python中loc

‘壹’ python loc=None

这是一个值。
在Python中有一个值称为None，它表示没有值None是NoneType数据类型的唯一值就像布尔值True和False一样，None必须大写首字母N如果你希望变量中存储的东西不会与一个真正的值混淆，这个没有值的值就可能有用有一个使用None的地方就是print()的返回值print()函数在屏幕上显示文本，但它不需要返回任何值，这和len()或input()不同但既然所有函数调用都需要求值为一个返回值，那么print()就返回None。
Python由荷兰数学和计算机科学研究学会的吉多·范罗苏姆于1990年代初设计，作为一门叫做ABC语言的替代品Python提供了高效的高级数据结构，还能简单有效地面向对象编程。

‘贰’ 想学python进行数据分析，请问要学多久

Python是大家进入编程世界的理想选择，也是最适合零基础学习的编程语言，Python涉及多个领域，不同领域的技术要求是不同，虽然确定了自己的发展方向，但是在学习Python的时候，不能只针对一个方向去学习，依然需要从头开始，再到精通，一般情况下来说，报名培训班学习入门到精通5-6个月左右。

‘叁’ 数据分析员用python做数据分析是怎么回事，需要用到python中的那些内容，具体是怎么操作的

最近，Analysis with Programming加入了Planet Python。我这里来分享一下如何通过Python来开始数据分析。具体内容如下：

数据导入

导入本地的或者web端的CSV文件；

数据变换；

数据统计描述；

假设检验

单样本t检验；

可视化；

创建自定义函数。

数据导入

• 1

  这是很关键的一步，为了后续的分析我们首先需要导入数据。通常来说，数据是CSV格式，就算不是，至少也可以转换成CSV格式。在Python中，我们的操作如下：

  import pandas as pd

  # Reading data locally

  df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')

  # Reading data from web

  data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"

  df = pd.read_csv(data_url)

  为了读取本地CSV文件，我们需要pandas这个数据分析库中的相应模块。其中的read_csv函数能够读取本地和web数据。

数据变换

• 1

  既然在工作空间有了数据，接下来就是数据变换。统计学家和科学家们通常会在这一步移除分析中的非必要数据。我们先看看数据（下图）

  对R语言程序员来说，上述操作等价于通过print(head(df))来打印数据的前6行，以及通过print(tail(df))来打印数据的后6行。当然Python中，默认打印是5行，而R则是6行。因此R的代码head(df, n = 10)，在Python中就是df.head(n = 10)，打印数据尾部也是同样道理

  

• 9

  plt.show(sns.lmplot("Benguet", "Ifugao", df))

创建自定义函数

• 在Python中，我们使用def函数来实现一个自定义函数。例如，如果我们要定义一个两数相加的函数，如下即可：

  def add_2int(x, y):

  return x + y

  print add_2int(2, 2)

  # OUTPUT

  4

• 顺便说一下，Python中的缩进是很重要的。通过缩进来定义函数作用域，就像在R语言中使用大括号{…}一样。这有一个我们之前博文的例子：

  产生10个正态分布样本，其中和

  基于95%的置信度，计算和;

  重复100次; 然后

  计算出置信区间包含真实均值的百分比

  Python中，程序如下：

  import numpy as np

  import scipy.stats as ss

  def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

  m = np.zeros((rep, 4))

  for i in range(rep):

  norm = np.random.normal(loc = mu, scale = sigma, size = n)

  xbar = np.mean(norm)

  low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

  up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

  if (mu > low) & (mu < up):

  rem = 1

  else:

  rem = 0

  m[i, :] = [xbar, low, up, rem]

  inside = np.sum(m[:, 3])

  per = inside / rep

  desc = "There are " + str(inside) + " confidence intervals that contain "

  "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

  return {"Matrix": m, "Decision": desc}

• 上述代码读起来很简单，但是循环的时候就很慢了。下面针对上述代码进行了改进，这多亏了Python专家

  import numpy as np

  import scipy.stats as ss

  def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

  scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

  norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))

  xbar = norm.mean(1)

  low = xbar - scaled_crit

  up = xbar + scaled_crit

  rem = (mu > low) & (mu < up)

  m = np.c_[xbar, low, up, rem]

  inside = np.sum(m[:, 3])

  per = inside / rep

  desc = "There are " + str(inside) + " confidence intervals that contain "

  "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

  return {"Matrix": m, "Decision": desc}

‘肆’ Python 基本操作- 数据选取loc、iloc、ix函数

loc中的数据是列名，是字符串，所以前后都要取；iloc中数据是int整型，所以是Python默认的前闭后开

构建数据集df

loc函数主要通过行标签索引行数据 ，划重点， 标签！标签！标签！
loc[1] 选择行标签是1的（从0、1、2、3这几个行标签中）

loc[0:1] 和 loc[0,1]的区别，其实最重要的是loc[0:1]和iloc[0:1]

索引某一列数据，loc[:,0:1]，还是标签，注意，如果列标签是个字符，比如'a'，loc['a']是不行的，必须为loc[:，'a']。
但如果行标签是'a',选取这一行，用loc['a']是可以的。

iloc 主要是通过行号获取行数据，划重点，序号！序号！序号！
iloc[0:1]，由于Python默认是前闭后开，所以，这个选择的只有第一行！

如果想用标签索引，如iloc['a']，就会报错，它只支持int型。

ix——结合前两种的混合索引，即可以是行序号，也可以是行标签。

如选择prize>10(prize为一个标签)的，即 df.loc[df.prize>10]
还有&并或等操作

python选取特定列——pandas的iloc和loc以及icol使用

pandas入门——loc与iloc函数

pandas中loc、iloc、ix的区别

pandas基础之按行取数（DataFrame）

‘伍’ Python Pandas 依据标签或者位置选取特定行列 loc和iloc两种方式

Pandas中有两种方式可以进行特定行列的选取，一种是在知道每一列的名称（label）的情况下（df.loc），一种是在只知道列的位置（integer-location）的情况下(df.iloc)。

可以看出，上述的冒号（:）意味着选取所有的行，所以只需在此处进行改动即可选取特定行（前开后闭）

同样在选取特定行的时候，依然存在基于label或者是基于integer-location的选择

选取行采用df.iloc方式，具体如下

除此之外，在采用非标签的方式选择的时候，可以通过输入布尔型变量进行筛选，比如 df.iloc[[True, False, True]] ，或者是 df.iloc[lambda x: x.index % 2 == 0]

完结撒花，反正知道了df.loc和df.iloc的差别之后自由组合就好了~

参考资料： https://pandas.pydata.org/pandas-docs/stable/reference/frame.html#indexing-iteration

‘陆’ python怎么把用新的列替换某列

1、通过列名来访问到该表格中的这个列，然后调用replace()方法来将其中的值给替换掉。
2、使用切片方式访问到指定列，不过需要调用loc这个表示行列的对象。
3、调用contains()方法检查列中是否有指定的值，有的话就将其进行替换处理。

‘柒’ matplotlib-legend()中loc的用法

python - matplotlib-legend()中loc的用法

matplotlib中的legend主要用来设置图例相关的内容，其中loc用来表示图例的具体位置，他的可选的参数可以是字符，也可以是数字，默认情况下是0（即best），参数及意思如下：
0: ‘best’ （自动寻找最好的位置）
1: ‘upper right’ （右上角）
2: ‘upper left’ （左上角）
3: ‘lower left’ （左下角）
4: ‘lower right’ （右下角）
5: ‘right’ （右边中间）
6: ‘center left’ （左边中间）
7: ‘center right’ （右边中间）
8: ‘lower center’ （中间最下面）
9: ‘upper center’ （中间最上面）
10: ‘center’ （正中心)

