df ['X'].unique()和TypeError:不可散列的类型：'numpy.ndarray‘ - 腾讯云开发者社区

5, step=1) RangeIndex(start=0, stop=5, step=1) 注意索引对象不可变...# 索引对象不可变 ser_obj.index[0] = 2 ---------------------------------------------------------------------...= pd.DataFrame(dict_data) print(df_obj2.head()) # 通过列索引获取列数据 print(df_obj2['A']) print(type(df_obj2...['A'])) print(df_obj2.A) # 通过行索引获取行数据 print(df_obj2.loc[0]) print(type(df_obj2.loc[0])) # 增加列 df_obj2...['G'] = df_obj2['D'] + 4 print(df_obj2.head()) # 删除列 del(df_obj2['G'] ) print(df_obj2.head()) [[ 0.23758715

1K2 1

Pandas 2.2 中文官方教程和指南（十七）

R 的 levels 始终是字符串类型，而 pandas 的 categories 可以是任何 dtype。不可能在创建时指定标签。...多列排序一个分类数据类型的列将以与其他列类似的方式参与多列排序。分类的排序由该列的categories确定。...多列排序分类数据类型的列将以与其他列类似的方式参与多列排序。分类的排序由该列的categories确定。...唯一的区别是返回类型（用于获取）和只有已在categories中的值才能被赋值。获取如果切片操作返回DataFrame或类型为Series的列，则category dtype 将被保留。...R 的levels始终为字符串类型，而 pandas 中的categories可以是任何 dtype。不可能在创建时指定标签。

4681 0

您找到你想要的搜索结果了吗？

是的

没有找到

Python的可散列对象

可散列类型在Python内置的对象类型中，并非都是可散列的，只有那些不可变对象，比如整数、浮点数、字符串、元组等，才是可散列的。...如果要将hash()用于不可散列的对象，结果会出现TypeError异常，例如： >>> hash(["R","e","a","l","P","y","t","h","o","n"]) Traceback...>>> x == y False 这符合Python的习惯，毕竟x和y是两个实例，在通常情况下，都是给类提供不同的参数，只不过这里演示得太简单了。...前面提到，Python中的对象分为可散列和不可散列两种类型，而这里检测之后，所有内置对象类型都具有__hash__方法，是不是意味着都能用于hash()函数呢？前面说过可变对象是不可散列类型。...__hash__) 以列表（可变对象，不可散列）和字符串（不可变对象，可散列）为例，发现它们的__hash__返回值不同

5K2 0

线性回归模型简介

) diabetes_df.describe() 除了第一列表示怀孕次数的可以是0，其他的指标不可能为0，所以其他列是0的行应该是缺失的，这样的行应当去掉。...后面只用到了glucose和bmi列，所以把这两列中的任意一列值为0的行去掉 cols_to_check = diabetes_df.iloc[:, [1,5]] # 检查这些列中任意一列是否包含0 rows_to_drop...## (752, 9) 2.创建特征和目标数据 X = diabetes_df.drop("glucose", axis=1).values y = diabetes_df["glucose"]....values print(type(X), type(y)) ## numpy.ndarray'> numpy.ndarray'> 3.根据单一特征完成预测 X_bmi...这行代码的作用是将X_bmi数组从一维数组转换为二维数组，其中每个元素都在自己的行中，即变为一个列向量。

811 0

Python 弱引用 weakref

循环引用问题一组相互引用的对象若没有被其它对象直接引用，并且不可访问，则会永久存活下来。一个应用程序如果持续地产生这种不可访问的对象群组，就会发生内存泄漏。...如果对象是可散列的，则弱引用是可散列的。即使在对象被删除后，它们仍将保持其哈希值。如果仅在对象被删除后才第一次调用 hash()，则该调用将引发 TypeError。...; to 'numpy.ndarray' at 0x0000028E3D3809E0> # 类型为弱引用 print(type(ref)) # <class 'weakref...方便之处就是，在大多数情况下可以直接将代理对象当做引用对象使用坏处就是内存空间不一致，数据类型不一致，不可哈希赋值后会变成强引用，因此不可赋值示例代码： import sys...; to 'numpy.ndarray' at 0x000001CC70051940>, x000001CC70EDB630 to numpy.ndarray at 0x000001CC70051940

1.1K1 0

小白眼中的AI之～Numpy基础

数组的形状，Tuple类型 print(array1.shape) print(array2.shape) # 2行10列 print(array3.shape) (10,) (2, 10) (2,...的行x列 !...**行x列 !...**行x列 !...unique、max、min、sum np.unique 找出其中不重复的元素 np.max 找出其中最大的值 np.min 找出其中最小值 np.sum 求和系列 a = np.random.randint

