pandas は、より高度なデータ構造とツールを含む Numpy に基づくデータ分析パッケージです。
ndarray をコアとする Numpy と同様に、pandas も Series と DataFrame の 2 つのコア データ構造を中心に展開します。 Series と DataFrame は、それぞれ 1 次元のシーケンスと 2 次元のテーブル構造に対応します。 pandas の従来のインポート方法は次のとおりです。
from pandas import Series,DataFrame import pandas as pd
Series
Series は、固定長の順序付き辞書とみなすことができます。基本的に、あらゆる 1 次元データを Series オブジェクトの構築に使用できます:
>>> s = Series([1,2,3.0,'abc']) >>> s 0 1 1 2 2 3 3 abc dtype: object
dtype:object にはさまざまな基本データ型を含めることができますが、常にパフォーマンスに影響を与えると思われるため、これが最善ですシンプルにするために dtype を使用します。 dtype:object 可以包含多种基本数据类型，但总感觉会影响性能的样子，最好还是保持单纯的 dtype。
Series 对象包含两个主要的属性：index 和 values，分别为上例中左右两列。因为传给构造器的是一个列表，所以 index 的值是从 0 起递增的整数，如果传入的是一个类字典的键值对结构，就会生成 index-value 对应的 Series；或者在初始化的时候以关键字参数显式指定一个 index 对象：
>>> s = Series(data=[1,3,5,7],index = ['a','b','x','y']) >>> s a 1 b 3 x 5 y 7 dtype: int64 >>> s.index Index(['a', 'b', 'x', 'y'], dtype='object') >>> s.values array([1, 3, 5, 7], dtype=int64)
Series 对象的元素会严格依照给出的 index 构建，这意味着：如果 data 参数是有键值对的，那么只有 index 中含有的键会被使用；以及如果 data 中缺少响应的键，即使给出 NaN 值，这个键也会被添加。
注意 Series 的 index 和 values 的元素之间虽然存在对应关系，但这与字典的映射不同。index 和 values 实际仍为互相独立的 ndarray 数组，因此 Series 对象的性能完全 ok。
Series 这种使用键值对的数据结构最大的好处在于，Series 间进行算术运算时，index 会自动对齐。
另外，Series 对象和它的 index 都含有一个 name 属性：
>>> s.name = 'a_series' >>> s.index.name = 'the_index' >>> s the_index a 1 b 3 x 5 y 7 Name: a_series, dtype: int64
DataFrame
DataFrame 是一个表格型的数据结构，它含有一组有序的列（类似于 index），每列可以是不同的值类型（不像 ndarray 只能有一个 dtype）。基本上可以把 DataFrame 看成是共享同一个 index 的 Series 的集合。
DataFrame 的构造方法与 Series 类似，只不过可以同时接受多条一维数据源，每一条都会成为单独的一列：
>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],
'year':[2000,2001,2002,2001,2002],
'pop':[1.5,1.7,3.6,2.4,2.9]}
>>> df = DataFrame(data)
>>> df
pop state year
0 1.5 Ohino 2000
1 1.7 Ohino 2001
2 3.6 Ohino 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002
[5 rows x 3 columns]虽然参数 data 看起来是个字典，但字典的键并非充当 DataFrame 的 index 的角色，而是 Series 的 “name” 属性。这里生成的 index 仍是 “01234”。
较完整的 DataFrame 构造器参数为：DataFrame(data=None,index=None,coloumns=None)，columns 即 “name”：
>>> df = DataFrame(data,index=['one','two','three','four','five'],
columns=['year','state','pop','debt'])
>>> df
year state pop debt
one 2000 Ohino 1.5 NaN
two 2001 Ohino 1.7 NaN
three 2002 Ohino 3.6 NaN
four 2001 Nevada 2.4 NaN
five 2002 Nevada 2.9 NaN
[5 rows x 4 columns]同样缺失值由 NaN 补上。看一下 index、columns 和 索引的类型：
>>> df.index Index(['one', 'two', 'three', 'four', 'five'], dtype='object') >>> df.columns Index(['year', 'state', 'pop', 'debt'], dtype='object') >>> type(df['debt']) <class 'pandas.core.series.Series'>
DataFrame 面向行和面向列的操作基本是平衡的，任意抽出一列都是 Series。
对象属性
重新索引
Series 对象的重新索引通过其 .reindex(index=None,**kwargs) 方法实现。**kwargs 中常用的参数有俩：method=None,fill_value=np.NaN：
ser = Series([4.5,7.2,-5.3,3.6],index=['d','b','a','c']) >>> a = ['a','b','c','d','e'] >>> ser.reindex(a) a -5.3 b 7.2 c 3.6 d 4.5 e NaN dtype: float64 >>> ser.reindex(a,fill_value=0) a -5.3 b 7.2 c 3.6 d 4.5 e 0.0 dtype: float64 >>> ser.reindex(a,method='ffill') a -5.3 b 7.2 c 3.6 d 4.5 e 4.5 dtype: float64 >>> ser.reindex(a,fill_value=0,method='ffill') a -5.3 b 7.2 c 3.6 d 4.5 e 4.5 dtype: float64
.reindex() 方法会返回一个新对象，其 index 严格遵循给出的参数，method:{'backfill', 'bfill', 'pad', 'ffill', None} 参数用于指定插值（填充）方式，当没有给出时，自动用 fill_value 填充，默认为 NaN（ffill = pad，bfill = back fill，分别指插值时向前还是向后取值）
DataFrame 对象的重新索引方法为：.reindex(index=None,columns=None,**kwargs)。仅比 Series 多了一个可选的 columns 参数，用于给列索引。用法与上例类似，只不过插值方法 method 参数只能应用于行，即轴 0。
>>> state = ['Texas','Utha','California']
>>> df.reindex(columns=state,method='ffill')
Texas Utha California
a 1 NaN 2
c 4 NaN 5
d 7 NaN 8
[3 rows x 3 columns]
>>> df.reindex(index=['a','b','c','d'],columns=state,method='ffill')
Texas Utha California
a 1 NaN 2
b 1 NaN 2
c 4 NaN 5
d 7 NaN 8
[4 rows x 3 columns]不过 fill_value 依然对有效。聪明的小伙伴可能已经想到了，可不可以通过 df.T.reindex(index,method='**').T 这样的方式来实现在列上的插值呢，答案是可行的。另外要注意，使用 reindex(index,method='**') 的时候，index 必须是单调的，否则就会引发一个 ValueError: Must be monotonic for forward fill，比如上例中的最后一次调用，如果使用 index=['a','b','d','c'] 的话就不行。
删除指定轴上的项
即删除 Series 的元素或 DataFrame 的某一行（列）的意思，通过对象的 .drop(labels, axis=0) 方法：
>>> ser d 4.5 b 7.2 a -5.3 c 3.6 dtype: float64 >>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> ser.drop('c') d 4.5 b 7.2 a -5.3 dtype: float64 >>> df.drop('a') Ohio Texas California c 3 4 5 d 6 7 8 [2 rows x 3 columns] >>> df.drop(['Ohio','Texas'],axis=1) California a 2 c 5 d 8 [3 rows x 1 columns]
.drop() 返回的是一个新对象，元对象不会被改变。
索引和切片
就像 Numpy，pandas 也支持通过 obj[::]
>>> foo a 4.5 b 7.2 c -5.3 d 3.6 dtype: float64 >>> bar 0 4.5 1 7.2 2 -5.3 3 3.6 dtype: float64 >>> foo[:2] a 4.5 b 7.2 dtype: float64 >>> bar[:2] 0 4.5 1 7.2 dtype: float64 >>> foo[:'c'] a 4.5 b 7.2 c -5.3 dtype: float64Series オブジェクトの要素は、指定されたインデックスに従って厳密に構築されます。つまり、データ パラメーターにキーと値のペアがある場合、データ パラメーターに含まれるキーのみが作成されます。インデックスが使用され、応答キーがデータにない場合は、NaN 値が指定された場合でもキーが追加されます。 🎜🎜Seriesのインデックスと値の要素との対応はありますが、辞書のマッピングとは異なることに注意してください。インデックスと値は実際には依然として独立した ndarray 配列であるため、Series オブジェクトのパフォーマンスはまったく問題ありません。 🎜🎜Series キーと値のペアを使用したこのデータ構造の最大の利点は、Series 間で算術演算が実行されるときにインデックスが自動的に整列されることです。 🎜🎜さらに、Series オブジェクトとそのインデックスの両方に
name 属性が含まれています: 🎜>>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.ix[:2,:2] Ohio Texas a 0 1 c 3 4 [2 rows x 2 columns] >>> df.ix['a','Ohio'] 0🎜🎜🎜DataFrame🎜🎜🎜DataFrame は、順序付けされた列のセットを含む表形式のデータ構造です (インデックス）、各列は異なる値の型にすることができます（dtype を 1 つだけ持つことができる ndarray とは異なります）。基本的に、DataFrame は、同じインデックスを共有する Series のコレクションと考えることができます。 🎜🎜DataFrame の構築方法は Series と似ていますが、複数の一次元データ ソースを同時に受け入れることができ、それぞれが個別の列になる点が異なります。🎜
>>> df['Ohio'] a 0 c 3 d 6 Name: Ohio, dtype: int32 >>> df[:'c'] Ohio Texas California a 0 1 2 c 3 4 5 [2 rows x 3 columns] >>> df[:2] Ohio Texas California a 0 1 2 c 3 4 5 [2 rows x 3 columns]🎜パラメータ データは辞書のように見えますが、ディクショナリのキーは、DataFrame ロールのインデックスとして機能するのではなく、シリーズの「名前」属性として機能します。ここで生成されるインデックスは「01234」のままです。 🎜🎜より完全な DataFrame コンストラクターのパラメーターは次のとおりです:
DataFrame(data=None,index=None,coloumns=None)、列は「name」です: 🎜>>> df['Texas']>=4 a False c True d True Name: Texas, dtype: bool >>> df[df['Texas']>=4] Ohio Texas California c 3 4 5 d 6 7 8 [2 rows x 3 columns] >>> df.ix[:,df.ix['c']>=4] Texas California a 1 2 c 4 5 d 7 8 [3 rows x 2 columns]🎜同様に、欠損値は埋められますNaNで。インデックス、列、インデックスの種類を見てみましょう: 🎜
>>> foo = Series({'a':1,'b':2})
>>> foo
a 1
b 2
dtype: int64
>>> bar = Series({'b':3,'d':4})
>>> bar
b 3
d 4
dtype: int64
>>> foo + bar
a NaN
b 5
d NaN
dtype: float64🎜DataFrame の行指向と列指向の操作は基本的にバランスが取れており、抽出された列はすべて Series です。 🎜🎜オブジェクト プロパティ🎜🎜再インデックス
🎜Series オブジェクトの再インデックスは、.reindex(index=None,**kwargs) メソッドを通じて実装されます。 **kwargs には 2 つの一般的に使用されるパラメータがあります: method=None,fill_value=np.NaN: 🎜f = lambda x:x.max()-x.min() >>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.apply(f) Ohio 6 Texas 6 California 6 dtype: int64 >>> df.apply(f,axis=1) a 2 c 2 d 2 dtype: int64🎜
.reindex() メソッドwill インデックスが指定されたパラメータに厳密に従う新しいオブジェクトを返します。method:{'backfill', 'bfill', 'pad', 'ffill', None} パラメータは補間 (充填) を指定するために使用されます。メソッドが指定されていない場合、自動的に fill_value で埋められます。デフォルトは NaN です (ffill = パッド、bfill = バック フィルは、それぞれ補間中の前方値または後方値を指します) 🎜🎜DataFrame オブジェクトインデックス付けメソッドは: .reindex(index=None,columns=None,**kwargs) です。オプションの列パラメーターは Series 以外に 1 つだけあり、列のインデックス付けに使用されます。使用法は上記の例と似ていますが、内挿メソッド method パラメーターが行、つまり軸 0 にのみ適用できる点が異なります。 🎜>>> df.sort_index(by='Ohio') Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.sort_index(by=['California','Texas']) Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.sort_index(axis=1) California Ohio Texas a 2 0 1 c 5 3 4 d 8 6 7 [3 rows x 3 columns]🎜しかし、
fill_value はまだ有効です。賢い友人なら、df.T.reindex(index,method='**').T を通じて列の補間を実現できるかどうかをすでに考えているかもしれません。その答えは実現可能です。また、reindex(index,method='**') を使用する場合、インデックスは単調である必要があります。そうでない場合、ValueError: Must be monotonic for forward fill がトリガーされることにも注意してください。 code> (上記の例の最後の呼び出しなど) index=['a','b','d','c'] を使用すると機能しません。 🎜指定した軸上の項目を削除します
🎜これは、オブジェクトの.drop(labels, axis=0) を通じて、Series の要素または DataFrame の特定の行 (列) を削除することを意味します。 メソッド: 🎜>>> ser=Series([3,2,0,3],index=list('abcd')) >>> ser a 3 b 2 c 0 d 3 dtype: int64 >>> ser.rank() a 3.5 b 2.0 c 1.0 d 3.5 dtype: float64 >>> ser.rank(method='min') a 3 b 2 c 1 d 3 dtype: float64 >>> ser.rank(method='max') a 4 b 2 c 1 d 4 dtype: float64 >>> ser.rank(method='first') a 3 b 2 c 1 d 4 dtype: float64🎜
.drop() は新しいオブジェクトを返します。メタ オブジェクトは変更されません。 🎜インデックス作成とスライス
🎜 Numpy と同様に、pandas もobj[::] によるインデックス作成とスライス、およびブール配列によるフィルタリングをサポートしています。 🎜🎜 ただし、pandas オブジェクトのインデックスは整数に限定されないため、スライス インデックスとして非整数を使用する場合、それが最終的に含まれることに注意してください。 🎜>>> foo a 4.5 b 7.2 c -5.3 d 3.6 dtype: float64 >>> bar 0 4.5 1 7.2 2 -5.3 3 3.6 dtype: float64 >>> foo[:2] a 4.5 b 7.2 dtype: float64 >>> bar[:2] 0 4.5 1 7.2 dtype: float64 >>> foo[:'c'] a 4.5 b 7.2 c -5.3 dtype: float64
这里 foo 和 bar 只有 index 不同——bar 的 index 是整数序列。可见当使用整数索引切片时，结果与 Python 列表或 Numpy 的默认状况相同；换成 'c' 这样的字符串索引时，结果就包含了这个边界元素。
另外一个特别之处在于 DataFrame 对象的索引方式，因为他有两个轴向（双重索引）。
可以这么理解：DataFrame 对象的标准切片语法为：.ix[::,::]。ix 对象可以接受两套切片，分别为行（axis=0）和列（axis=1）的方向：
>>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.ix[:2,:2] Ohio Texas a 0 1 c 3 4 [2 rows x 2 columns] >>> df.ix['a','Ohio'] 0
而不使用 ix ，直接切的情况就特殊了：
索引时，选取的是列
切片时，选取的是行
这看起来有点不合逻辑，但作者解释说 “这种语法设定来源于实践”，我们信他。
>>> df['Ohio'] a 0 c 3 d 6 Name: Ohio, dtype: int32 >>> df[:'c'] Ohio Texas California a 0 1 2 c 3 4 5 [2 rows x 3 columns] >>> df[:2] Ohio Texas California a 0 1 2 c 3 4 5 [2 rows x 3 columns]
使用布尔型数组的情况，注意行与列的不同切法（列切法的 : 不能省）：
>>> df['Texas']>=4 a False c True d True Name: Texas, dtype: bool >>> df[df['Texas']>=4] Ohio Texas California c 3 4 5 d 6 7 8 [2 rows x 3 columns] >>> df.ix[:,df.ix['c']>=4] Texas California a 1 2 c 4 5 d 7 8 [3 rows x 2 columns]
算术运算和数据对齐
pandas 最重要的一个功能是，它可以对不同索引的对象进行算术运算。在将对象相加时，结果的索引取索引对的并集。自动的数据对齐在不重叠的索引处引入空值，默认为 NaN。
>>> foo = Series({'a':1,'b':2})
>>> foo
a 1
b 2
dtype: int64
>>> bar = Series({'b':3,'d':4})