参考文章：
1、 python - matplotlib-legend()中loc的用法

‘捌’ python中图例的位置怎么手动调整

1.最近遇到一个问题，关于图例legend如何画在图外的问题，并以适合的比例显示出来。

2.首先传统的做法如下，这种方式并不能满足我的要求，而且是显示在图内。

ax1.legend(loc='center left', bbox_to_anchor=(0.2, 1.12),ncol=3)1

loc表示图例的位置，有多种形式：

‘North’ 图例标识放在图顶端
‘South’ 图例标识放在图底端
‘East’ 图例标识放在图右方
‘West’ 图例标识放在图左方
‘NorthEast’ 图例标识放在图右上方（默认）
‘NorthWest 图例标识放在图左上方
‘SouthEast’ 图例标识放在图右下角
‘SouthWest’ 图例标识放在图左下角12345678

有人说简单，有相同的方式，如下经测试不行，可能是本人用的python版本不行，所用的方式就是和前面一样，采用如下的方式来替换上面的legend位置。

‘NorthOutside’ 图例标识放在图框外侧上方
‘SouthOutside’ 图例标识放在图框外侧下方
‘EastOutside’ 图例标识放在图框外侧右方
‘WestOutside’ 图例标识放在图框外侧左方
‘NorthEastOutside’ 图例标识放在图框外侧右上方
‘NorthWestOutside’ 图例标识放在图框外侧左上方
‘SouthEastOutside’ 图例标识放在图框外侧右下方
‘SouthWestOutside’ 图例标识放在图框外侧左下方
（以上几个将图例标识放在框图外）
‘Best’ 图标标识放在图框内不与图冲突的最佳位置
‘BestOutside’ 图标标识放在图框外使用最小空间的最佳位置1234567891011

bbox_to_anchor：表示legend的位置，前一个表示左右，后一个表示上下。当使用这个参数时。loc将不再起正常的作用，ncol=3表示图例三列显示。

3.有人说要解决这个问题可以采用对坐标轴放大或是缩小的方式，经本人测试可以行，但是，放大缩小的比率不让人满意，且很难控制到适合的位置。有兴趣可以参考链接，最终得出此方法不行。

4.那么就没有办法了吗？NO.NO，请看下面，最终完成如下。

这就是本人要的效果，不废话，具体做法如下

box = ax1.get_position()
ax1.set_position([box.x0, box.y0, box.width , box.height* 0.8])12

首先按上面的方式，如果你想将图例放上面就box.height*0.8，放右边就box.width*0.8其它方式一样。同时配合下面来使用。

ax1.legend(loc='center left', bbox_to_anchor=(0.2, 1.12),ncol=3)1

主要是bbox_to_anchor的使用，自己可以修改参数试下，good luck for you.

阅读全文

版权声明：原创文章，未经博主

‘玖’ python数据分析可以做什么工作

python可以做什么？

1. 检查数据表：Python中使用shape函数来查看数据表的维度，也就是行数和列数。

2. 数据表清洗：Python中处理空值的方法比较灵活，可以使用Dropna函数用来删除数据表中包含空值的数据，也可以使用fillna函数对空值进行填充。

3. 数据预处理：数据预处理是对清洗完的数据进行整理以便后期的统计和分析工作，主要包括数据表的合并、排序、数值分列、数据分组及标记等工作。

4. 数据提取：主要是使用三个函数：loc、iloc和ix，其中loc函数按标签值进行提取，iloc按位置进行提取，ix可以同时按标签和位置进行提取。

5. 数据筛选汇总：Python中使用loc函数配合筛选条件来完成筛选功能，配合sum和 count函数还能实现excel中sumif和countif函数的功能。

   综合这五种工作内容来说，python数据分析就业前景还是非常好的

‘拾’ python中iloc 和loc ix的区别

1. loc 在index的标签上进行索引,范围包括start和end。

2. iloc 在index的位置上进行索引,不包括end.。

3. ix 是 iloc 和 loc的合体。