189 8069 5689
看文字的话会很乱，和图一起看会好一点
创新互联建站专注于西乡塘企业网站建设,响应式网站开发,商城网站开发。西乡塘网站建设公司,为西乡塘等地区提供建站服务。全流程按需求定制设计，专业设计，全程项目跟踪，创新互联建站专业和态度为您提供的服务
首先，it是个生成器(_odd_iter)，并使n=3，随后，it作为一个生成器存在于filter对象中(迭代器)，并使it为一个filter对象，经过循环，到达next语句，先计算it _odd_iter(生成器)，生成了新的数之后，开始计算filter。第一次循环的时候第18行的代码相当于 it = filter(_not_divisible(3), it )，等号右面的it还在等待next调用生成值，生成值之后，就将它代入为lambda的x中……第二次循环的时候第18行代码变成 it = filter(_not_divisible(5), filter(_not_divisible(3), it ) )，同样等号右面的it仍然在等待next调用生成新的值
我刚看这个教程，不知道对不对。。。
对了我看见有一个人问把代码第18行改成 it = filter(lambda x: x % n 0, it)
会失去过滤功能，我觉得，lambda是一个临时函数，所以觉得像filter(div(5), filter(div(3), it))这种存在多个lambda临时函数的话是很奇怪的，
在调试时，发现filter只检测了一个n(最近被赋值的)，相当于7%5，9%7这样，因此失去过滤素数功能。模拟一下，在将要输出5的时候，it = filter()的那行代码变为：
it = filter(lambda x : x % n 0 , filter (lambda x : x % n 0 , it ) )，it将值赋给x，但是，我觉得n被赋值时，会刷新其他lambda中的n，造成类似于 it = filter(lambda x : x % 5 0 , filter (lambda x : x % 5 0 , it ) )的情况
file1_path ='E:/Users/lenovo/Desktop/中视/622召回.csv' # 源数据
格式：file1=pd.read_csv(file1_path)
pd.read_csv(file1_path,encoding='gbk')
pd.read_csv(file1_path,encoding='gbk',skiprows=[2,3])
pd.read_csv(file1_path,encoding='gbk',skiprows=lambda x:x%2==1)
pd.read_csv(file1_path,encoding='gbk',keep_default_na=False)
new=pd.DataFrame()
new.new[[0,1,2]]
new.new[0:2]
查询结果同上
new.loc[new['激活数']1000]
loc和iloc的区别：
loc：纯标签筛选
iloc：纯数字筛选
#筛选出new的某两列
new=new.loc[:,['phone','收件人姓名']]
#筛选new的第0，1列
new.iloc[:,[0,1]]
使用‘==’筛选-筛查“崔旭”的人（只能筛查指定明确的）
#new=file1.loc[(file1['收件人姓名']=='崔旭')|(file1['收件人姓名']=='崔霞')]
#print(new)
#使用loc函数筛选-str.contains函数-筛查名字中包含'亮'和'海'的人
#new=file1.loc[file1['收件人姓名'].str.contains('亮|海')]
#print(new)
#使用loc函数筛选-str.contains函数-筛查'崔'姓的人
#new=file1.loc[file1['收件人姓名'].str.startswitch('崔')]
#print(new)
df = df[(df['DEPOSIT_PAY_TIME_x'] .notnull() ) (df['DEPOSIT_PAY_TIME_x'] != "" )]
print("during_time(number)=0的个数：",newdata[newdata['during_time(number)'] ==0].count()['during_time(number)'])
print("during_time(number)=1,2,3的个数：",newdata[(newdata['during_time(number)'] 0) (newdata['during_time(number)'] 4)].count()['during_time(number)'])
print(newdata[newdata['during_time(number)'] ==0])
newdata[newdata['Team']. isin (['England','Italy','Russia'])][['Team','Shooting Accuracy']]
df.年龄.value_counts()
1.修改指定位置数据的值（修改第0行，’创建订单数‘列的值为3836）
new.loc[0,'创建订单数']=3836
2.替换‘小明’-‘xiaoming’
df.replace({'name':{'小明':'xiaoming'}})
3.批量替换某一列的值（把‘性别’列里的男-male，女-felmale）
方法一：df['性别']=df['性别'].map({'男':'male','女':'female'})
方法二：df['性别'].replace('female','女',inplace=True)
或df['性别']=df['性别'].replace('female','女') 这就是inplace的作用
+df['性别'].replace('male','男',inplace=True)
4.替换列索引
df.columns=['sex','name','height','age']
或者：df.rename(columns={'性别':'sex','姓名':'name','身高':'height','年龄':'age'})
5.删除某一列
del df['player']
6. 删除某一列（方法二），删除某一行（默认axis=0删除行，为1则删除列）
删除某一列（方法二）
df.drop('性别',axis=1)
删除某一行
df.drop(1,axis=0)
file1=pd.read_csv(file1_path)
file2=pd.read_csv(file2_path)
new1=pd.DataFrame()
new1['phone']=file1['phone']
new1['contact_time']=file1['contact_time']
new2=pd.DataFrame()
new2['phone']=file2['phone']
new2['submission_audit_time']=file2['提交审核时间']
newdata=pd.merge(new1,new2,on='phone',how='left')
df=pd.concat([df1,df2],axis=0)
4.2.2 横向表连接
df=pd.concat([df1,df2],axis=1)
df1['地区'].str.split('·',3,expand=True)
df1:
df1[['城市', '城区','地址']] = df1['地区'].str.split('·', 3, expand = True)
5.1 缺失值删除
data.dropna(axis=0,subset = ["Age", "Sex"]) # 丢弃‘Age’和‘Sex’这两列中有缺失值的行
data.dropna(how = 'all') # 传入这个参数后将只丢弃全为缺失值的那些行
data.dropna(axis = 1) # 丢弃有缺失值的列（一般不会这么做，这样会删掉一个特征）
data.dropna(axis=1,how="all") # 丢弃全为缺失值的那些列
5.2 缺失值填充：pandas.DataFrame.fillna()函数
DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)
功能：使用指定方法填充NA/NaN值
其中inplace=True就是直接在原有基础上填满
5.3 缺失值查询：
缺失值数量查询：df.isnull().sum()
缺失值行查询：df[df.isnull().T.any()]
newdata['during_time']=pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])
newdata['during_time(number)']=(pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])).apply(lambda x: x.days)
new=pd.DataFrame()
new=newdata[newdata['during_time(number)'] ==0]
new.to_csv(save_path,encoding='utf-8-sig')
将数据按行拆分并存储到不同的csv文件中：
path='C:/Users/EDZ/Desktop/工作/2021.08.19/'
for i in range(0,30):
df.loc[[i]].to_csv(path+str(i)+'.csv',encoding='gbk')
df = df[['购药日期', '星期','社保卡号','商品编码', '商品名称', '销售数量', '应收金额', '实收金额' ]]
python filter内建函数
filter函数是python内建函数，可以操作任何可迭代类型，如list,tuple,string.
filter需要带上一个函数function和一个可迭代序列作为参数。filter()将调用该function作用于每一个可迭代序列的元素，并返回一个由该function验证后返回值为true的元素组成新的可迭代序列，新序列的类型保持与filter参数序列的类型一致
2.filter与数字
下面用这个例子来说明：
#建个数字列表
numbers = [1,5,9,8,4,6,3,7]
#定义一个过滤标准，取小于5的数
def lessThanFive(element):
return element 5
print filter(lessThanFive, numbers)
输出结果是列表：[1,4,3]
解说：此处的过滤函数lessThanFive必需带入一个参数（filter()会调用lessThanFive，参数是列表nembers中的每一个元素，一次一个）。filter()返回所有值都是小于5的列表
3.filter与字符串
下面用如下例子说明：
#定义元组类型
names = ('Jack', 'Jill, 'Steve', '')
#筛选出名字
new_names = filter(None, names)
print new_names
输出结果是元组：
('Jack', 'Jill, 'Steve'）
在元组names最后一个名字是空字符串,而filter的第一个参数是None,这说明需要使用identity函数(该函数是简单的返回该元素的）
因为python对空字符串，0和None作为False,所以上面的filter的语句就是移除空元素。
4.filter和函数
目的：找出以J开头的名字
def startsWithJ(element):
if element:
return element[0] == 'J'
return False
j_names = filter(startsWithJ, names)
print j_names
输出结果是元组：（'Jack', 'Jill')
注意到了吗，上面的2个结果都是tuple而不是list，再一次说明fliter的返回值类型与参数序列的类型保持一致
首先定义一个函数判断是否为素数，如果这个数能被2~它的平方根中的任一数整除的话它就不是素数，否则就是素数。用flag为0或1标记，利用filter()筛掉flag为0的非素数。
#!/usr/bin/env python
#coding:utf-8
import math
def filter_prime(n): #定义filter_prime函数
flag = 1 #设置flag,初始化为1
for i in range(2, int(math.sqrt(n)+1)): #取2至平方根的数
if n%i == 0: #判断是否是素数
flag = 0 #如果不是，flag设为0
if flag == 1: #退出循环后判断flag，若为1（素数），则返回
return n
print filter(filter_prime, range(1,101)) #filter 1-100里的非素数