>>> bar
b 3
d 4
dtype: int64
>>> foo + bar
a NaN
b 5
d NaN
dtype: float64DataFrame 的对齐操作会同时发生在行和列上。
当不希望在运算结果中出现 NA 值时，可以使用前面 reindex 中提到过 fill_value 参数，不过为了传递这个参数，就需要使用对象的方法，而不是操作符：df1.add(df2,fill_value=0)。其他算术方法还有：sub(), div(), mul()。
Series 和 DataFrame 之间的算术运算涉及广播，暂时先不讲。
函数应用和映射
Numpy 的 ufuncs（元素级数组方法）也可用于操作 pandas 对象。
当希望将函数应用到 DataFrame 对象的某一行或列时，可以使用 .apply(func, axis=0, args=(), **kwds) 方法。
f = lambda x:x.max()-x.min() >>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.apply(f) Ohio 6 Texas 6 California 6 dtype: int64 >>> df.apply(f,axis=1) a 2 c 2 d 2 dtype: int64
排序和排名
Series 的 sort_index(ascending=True) 方法可以对 index 进行排序操作，ascending 参数用于控制升序或降序，默认为升序。
若要按值对 Series 进行排序，当使用 .order() 方法，任何缺失值默认都会被放到 Series 的末尾。
在 DataFrame 上，.sort_index(axis=0, by=None, ascending=True) 方法多了一个轴向的选择参数与一个 by 参数，by 参数的作用是针对某一（些）列进行排序（不能对行使用 by 参数）：
>>> df.sort_index(by='Ohio') Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.sort_index(by=['California','Texas']) Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.sort_index(axis=1) California Ohio Texas a 2 0 1 c 5 3 4 d 8 6 7 [3 rows x 3 columns]
排名（Series.rank(method='average', ascending=True)）的作用与排序的不同之处在于，他会把对象的 values 替换成名次（从 1 到 n）。这时唯一的问题在于如何处理平级项，方法里的 method 参数就是起这个作用的，他有四个值可选：average, min, max, first。
>>> ser=Series([3,2,0,3],index=list('abcd')) >>> ser a 3 b 2 c 0 d 3 dtype: int64 >>> ser.rank() a 3.5 b 2.0 c 1.0 d 3.5 dtype: float64 >>> ser.rank(method='min') a 3 b 2 c 1 d 3 dtype: float64 >>> ser.rank(method='max') a 4 b 2 c 1 d 4 dtype: float64 >>> ser.rank(method='first') a 3 b 2 c 1 d 4 dtype: float64
注意在 ser[0]=ser[3] 这对平级项上，不同 method 参数表现出的不同名次。
DataFrame 的 .rank(axis=0, method='average', ascending=True) 方法多了个 axis 参数，可选择按行或列分别进行排名，暂时好像没有针对全部元素的排名方法。
统计方法
pandas 对象有一些统计方法。它们大部分都属于约简和汇总统计，用于从 Series 中提取单个值，或从 DataFrame 的行或列中提取一个 Series。
比如 DataFrame.mean(axis=0,skipna=True) 方法，当数据集中存在 NA 值时，这些值会被简单跳过，除非整个切片（行或列）全是 NA，如果不想这样，则可以通过 skipna=False 来禁用此功能：
>>> df
one two
a 1.40 NaN
b 7.10 -4.5
c NaN NaN
d 0.75 -1.3
[4 rows x 2 columns]
>>> df.mean()
one 3.083333
two -2.900000
dtype: float64
>>> df.mean(axis=1)
a 1.400
b 1.300
c NaN
d -0.275
dtype: float64
>>> df.mean(axis=1,skipna=False)
a NaN
b 1.300
c NaN
d -0.275
dtype: float64其他常用的统计方法有：
| ########################## | ******************** *** ************************ |
| count | NA 以外の値の数 |
| describe | 概要統計を計算するシリーズまたはDFの列、最大値、および最大値 |
