1. 基础练习

导入必要的库

import pandas as pd import numpy as np

创建language和score的Series

language = pd.Series(["Python","C","Scala","Java","GO","Scala","SQL","PHP","Python"]) score = pd.Series(np.random.randint(0, 101, len(language)))

创建DataFrame

df = pd.DataFrame({"language": language, "score": score})

输出前4行数据

print(df.head(4))

输出language字段为Python的行

print(df[df["language"] == "Python"])

对DataFrame按照score字段进行升序排序

df = df.sort_values(by="score")

统计language字段中每种编程语言出现的次数

print(df["language"].value_counts())

2. 酒类消费数据

导入必要的库

import pandas as pd import numpy as np

读取酒类消费数据表

df = pd.read_csv("drinks.csv")

输出包含缺失值的行

print(df[df.isnull().any(axis=1)])

将continent字段中的NaN全部替换为字符串NA

df["Continent"].fillna("NA", inplace=True)

分别输出各个大洲的平均啤酒、烈酒和红酒的消费量

print(df.groupby("Continent").agg({"beer_servings": "mean", "spirit_servings": "mean", "wine_servings": "mean"}))

分别输出啤酒、烈酒和红酒消费量最高的国家

print(df.loc[df["beer_servings"].idxmax(), "Country"]) print(df.loc[df["spirit_servings"].idxmax(), "Country"]) print(df.loc[df["wine_servings"].idxmax(), "Country"])

3. 狗狗币的历史价格

导入必要的库

import pandas as pd import numpy as np import matplotlib.pyplot as plt

读取历史价格表

df = pd.read_csv("DOGE-USD.csv")

查看各个列的数据类型，将Date列转换为日期类型

print(df.dtypes) df["Date"] = pd.to_datetime(df["Date"])

判断是否存在缺失值，输出数据缺失的日期，并用前一交易日的数据填充缺失值

if df.isnull().values.any(): print(df[df.isnull().any(axis=1)]["Date"]) df.fillna(method="ffill", inplace=True)

分别输出狗狗币价格的最高值与最低值，并分别输出达到最高值与最低值的日期

max_price = df["High"].max() min_price = df["Low"].min() max_date = df.loc[df["High"].idxmax(), "Date"] min_date = df.loc[df["Low"].idxmin(), "Date"] print("最高价：{}，日期：{}".format(max_price, max_date)) print("最低价：{}，日期：{}".format(min_price, min_date))

画出狗狗币每天最高价格的折线图

plt.plot(df["Date"], df["High"]) plt.xlabel("Date") plt.ylabel("Price") plt.title("Dogecoin Highest Price") plt.show()

画出狗狗币成交量的折线图（取对数）

plt.plot(df["Date"], np.log(df["Volume"])) plt.xlabel("Date") plt.ylabel("Volume (log)") plt.title("Dogecoin Volume") plt.show(