sat

---恢复内容开始--- 一、多进程 　　 1、multiprocessing模块用来开启子进程，并在子进程中执行我们定制的任务（比如函数），该模块与多线程模块threading的编程接口类似。 import time from multiprocessing import Process def func(name): print('%s 函数开始,time:%s' %(name,time.ctime())) # time.sleep(2) print('%s 函数结束,time:%s' %(name,time.ctime())) if __name__ == "__main__": p1=Process(target=func,args=('one',)) p2=Process(target=func,args=('two',)) p3=Process(target=func,args=('three',)) p4=Process(target=func,args=('four',)) p5 = Process(target=func, args=('five',)) p1.start() p2.start() p3.start() p4.start() p5.start() print(u'主进程%s'%time.ctime())结果： one 函数开始,time:Sat

数据聚合与分组运算 在将数据集加载、融合、准备好之后，通常就是计算分组统计或生成透视表。pandas提供一个灵活高效地groupby功能，使得能以一种自然的方式对数据集进行切片、切块、摘要等操作。 关系型数据库和SQL能够如此流行的原因之一就是其能够方便地对数据进行连接、过滤、转换和聚合。但pandas同样具有强大的表达能力，可以执行复杂的分组运算： 1）使用一个或多个键（函数、数组或者DataFrame列名）分割pandaas对象。 2）计算分组的概述统计，比如数量、平均值或标准值，或是用户定义的函数。 3）应用组内转换或其他运算，如规格化、线性化、排名或选取子集等。 4）计算透视表或者交叉表 5）执行分位数分析以及其他统计分组分析。 1.GroupBy机制 pandas对象（无论是Series、DataFrame还是其他的）中的数据会根据你所提供的一个或多个键被拆分（split）为多组。拆分操作是在对象的特定轴上执行的。然后，将一个函数应用（apply）到各个分组并产生一个新值。最后，所有这些函数的执行结果会被合（combine） 到最终的结果对象中。下图是一个简单的分组聚合过程： 分组键可以有多种形式，且类型不必相同： 1）列表或数组，其长度与待分组的轴一样。 2）表示DataFrame某个列名的值。 3）字典或Series，给出待分组轴上的值与分组名之间的对应关系。 4

文章目录 proof system Assignment axiom Await axiom Consequence rule Sequential composition rule Conditional rule Iteration rule Auxiliary variable rule proof system Assignment axiom p r e → p o s t [ e ˉ / x ˉ ] ( p r e ∧ ⌈ x ˉ ′ = e ˉ ⌉ ) → g u a r p r e s t a b l e w h e n ‾ r e l y p o s t s t a b l e w h e n ‾ r e l y x ˉ : = e ˉ s a t ‾ ( p r e , r e l y , g u a r , p o s t ) ‾ pre \to post[ \bar e/ \bar x] \\ (pre \land \lceil \bar x'= \bar e \rceil ) \to guar \\ pre \ \underline {stable \ when} \ rely \\ { post \ \underline {stable \ when} \ rely }\\ \overline{ \bar x:= \bar e \ \underline

本文转载自： http://www.cnblogs.com/zzhzhao/p/5269217.html 作者：zzhzhao 转载请注明该声明。 目录 一、 python 数据分析入门学习笔记.html' target='_self'>数据分析有关的 python 库简介 (一)numpy (二)pandas (三)matplotlib (四)scipy (五)statsmodels (六)scikit-learn 二、 数据的导入和导出 三、 数据筛选 四、 数据描述 五、 数据处理 六、 统计分析 七、 可视化 八、 其它 前言：各种和数据分析相关python库的介绍 （前言1~4 摘抄自《利用python进行数据分析》） 1.Numpy： 　　 Numpy是python科学计算的基础包，它提供以下功能（不限于此）： 　　　　 (1)快速高效的多维数组对象ndarray 　　　　 (2)用于对数组执行元素级计算以及直接对数组执行数学运算的函数 　　　　 (3)用于读写硬盘上基于数组的数据集的工具 　　　　 (4)线性代数运算、傅里叶变换，以及随机数生成 　　　　 (5)用于将C、C++、Fortran代码集成到python的工具 2.pandas 　　 pandas提供了使我们能够快速便捷地处理结构化数据的大量数据结构和函数