| argmin、argmax | 最小値と最大値のインデックス位置（整数）最小値と最大値のインデックス 値 |
| 分位数 | サンプル分位数 (0 ～ 1) |
| sum | 合計 |
| 平均値 | 平均値 |
| 中央値 | 中央値 |
| mad | 平均値 |
| var | 分散 |
| std | 標準偏差 |
| skew | サンプル値の歪度(3次モーメント)から平均絶対分散を計算します |
| クルト | 値のサンプル尖度(4次モーメント) |
| cumsum | サンプル値の累積和 |
| cummin、cummax | サンプル値の累積最大値と累積最小値 |
| cumprod | サンプル値の累積積 |
| diff | 最初の差を計算する(時系列に便利) |
| pct_change | パーセント変化を計算 |
| 欠損データを処理する | |
| pandasのNA 主な性能はnpです。 nan、Python の組み込みの None も NA として扱われます。 | NA を処理するには、dropna、fillna、isnull、notnull の 4 つの方法があります。 |
dropna(axis=0, how='any', thresh=None) を渡します。これは how パラメータのオプションの値です。どれか、またはすべて。 all は、すべてのスライス要素が NA の場合にのみ行 (列) を破棄します。もう 1 つの興味深いパラメータは、整数型の thresh です。その機能は、たとえば、thresh=3 の場合、連続して少なくとも 3 つの非 NA 値がある場合に保持されます。 fillna
fillna(value=None, method=None, axis=0) 基本的な型に加えて、列の value パラメータにはさまざまな値が入力されます。メソッドの使用方法は前の .reindex() メソッドと同じなので、ここでは詳しく説明しません。 inplace パラメータ
dropna , fillna , isnull , notnull 。
is(not)null
这一对方法对对象做元素级应用，然后返回一个布尔型数组，一般可用于布尔型索引。
dropna
对于一个 Series，dropna 返回一个仅含非空数据和索引值的 Series。
问题在于对 DataFrame 的处理方式，因为一旦 drop 的话，至少要丢掉一行（列）。这里的解决方式与前面类似，还是通过一个额外的参数：dropna(axis=0, how='any', thresh=None) ，how 参数可选的值为 any 或者 all。all 仅在切片元素全为 NA 时才抛弃该行(列)。另外一个有趣的参数是 thresh，该参数的类型为整数，它的作用是，比如 thresh=3，会在一行中至少有 3 个非 NA 值时将其保留。
fillna
fillna(value=None, method=None, axis=0) 中的 value 参数除了基本类型外，还可以使用字典，这样可以实现对不同的列填充不同的值。method 的用法与前面 .reindex() 方法相同，这里不再赘述。
inplace 参数
前面有个点一直没讲，结果整篇示例写下来发现还挺重要的。就是 Series 和 DataFrame 对象的方法中，凡是会对数组作出修改并返回一个新数组的，往往都有一个 replace=False これまで触れていなかった点がありますが、サンプル全体を書いてみて、これが非常に重要であることがわかりました。 Series オブジェクトと DataFrame オブジェクトのメソッドのうち、配列を変更して新しい配列を返すメソッドには、多くの場合 replace=False のオプション パラメーターがあります。手動で True に設定すると、元の配列を置き換えることができます。
以上がパンダの基本の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
PythonスクリプトがUNIXで実行されない可能性がある一般的な理由は何ですか？Apr 28, 2025 am 12:18 AMPythonスクリプトがUNIXシステムで実行できない理由には、次のものが含まれます。1）CHMOD XYOUR_SCRIPT.PYを使用して実行権限を付与する不十分な権限。 2）shebangラインが正しくないか欠落している場合、＃！/usr/bin/envpythonを使用する必要があります。 3）環境可変設定が誤っていない場合、OS.Environデバッグを印刷できます。 4）間違ったPythonバージョンを使用して、Shebangラインまたはコマンドラインでバージョンを指定できます。 5）仮想環境を使用して依存関係を分離する依存関係の問題。 6）構文エラー、python-mpy_compileyour_script.pyを使用して検出します。
Pythonアレイを使用することがリストを使用するよりも適切なシナリオの例を挙げてください。Apr 28, 2025 am 12:15 AMPythonアレイの使用は、リストよりも大量の数値データの処理に適しています。 1）配列を保存するメモリを保存します。2）アレイは数値的な値で動作するのが高速です。3）アレイフォースタイプの一貫性、4）アレイはCアレイと互換性がありますが、リストほど柔軟で便利ではありません。
Pythonでリストと配列を使用することのパフォーマンスへの影響は何ですか？Apr 28, 2025 am 12:10 AMlistSareのより良い前提条件とmixdatatypes、whilearraysares優れたスナリカル計算砂の砂を大きくしたデータセット。
