斯人若彩虹，遇上方知有

牛客网华为机试合唱队（动态规划与队列） 1234567891011121314151617181920212223242526import bisectdef deal(arr): d = [] count = [] for val in arr: if not d: d.append(val) count.append(1) elif d[-1] < val: d.append(val) count.append(count[-1]+1) else: d[bisect.bisect_left(d, val)] = val count.append(count[-1]) return count while True: try: n = int(input()) height = list(map(int, input().split())) ...

爬取我爱我家武汉房租123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121import reimport requestsfrom bs4 import BeautifulSoupfrom lxml import htmlimport timefrom fake_useragent import UserAgentimport copyua = UserAgent(use_cache_server=False)header = { 'User-Agent': ua.random,}etree ...

数据库介绍为什么要学习数据库？通常，我们存储数据，直接用本地文件即可。但是，本地文件不利于存放海量数据，也不利于用程序对文件的数据进行查询与管理。那么为了解决这些弊端，才有数据库的出现，那么数据库也是每个程序员必须掌握的技术。 数据库介绍数据库(database)简称DB，实际上就是一个文件集合，是一个存储数据的仓库，本质就是一个文件系统，数据库是按照特定的格式把数据存储起来，用户可以对存储的数据进行增删改查等操作。 数据库存储数据特点 持久化存储 读写速度极高 保证数据的有效性 对程序支持非常好，容易扩展 数据库的分类 关系型数据库：可以保存现实生活中的各种关系数据，数据库中存储数据以表为单位；主流关系型数据库：MySQL，Oracle，SQLServer等 非关系型数据库：通常用来解决某些特定的需求，比如高并发访问。主流非关系型数据库：Redis，Mongodb，memacache等 MySQL介绍MySQL由来 MySQL介绍MySQL是一种开放源代码的关系型数据库管理系统（RDBMS），使用最常用的数据库管理语言——结构化查询语言（SQL）进行数据库管理。MySQL因为其 ...

PyEcharts说明文档https://pyecharts.org/#/zh-cn/global_options?id=legendopts%ef%bc%9a%e5%9b%be%e4%be%8b%e9%85%8d%e7%bd%ae%e9%a1%b9 接下来会用到的数据: 链接：https://pan.baidu.com/s/1RAqFCxWcl4OEChlRtSBooA提取码：612s pyecharts快速开始pyecharts中可以绘制的图有很多，这里我们先来总体的了解一下他的使用风格，和调用的方式。 绘制条形图123456789from pyecharts.charts import Barbar = Bar()#添加x轴数据c = ( Bar() .add_xaxis(['苹果','橘子','梨','樱桃'])#添加x轴数据 .add_yaxis('金额',[10,5,8,17])#添加y轴数据 .render('fruit.html ...

Seaborn介绍接下来会用到的数据: 链接：https://pan.baidu.com/s/1RAqFCxWcl4OEChlRtSBooA提取码：612s Seaborn 是一个基于 matplotlib 且数据结构与 pandas 统一的统计图制作库。他提前已经定义好了一套自己的风格。然后也封装了一系列的方便的绘图函数，之前通过matplotlib需要很多代码才能完成的绘图，使用seaborn可能就是一行代码的事情。 关系型绘图 分类型绘图 分布型绘图 线性关系绘图 Seaborn安装1.通过 pip ：pip install seaborn 2.通过anaconda： conda install seaborn 关系型绘图seaborn.relplot()这个函数功能非常强大，可以用来表示多个变量之间的关联关系。默认情况下是绘制散点图，也可以绘制线性图，具体绘制什么图形是通过kind参数来决定的。实际上以下两个函数就是relplot的特例： 散点类型：scatterplot -> relplot(kind=”scatter”) 线性类型：lineplot -& ...

时间序列接下来会用到的数据: 链接：https://pan.baidu.com/s/1RAqFCxWcl4OEChlRtSBooA提取码：612s 时间序列前言时间序列数据在很多领域都是重要的结构化数据形式，比如：金融，神经科学，生态学，物理学。在多个时间点观测的数据形成了时间序列。时间序列可以是固定频率的，也可以是不规则的。 常见使用 时间戳 固定的时间区间 时间间隔 时间序列基础时间序列介绍Pandas中的基础时间序列种类是由时间戳索引的Series，在Pandas外部通常表示为Python字符串或datetime对象。 注意 datetime对象可作为索引，时间序列DatetimeIndex <M8[ns]类型为纳秒级时间戳 时间序列里面每个元素为Timestamp对象 生成时间序列函数 pd.date_range(start=None,end=None,periods=None,freq=None,tz=None,normalize=False) start 起始时间 end 结束时间 periods 固定时期 freq 日期偏移量(频率) normaliz ...

索引与分层索引接下来会用到的数据: 链接：https://pan.baidu.com/s/1RAqFCxWcl4OEChlRtSBooA提取码：612s 索引 查看索引：df.index 12345import pandas as pdimport numpy as npdf1 = pd.DataFrame(np.random.randint(60,100,size=(4,2)),index=["bob","amy","cheney","jerry"])print(df1.index) 指定索引：df.index = [,] 个数必须一致否则error 12345678import pandas as pdimport numpy as npdf1 = pd.DataFrame(np.random.randint(60,100,size=(4,2)),index=["bob","amy","cheney","jerry" ...

Pandas数据清洗接下来会用到的数据: 链接：https://pan.baidu.com/s/1RAqFCxWcl4OEChlRtSBooA提取码：612s 数据清洗介绍数据清洗实际上也是数据质量分析，检查原始数据中是否存在脏数据(不符合要求，或者不能直接进行分析的数据)，并且处理脏数据。 常见情况如下 缺失值 异常值 重复数据 处理缺失值Pandas使用浮点值NaN(not a Number)表示缺失值，并且缺失值在数据中时常出现。那么Pandas的目的之一就是**”无痛地”**处理缺失值。 判断数据是否为NaN pd.isnull(df) 返回哪些值是缺失值的布尔值 123456import pandas as pdimport numpy as npdf = pd.DataFrame(np.arange(16).reshape(4,4),index=['a','b','c','d'])# print(df)print(pd.isna(df[:2])) 123 0 ...

练习1读取 catNames2.csv 文件，完成需求如下： 找到所有的使用次数超过800的猫的名字 获取用次数最高的名字 1234567891011import pandas as pdcns = pd.read_csv('./catNames2.csv')# print(cns)#找到所有的使用次数超过800的猫的名字print(cns[cns['Count_AnimalName']>800])counts_sort = cns.sort_values(by='Count_AnimalName',ascending=False)#获取用次数最高的名字maxcounts = counts_sort.iloc[0]print(maxcounts) 练习2 读取 五粮液2020.xlsx 数据，指定 索引为0列 为 行索引 查看 该数据的基本信息 计算每一天各指标的差异值 计算其 pre_close 的增长率 将 pre_close 的增长率添加至 wly_data 数据中 将 pct_change 该列 呈现的 N ...

要求DAY1练习1通过 Pandas 创建 学生成绩表的 excel 文件 。 123stu_names = ["胡歌","林更新","金世佳","丑娟"]courses = ['语文', '数学', '英语', 'Python', '体育']data = np.array([[87., 74., 98., 84., np.nan],[79., 69., 61., 99., np.nan],[84., 84., 94., 66., np.nan],[90., 60., 72., 90., np.nan]]) 再通过 Pandas 创建 选修成绩表的 excel 文件 。 123ele_names = ["胡歌","林更新","金世佳","丑娟"]ele_courses = ['统计学' ...