1.3K4 0

小白眼中的AI之～Numpy基础

（行*列）array2.size 20 # 查看元素的数据类型array2.dtype dtype('int64') ################### 扩展部分 #################...的行x列 !...**行x列 !...**行x列 !...(test_array[1,1]) 6 # 取索引为1,2的行；取索引为1,2的列test_array[1:3,1:3] array([[ 6, 7], [11, 12]]) 2.3.unique

1K10 0

pandas中的数值计算及统计基础

key1 NaN 36 key2 NaN 37 dtype: float64 38 ''' 39 # 计算单一列的均值 40 print('计算单一列的均值',df['key2']....# print('--------df2') 52 # 计算df2每一行的均值并将其结果添加到新的列 53 df2['mean'] = df2.mean(axis=1) 54 print(df2)...) 82 print('-' * 6) 83 print('df的最小值',df.min()) 84 print('df的最大值',df.max()) 85 print('df的key2列的最大值...float64 111 df的key2列的最大值 5.0 112 统计df的分位数，参数q确定位置 key1 4.25 113 key2 4.25 114 Name: 0.75, dtype...'sq的类型：',type(sq)) 165 print('对sq进行重新排序：',pd.Series(sq).sort_values()) 166 ''' 167 0 k 168 1

1.2K1 0

Pandas DataFrame的基本属性详解

=False) 创建一个DataFrame 代码功能 DataFrame() 创建一个DataFrame对象 df.values 返回ndarray类型的对象 df.iloc[ 行序,列序 ] 按序值返回元素...对象的信息 df.head(i) 显示前 i 行数据 df.tail(i) 显示后 i 行数据 df.describe() 查看数据按列的统计信息创建一个DataFrame DataFrame()函数的参数...运行结果： df.values 返回ndarray类型的对象 ndarray类型即numpy的 N 维数组对象,通常将DataFrame类型的数据转换为ndarray类型的比较方便操作。...如对DataFrame类型进行切片操作需要df.iloc[ : , 1:3]这种形式，对数组类型直接X[ : , 1:3]即可。...X = df.values print(type(X)) #显示数据类型 X 运行结果： numpy.ndarray'> [['小明' '男' 20 nan] ['小红' '女' 21

1.3K2 0

小白也能看懂的Pandas实操演示教程(上)

s1)) ---- 数组arr1： [0 1 2 3 4 5 6 7 8 9] arr1的数据类型： numpy.ndarray'> 序列s1: 0 0 1 1 2...s3=df3['one'] #直接拿出数据框3中第一列 print("序列3：\n",s3) print("序列3的类型：",type(s3)) print("---------------------...查询指定的行和列 test_data.loc[[0,2,4,5,7],['age','job','marital']] ?...=['x1','x2','x3']) #将之前创建的d1,d2,d3数据构建数据框 print(df.head()) df.apply(stats) ---- x1 x2...#如果只关注某一个变量与其余变量的相关系数的话，可以使用corrwith，如下方只关注x1与其余变量的相关系数 df.corrwith(df['x1']) x1 1.000000 x2 -0.075466

1.7K4 0

【项目实战】自监控-11-DataFrame索引操作（下篇）

系统：Windows 7 语言版本：Anaconda3-4.3.0.1-Windows-x86_64 编辑器：pycharm-community-2016.3.2 这个系列主要是实际在做项目的一个笔记...DataFrame，它的列已经默认排序好了为了体现后续的排序效果，额外增加了一列 import pandas as pddict1 = {"e": [1, 2, 3, 4], "c": [11, 12...3 索引输出 Part 3：将索引转化为列表输出使用tolist()函数将索引直接转化为列表 df.index.values也可以得到索引对应的值，但是类型依然是numpy.ndarray ind...= df.index.tolist() print("ind=", ind) print("ind类型", type(ind), "\n")ind2 = df.index.values print("...ind2=", ind2) print("ind2类型", type(ind2)) 运行结果 ?

