data = {'玩具':['车','飞机','轮船'], '数量':[3,2,5], '价格':[100,90,80]}df = DataFrame(data)df['数量'] = df_data['数量'].apply(str)
大家好，作为一名互联网行业的小白，写博客只是为了巩固自己学习的知识，但由于水平有限，博客中难免会有一些错误出现，有不妥之处恳请各位大佬指点一二！
博客主页：链接: https://blog.csdn.net/weixin_52720197?spm=1018.2118.3001.5343
1 获取
数据
1.1 新建
数据
series
创建一列
数据
，在使用series时，
Pandas
默认自动生成整数索引
pd.Series(
data=None :
数据
列表，字典格式肘直接同肘提供变量名
name=Non.
python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源python
数据
分析
pandas
数据
源
转为
数值类型还可以使用to_numeric()函数
DataFrame每一列的
数据
类型必须相同，当有些
数据
中有缺失，但不是NaN时（如missing,null等），会使整列
数据
变成字符串类型而不是数值型，这个时候可以使用to_numeric处理
#创造包含'missing'为缺失值的
数据
tips_sub_miss = tips.head(10)
tips_sub_miss.loc
Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大
数据
容器。
你可以使用
pandas
库中的astype函数来
转
换
数据
类型。
例如，假设你有一个名为"
df
"的
数据
框，其中有一列名为"col"，你想把它的
数据
类型
转
换为字符串类型，你可以这样做：
df
['col'] =
df
['col'].astype(
str
)
这将把"col"列中的所有值
转
换为字符串类型。
注意：在进行类型
转
换时，应确保
转
换是可行的，否则可能会抛出异常。
import
pandas
as pd
file_path = r"C:\Users\Hans\Desktop\data_analysis\test_data\Beijing_2014.csv"
df
= pd.read_csv(file_path)
df
.head()
首先使用np.array()函数把DataFrame
转
化为np.ndarray()，再利用tolist()函数把np.ndarray()
转为
list，示例代码如下：
# -*- coding:utf-8-*-
import numpy as np
import
pandas
as pd
data_x = pd.read_csv("E:/Tianchi/result/features.csv",usecols=[2,3,4])#pd.dataframe
data_y = pd.read_csv("E:/Tianchi/result/features.csv",usecols=[5])
df
=
df
.astype(
str
)
注意，这会将整个
数据
框的所有列的
数据
类型都设置为字符串类型。如果你只想将某些列的
数据
类型设置为字符串类型，可以使用下面的代码：
df
[['col1', 'col2', 'col3']] =
df
[['col1', 'col2', 'col3']].asty...
所以新手使用celery很仔细的建立文件夹名字、文件夹层级、python文件名字，
所以网上的celery博客教程虽然很多，但是并不能学会使用，因为要运行起来需要以下6个方面都掌握好，博客文字很难表达清楚或者没有写全面以下6个方面。
celery消费任务不执行或者报错NotRegistered，与很多方面有关系，如果要别人排错，至少要发以下6方面的截图，因为与一下6点关系很大。
1) 整个项目目录结构,celery的目录结构和任务函数位置，有很大影响
2) @task入参 ,用户有没有主动设置装饰器的入参 name,设置了和没设置有很大不同，建议主动设置这个名字对函数名字和所处位置依赖减小
3) celery的配置，task_queues(在3.xx叫 CELERY_QUEUES )和task_routes (在3.xx叫 task_routes)
4) celery的配置 include （在3.xx叫 CELERY_INCLUDE）或者 imports (3.xx CELERY_IMPORTS) 或者 app.autodiscover_tasks的入参
5) cmd命令行启动参数 --queues= 的值
6) 用户在启动cmd命令行时候，用户所在的文件夹。
在不规范的文件夹路径下，使用celery难度很高，一般教程都没教。
[项目文件夹目录格式不规范下的celery使用演示](https://github.com/ydf0509/celery_demo) 。
此国产分布式函数调度框架 https://function-scheduling-distributed-framework.readthedocs.io/zh_CN/latest/index.html ，
从用法调用难度，用户所需代码量，超高并发性能，qps控频精确程度，支持的中间件类型，任务控制方式，稳定程度等19个方面全方位超过celery，任何方面都是有过之而无不及 。发布性能提高1000%，消费性能提高2000%
transfer learning
拔草能手晓寒:
