我有一个清单:
lst = [1, 2, 3, 5, 0, 0, 9, 45, 3, 0, 1, 7]
我需要0新列表中s 之间的元素总和.我试过了
lst1 = []
summ = 0
for i, elem in enumerate(lst):
if elem != 0:
summ = summ + elem
else:
lst1.append(summ)
lst1.append(elem)
summ = 0
但它回归[11, 0, 0, 0, 57, 0],而我期待
[11, 0, 0, 57, 0, 8]
我有一本字典
{u'__': 2, u'\u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0430': 1, u'\u041f\u043e\u0447\u0435\u043c\u0443': 1, u'\u041d\u0430\u043c': 1, u'\u043e\u0434\u0438\u043d': 1, u'\u0441\u043e\u0432\u0435\u0442\u0430\u043c\u0438': 1, u'\u041f\u0440\u043e\u0438\u0437\u043d\u0435\u0441\u0442\u0438': 1, u'\u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e,': 1, u'\u0432\u044b\u0445\u043e\u0434\u044f\u0449\u0435\u043c\u0443': 1, u'\u043d\u0430\u0448\u0435\u0439': 2, u'\u0441\u0438\u0441\u0442\u0435\u043c\u0443': 1, u'\u0441\u0431\u043e\u0440\u0430': 1, u'\u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u043c.': 1, u'[](//www.yandex.ru)': 1, u'\u0412\u0430\u043c': 1, u'\u0430': 102, u'\u0432\u0438\u0440\u0443\u0441\u043e\u0432,': 1, u'\u043e\u0447\u0435\u043d\u044c': 1, u'\u0438': 90, u'\u0440\u0430\u0437.': 1, u'[cureit](http://www.freedrweb.com/?lng=ru)': 1, u'\u043d\u0435': 9, u'\u0438\u043b\u0438': 2, u'\u0441\u043f\u0435\u0446\u0438\u0430\u043b\u044c\u043d\u043e': 1, u'\u043d\u0430': 11, u'\u043d\u043e': 17, u'\u0443\u0441\u0442\u0430\u043d\u043e\u0432\u043b\u0435\u043d\u044b': 1, u'\u041c\u043e\u0436\u0435\u0442': 1, u'\u0432\u0430\u0448': 5, u'\u0445\u043e\u0442\u0438\u0442\u0435': 1, u'[\u0444\u043e\u0440\u043c\u043e\u0439': 1, u'\u0432\u044b': 5, u'\u0446\u0435\u043b\u0435\u0439': 1, u'\u0441\u0438\u043c\u0432\u043e\u043b\u044b': 3, u'\u0415\u0441\u043b\u0438': 2, u'\u0422\u0430\u043a\u0436\u0435': 1, u'\u0432\u043e\u0437\u043d\u0438\u043a\u043b\u0438': 1, u'\u0434\u0430\u043d\u043d\u043e\u0433\u043e': 1, u'**\u0412': 1, u'\u0437\u0430\u043f\u0440\u043e\u0441\u044b),': …我有数据框
ID,url,used_at,active_seconds,domain
61a77f9e5fd52a50c10cd2d4d886ec68,mazdaspb.ru,2015-01,6,mazdaspb.ru
61a77f9e5fd52a50c10cd2d4d886ec68,mazdaspb.ru/cars/mazda-cx-5/crossover/overview,2015-01,12,mazdaspb.ru
61a77f9e5fd52a50c10cd2d4d886ec68,mazdaspb.ru/cars/mazda-cx-5/crossover/overview,2015-01,19,mazdaspb.ru
61a77f9e5fd52a50c10cd2d4d886ec68,vw-stat.ru,2015-01,40,vw-stat.ru
61a77f9e5fd52a50c10cd2d4d886ec68,vw-stat.ru/models/new_tiguan,2015-01,12,vw-stat.ru
61a77f9e5fd52a50c10cd2d4d886ec68,vw-stat.ru/models/new_tiguan/comps,2015-01,48,vw-stat.ru
61a77f9e5fd52a50c10cd2d4d886ec68,vw-stat.ru/models/new_tiguan/comps/new_tiguan_track_field,2015-01,4,vw-stat.ru
61a77f9e5fd52a50c10cd2d4d886ec68,vw-stat.ru/models/new_tiguan/comps/new_tiguan_track_field?engine_type=DIESEL&DIESEL=engines_4e53a3c8e986d,2015-01,78,vw-stat.ru
41c2fd7a372729dfe336e44730169f28,avito.ru/saratov/avtomobili_s_probegom/volkswagen/golf?f=188_886b887,2015-01,8,avito.ru
41c2fd7a372729dfe336e44730169f28,avito.ru/saratov/avtomobili_s_probegom/volkswagen/golf?f=188_886b887,2015-01,1,avito.ru
41c2fd7a372729dfe336e44730169f28,avito.ru/saratov/avtomobili_s_probegom/volkswagen/golf?f=188_886b887,2015-01,2,avito.ru
我需要制作数据透视表，并且应该有所有唯一 ID 的百分比值。我可以得到