Numpyは、大きな配列のメモリ管理をどのように処理しますか？Apr 28, 2025 am 12:07 AMnumpymanagesmemoryforlargearrayseffictificleusing biews、copies、andmemory-mappedfiles.1）rewsinging withotingcopying、directmodifying theoriginalArray.2）copiescanbecreatedwithcopy（）methodforpreservingdata.3）Memory-MapplehandLemassiutasedatasetasedatasetasetasetasetasetasedas
モジュールのインポートが必要なのはどれですか：リストまたは配列は？Apr 28, 2025 am 12:06 AMlistsinpythondonotrequireimportingamodule、whilearrays fromthearraymoduledoneedanimport.1）listsarebuiltin、versatile、andcanholdmixeddatypes.2）araysaremoremory-efficient-fornumerumerumerumerumerumerdatabutでき、対象となるンドベフェフサメタイプ。
どのデータ型をPythonアレイに保存できますか？Apr 27, 2025 am 12:11 AMPythonlistscanstoreanydatatype,arraymodulearraysstoreonetype,andNumPyarraysarefornumericalcomputations.1)Listsareversatilebutlessmemory-efficient.2)Arraymodulearraysarememory-efficientforhomogeneousdata.3)NumPyarraysareoptimizedforperformanceinscient
Pythonアレイに間違ったデータ型の値を保存しようとするとどうなりますか？Apr 27, 2025 am 12:10 AMheouttemptemptostoreavure ofthewrongdatatypeinapythonarray、yure counteractypeerror.thisduetothearraymodule'sstricttypeeencultionyを使用します
Python Standard Libraryの一部はどれですか：リストまたは配列はどれですか？Apr 27, 2025 am 12:03 AMPythonListSarePartOfThestAndardarenot.liestareBuilting-in、versatile、forStoringCollectionsのpythonlistarepart。
ホットAIツール
Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ
AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。
Undress AI Tool
脱衣画像を無料で
Clothoff.io
AI衣類リムーバー
Video Face Swap
完全無料の AI 顔交換ツールを使用して、あらゆるビデオの顔を簡単に交換できます。
人気の記事
ホットツール
SAP NetWeaver Server Adapter for Eclipse
Eclipse を SAP NetWeaver アプリケーション サーバーと統合します。
SublimeText3 英語版
推奨: Win バージョン、コードプロンプトをサポート!
MantisBT
Mantis は、製品の欠陥追跡を支援するために設計された、導入が簡単な Web ベースの欠陥追跡ツールです。 PHP、MySQL、Web サーバーが必要です。デモおよびホスティング サービスをチェックしてください。
DVWA
Damn Vulnerable Web App (DVWA) は、非常に脆弱な PHP/MySQL Web アプリケーションです。その主な目的は、セキュリティ専門家が法的環境でスキルとツールをテストするのに役立ち、Web 開発者が Web アプリケーションを保護するプロセスをより深く理解できるようにし、教師/生徒が教室環境で Web アプリケーションを教え/学習できるようにすることです。安全。 DVWA の目標は、シンプルでわかりやすいインターフェイスを通じて、さまざまな難易度で最も一般的な Web 脆弱性のいくつかを実践することです。このソフトウェアは、
SecLists
SecLists は、セキュリティ テスターの究極の相棒です。これは、セキュリティ評価中に頻繁に使用されるさまざまな種類のリストを 1 か所にまとめたものです。 SecLists は、セキュリティ テスターが必要とする可能性のあるすべてのリストを便利に提供することで、セキュリティ テストをより効率的かつ生産的にするのに役立ちます。リストの種類には、ユーザー名、パスワード、URL、ファジング ペイロード、機密データ パターン、Web シェルなどが含まれます。テスターはこのリポジトリを新しいテスト マシンにプルするだけで、必要なあらゆる種類のリストにアクセスできるようになります。
ホットトピック
7781
15164414139952129625123429