將簡單地按原樣寫入數據。如果你不寫index=None，會得到額外的行。
我通常不使用其他函數，比如to_excel，to_json，to_pickle，to_csv，雖然它們也做得很好，但是csv是保存表最常用的方法。
3、檢查數據：
data.shape
data.describe()
data.head(3)
.head(3)列印數據的前3行，.tail()函數將查看數據的最後一行。
data.loc[8]
列印第8行。
data.loc[8, 'column_1']
將第8行值列印在「column_1」上。
data.loc[range(4,6)]
列印第4行到第6行。
8. 怎麼利用pandas做數據分析
基本使用：創建DataFrame. DataFrame是一張二維的表，大家可以把它想像成一張Excel表單或者Sql表。Excel 2007及其以後的版本的最大行數是1048576，最大列數是16384，超過這個規模的數據Excel就會彈出個框框「此文本包含多行文本，無法放置在一個工作表中」。Pandas處理上千萬的數據是易如反掌的sh事情，同時隨後我們也將看到它比SQL有更強的表達能力，可以做很多復雜的操作，要寫的code也更少。
9. 股票數據分析方法
股票價格的漲跌，簡單來說，供求決定價格，買的人多價格就漲，賣的人多價格就跌。做成買賣不平行的原因是多方面的，影響股市的政策面、基本面、技術面、資金面、消息面等，是利空還是利多，升多了會有所調整，跌多了也會出現反彈，這是不變的規律。
10. 如何用pandas分析mysql中的數據
Pandas是Python下一個開源數據分析的庫，它提供的數據結構DataFrame極大的簡化了數據分析過程中一些繁瑣操作。
1. 基本使用：創建DataFrame. DataFrame是一張二維的表，大家可以把它想像成一張Excel表單或者Sql表。Excel 2007及其以後的版本的最大行數是1048576，最大列數是16384，超過這個規模的數據Excel就會彈出個框框「此文本包含多行文本，無法放置在一個工作表中」。Pandas處理上千萬的數據是易如反掌的sh事情，同時隨後我們也將看到它比SQL有更強的表達能力，可以做很多復雜的操作，要寫的code也更少。
說了一大堆它的好處，要實際感觸還得動手碼代碼。首要的任務就是創建一個DataFrame，它有幾種創建方式：
（1）列表，序列(pandas.Series), numpy.ndarray的字典
二維numpy.ndarray
別的DataFrame
結構化的記錄(structured arrays)
（2）其中，二維ndarray創建DataFrame，代碼敲得最少：
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(10, 4))
df
0 1 2 3
0 0.927474 0.127571 1.655908 0.570818
1 -0.425084 -0.382933 0.468073 -0.862898
2 -1.602712 -0.225793 -0.688641 1.167477
3 -1.771992 -0.692575 -0.693494 -1.063697
4 -0.456724 0.371165 1.883742 -0.344189
5 1.024734 0.647224 1.134449 0.266797
6 1.247507 0.114464 2.271932 -0.682767
7 -0.190627 -0.096997 -0.204778 -0.440155
8 -0.471289 -1.025644 -0.741181 -1.707240
9 -0.172242 0.702187 -1.138795 -0.112005
（3）通過describe方法，可以對df中的數據有個大概的了解：
df.describe()
0 1 2 3
count 10.000000 10.000000 10.000000 10.000000
mean -0.189096 -0.046133 0.394722 -0.320786
std 1.027134 0.557420 1.258019 0.837497
min -1.771992 -1.025644 -1.138795 -1.707240
25% -0.467648 -0.343648 -0.692281 -0.817865
50% -0.307856 0.008734 0.131648 -0.392172
75% 0.652545 0.310266 1.525543 0.172096
max 1.247507 0.702187 2.271932 1.167477
2. 改變cell。
3. group by。
4. 讀寫文件。