group = pd.pivot_table(df, index='used_at', columns='domain', values='ID', aggfunc=(lambda x: x.count()))
但它每个月都会向每个域返回唯一 ID 的数量。如何将其转换为百分比？
我有数据帧
ID time coeff category
111 12 1.5 shop
111 15 1.5 shop
222 12 0.8 shop
222 18 0.8 shop
我需要得到
category unique_users
shop 2.3
如果我试试
result = df.groupby(['category']).agg({'ID': pd.Series.nunique}).rename(columns={ 'member_id': 'unique_users'}).reset_index()
我知道2,因为它返回了唯一的df.ID.如何将值汇总df.coeff为唯一df.ID？
我是 tensorflow 的新手，我试图了解应该是什么大小batch。
我的数据的形状(119396, 12955)。我怎样才能最好batch_size地选择我的数据？什么依赖batch_size于数据形状或使用算法？
我有2个数据帧
category count_sec_target
3D-?????? 0.09375
C?????? 201.90625
GPS ? ??????? 0.015625
Hi-Tech 187.1484375
???????????? 0.8125
???????????? 8.40625
和
category count_sec_random
3D-?????? 0.369565217
Hi-Tech 70.42391304
??? ??, ??????????????? 0.934782609
???????????? 1.413043478
???????????? 14.93478261
???? 480.3369565
我需要连接并得到
category count_sec_target count_sec_random
3D-?????? 0.09375 0.369565217
C?????? 201.90625 0
GPS ? ??????? 0.015625 0
Hi-Tech 187.1484375 70.42391304
???????????? 0.8125 1.413043478
???????????? 8.40625 14.93478261
??? ??, ??????????????? 0 0.934782609
???? 0 480.3369565
接下来我想在col中划分值(count_sec_target / count_sec_random) * 100%
但是当我尝试连接df时
frames = [df1, df1]
df = pd.concat(frames) …我有50个具有一个结构的数据帧,但值不同.如何从这一切获得平均数据帧？
active nodes
graph
0 128
1 128
2 128
3 127
4 126
5 126
6 126
7 126
8 126
9 125
10 124
我有数据帧
ID 2016-01 2016-02 ... 2017-01 2017-02 ... 2017-10 2017-11 2017-12
111 12 34 0 12 3 0 0
222 0 32 5 5 0 0 0
我需要计算每12列并得到
ID 2016 2017
111 46 15
222 32 10
我试着用
(df.groupby((np.arange(len(df.columns)) // 31) + 1, axis=1).sum().add_prefix('s'))
但它会返回所有列但是当我尝试使用时
df.groupby['ID']((np.arange(len(df.columns)) // 31) + 1, axis=1).sum().add_prefix('s'))
它回来了
TypeError: 'method' object is not subscriptable
我该如何解决这个问题？
我有数据框，我需要使用正则表达式进行过滤。
数据框：
domain tag1
0 ^mail.ru/search ??????
1 go.mail.ru$ ???-??????
2 vk.com/audios ??????????
3 vk.com/video ??????????
4 vk.com/apps ??????????
5 vk.com ??????????
6 ^yandex.ru/search ??????
7 ^yandex.ru/pogoda ??????
8 ^yandex.ru$ ???-??????
我只需要获取域名
我尝试使用
def get_domain_encoding(df):
return df[df.domain.str.contains(r'[a-zA-Z0-9-_]+.[a-zA-Z0-9]')]
它又回到了我
domain tag1
0 ^mail.ru/search ??????
2 vk.com/audios ??????????
3 vk.com/video ??????????
4 vk.com/apps ??????????
5 vk.com ??????????
6 ^yandex.ru/search ??????
7 ^yandex.ru/pogoda ??????
8 ^yandex.ru$ ???-??????
当我将其更改为
def get_domain_encoding(df):
return df[df.domain.str.contains(r'^[a-zA-Z0-9-_]+.[a-zA-Z0-9]$')]
它返回我空的数据框。
我该如何解决？
我有一个数据帧
date member_id val
2016-06-01 2377264 14
2016-06-01 289719 6
2016-06-02 289719 12
2016-06-02 2377264 1
2016-06-03 289719 0
2016-06-04 289719 0
2016-06-05 289719 3
我需要获取member_id val 2377264 [14,1] 289719 [6,12,0,3]接下来我要对列表中的元素求和,如果列表中有0,则写入.我的意思是
member_id val
2377264 [15]
289719 [18, 0, 0, 3]
我试过了
vals = []
print df.groupby('member_id')['val'].apply(lambda x: vals.append(x))
但它返回列中的所有None值.我该如何解决这个问题？
python ×10
pandas ×7
dataframe ×1
dictionary ×1
encoding ×1
list ×1
percentage ×1
pivot-table ×1
regex ×1
tensorflow ×1
unique ×1