3772 0

特征工程之类别特征

但是，与其他数值变量不一样的是，类别特征的数值变量无法与其他数值变量进行比较大小。(作为行业类型，石油与旅行无法进行比较)它们被称之为非序的。...统一的散列函数可确保大致相同数量的数字被映射到每个箱。在视觉上，我们可以将散列函数视为一台机器可以吸入编号的球并将它们传送到一个m箱。球与相同的号码将始终被路由到同一个bin。...特征散列将原始特征向量压缩为m维通过对特征ID应用散列函数来创建矢量。例如，如果原件特征是文档中的单词，那么散列版本将具有固定的词汇大小为m，无论输入中有多少独特词汇。...这确保了内部产品之间散列特征与原始特征的期望值相同。...在有针对性的广告案例中，McMahan et al. [2013年]报告不能将预测误差降低到可接受的水平，除非m的数量级为数十亿。散列特征的一个缺点是散列特征是聚合的原始特征，不再可解释。

9011 0

Pandas图鉴(二)：Series 和 Index

Pandas 给 NumPy 数组带来的两个关键特性是：异质类型 —— 每一列都允许有自己的类型索引 —— 提高指定列的查询速度事实证明，这些功能足以使Pandas成为Excel和数据库的强大竞争者...在内部，Series将数值存储在一个普通的NumPy向量中。因此，它继承了它的优点（紧凑的内存布局，快速的随机访问）和缺点（类型同质性，缓慢的删除和插入）。...在Pandas中，它被称为MultiIndex（第4部分），索引内的每一列都被称为level。索引的另一个重要特性是它是不可改变的。与DataFrame中的普通列相比，你不能就地修改它。...但正是由于不可更改性，不允许只写df.City.name = 'city'，所以必须借助于df.rename(columns={'City': 'city'})。..., df.values, equal_nan=True) TypeError >>> len(df.compare(df)) == 0 True 添加、插入、删除尽管系列对象应该是大小不可变的

3382 0

《Pandas Cookbook》第01章 Pandas基础

DataFrame的结构 # 设定最大列数和最大行数 in[2]: pd.set_option('max_columns', 8, 'max_rows', 10) # 用read_csv()方法读取csv...type(data) # numpy.ndarray out[10]: numpy.ndarray in[11]: # 判断是不是子类型 issubclass(pd.RangeIndex...理解数据类型 in[14]: movie = pd.read_csv('data/movie.csv') # 各列的类型 in[15]: movie.dtypes out[15]:...len(s_attr_methods) out[23]: 442 in[24]: # 查看DataFrame所有不重复的指令 df_attr_methods =...len(s_attr_methods & df_attr_methods) out[25]: 376 原理 in[26]: # 选取director和actor_1_fb_likes两列

1.3K3 0

开源图书《Python完全自学教程》第5章

在有的资料中，还提出了“基础对象类型”的类别，包括整数类型、浮点数类型、字符串类型和布尔类型。所以，根据对象的不同特点，可以有不同的聚类结果。...“键”必须是不可变对象——如果书的目录名称会变化，那就不仅仅是眼花缭乱，而是手忙脚乱了。 “值”可以是 Python 中任何类型对象。 “值”可以重复。...: unhashable type: 'list' 出现了 TypeError 异常，特别注意看提示信息，告诉我们出问题的根源在于列表是 unhashable 类型。...简要说明： hash：翻译为“散列”或“哈希”，“hashable”意即“可散列”、“可哈希”。截止目前，已经学习过的 Python 内置对象中，数字、字符串、元组都是可散列的，也是不可变对象。...unhasable：翻译为“不可散列”、“不可哈希”，此前学过的列表和现在学习的字典，都是此类型的对象，同时为可变对象。所以，字典也不能作为键值对的键。

6602 0

剖析源码讲解Numpy模块中的tile函数

但不可以是float, string, matrix(多维度的ndarray数组)类型。 tile函数的功能是重复某个数组。...▲result 可以看出前面介绍的不可以作为参数reps类型在这里可以安全的执行通过，所以这个地方并不是限制参数reps类型的根源所在。 ? ▲reps可以为的参数类型 ?...▲reps不可以为的参数类型其实使用tuple函数转换成元组失败是因为tuple函数它需要的是一个可迭代的参数类型，如果不是的话就会抛出Typeerror的异常，抛出异常在源码中就会把值直接放入元组的第一个位置...''' numpy.ndarray'> ''' 这里的all(x == 1 for x in tup)就是为什么参数reps不能使用matrix类型的根源所在。...因为c.ndim也就是c的维度与d也就是元组中的元素个数不匹配，或者说是要进行重复的A的维度和reps重复次数不匹配，这样可想而知是不可以的，所以加入了一个进行处理的代码。

1.4K1 0

Python 金融编程第二版（二）

在这方面最重要的数据结构之一是数组。数组通常以行和列的形式结构化其他（基本）相同数据类型的对象。暂时假设我们仅使用数字，尽管这个概念也可以推广到其他类型的数据。...② 主要方法的工作方式类似于list对象的方法。 ③ 虽然“标量乘法”原理上可行，但结果不是数学上预期的；而是元素被重复。尝试附加与指定数据类型不同的对象会引发TypeError。...ndarray对象是不可变的，其形状是固定的。它仅允许单一数据类型（numpy.dtype）用于整个数组。相反，array类只共享允许唯一数据类型（类型代码，dtype）的特性。...我们有列名和列数据类型，可能还有一些附加信息（例如，每个string对象的最大字符数）。...总之，结构化数组是常规numpy.ndarray对象类型的泛化，因为数据类型只需在每列上保持相同，就像在SQL数据库表格上的上下文中一样。

2031 0

小白也能看懂的Pandas实操演示教程(上)

)) ---- 数组arr1： [0 1 2 3 4 5 6 7 8 9] arr1的数据类型： numpy.ndarray'> 序列s1: 0 0 1 1 2 2...s3=df3['one'] #直接拿出数据框3中第一列 print("序列3： ",s3) print("序列3的类型：",type(s3)) print("----------------------...查询指定的行和列 test_data.loc[[0,2,4,5,7],['age','job','marital']] ?...=['x1','x2','x3']) #将之前创建的d1,d2,d3数据构建数据框 print(df.head()) df.apply(stats) ---- x1 x2...#如果只关注某一个变量与其余变量的相关系数的话，可以使用corrwith，如下方只关注x1与其余变量的相关系数 df.corrwith(df['x1']) x1 1.000000 x2 -0.075466

1.4K2 0

Python数据分析入门（三）：Pandas索引操作

索引对象Index Series和DataFrame中的索引都是Index对象示例代码： print(type(ser_obj.index)) print(type(df_obj2.index))...'> Int64Index([0, 1, 2, 3], dtype='int64') 索引对象不可变，保证了数据的安全示例代码： # 索引对象不可变 df_obj2.index[0] = 2 运行结果...，时间戳类型 Series索引 index 指定行索引名示例代码： ser_obj = pd.Series(range(5), index = ['a', 'b', 'c', 'd', 'e']) print...columns 指定列索引名示例代码： import numpy as np df_obj = pd.DataFrame(np.random.randn(5,4), columns = ['a',...df_obj[[‘label’]] 示例代码： # 列索引 print(df_obj['a']) # 返回Series类型运行结果： 0 -0.241678 1 -0.526918 2

7453 0

从不同的DataFrame追加列6. 高亮每列的最大值7. 用链式方法重现

，修改索引对象的一个值，会导致类型错误，因为索引对象是不可变类型 In[10]: columns[1] = 'city' ---------------------------------------...# 再从baseball_15中选取一些列，有相同的、也有不同的 In[45]: df_15 = baseball_15[['AB', 'R', 'H', 'HR']] df_15....# 即便使用了fill_value=0，有些值也会是缺失值，这是因为一些行和列的组合根本不存在输入的数据中 In[47]: df_14.add(df_15, fill_value=0).head(10...，用eq方法比较DataFrame的每个值和该列的最大值 In[78]: college_n.eq(college_n.max()).head() Out[78]: ?...# 一些列只有一个最大值，比如SATVRMID和SATMTMID，UGDS_WHITE列却有许多最大值。有109所学校的学生100%是白人。

3K1 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

Python数据分析之Pandas（数据结构）

Pandas 2.2 中文官方教程和指南（十七）

Python的可散列对象

线性回归模型简介

Python 弱引用 weakref

小白眼中的AI之～Numpy基础

小白眼中的AI之～Numpy基础

pandas中的数值计算及统计基础

Pandas DataFrame的基本属性详解

小白也能看懂的Pandas实操演示教程(上)

【项目实战】自监控-11-DataFrame索引操作（下篇）

特征工程之类别特征

Pandas图鉴(二)：Series 和 Index

《Pandas Cookbook》第01章 Pandas基础

开源图书《Python完全自学教程》第5章

剖析源码讲解Numpy模块中的tile函数

Python 金融编程第二版（二）

小白也能看懂的Pandas实操演示教程(上)

Python数据分析入门（三）：Pandas索引操作

从不同的DataFrame追加列6. 高亮每列的最大值7. 用链式方法重现

扫码

相关资讯

热门标签

活动推荐

运营活动

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