## Cocosmos

是一个在线探索宇宙网站，提供丰富的宇宙探索和相关科学知识，展示宇宙奇妙之处的同时，还提供有关天文学、宇宙物理学和太空探索的信息。

通过精美的图像、令人惊叹的视频和生动的文字描述，用户可以深入了解宇宙的不可思议之处。无论是对恒星、行星、星系还是黑洞等宇宙现象的兴趣，该网站都能满足不同用户的需求。

## 网站地址

Cocosmos：[https://cocosmos.online/](https://cocosmos.online/)


Cocosmos-在线探索宇宙 掌上宇宙

## 广播迷

是一个广播电台频道大全的公益网站，在线听广播和电视直播，包括广播电台2050个频道和在线电视直播2146个频道。

广播迷免费为广大听友提供全方位的网上听广播服务，通过交流与分享，以达到公益传递与分享之目的，目前收集电台资讯、电台介绍、节目主持人信息、节目时间表、广播节目稿、各地电台收听频率等内容，非常丰富。

## 网站地址

广播迷：[http://www.guangbomi.com/](http://www.guangbomi.com/)

## 类似网站

- OneStop Radio：[https://theonestopradio.com/](https://theonestopradio.com/)
- Code Radio：[https://coderadio.freecodecamp.org/](https://coderadio.freecodecamp.org/)
- 好趣网：[http://tv.haoqu99.com/](http://tv.haoqu99.com/)
- BIG-Radio：[https://big-radio.net/zh/](https://big-radio.net/zh/)


广播迷-广播电台频道大全 在线听广播和电视直播

DataFrame数据框是一个表格型的数据结构，设计初衷是将[Series](__GHOST_URL__/post/21/)的使用场景从一维拓展到多维。DataFrame既有行索引，也有列索引。

- 行索引：index
- 列索引：columns
- 值：values(NumPy二维数组)

## 创建DataFrame

字典嵌套列表创建数据框：

    import pandas as pd
    d = {"Name": ["Alex", "Bob", "Clarke"], "Age": [10, 11, 12]}
    df = pd.DataFrame(d, index=["a", "b", "c"])  # 添加行索引
    print(df)
    输出
    Name  Age
    a    Alex   10
    b     Bob   11
    c  Clarke   12

列表创建数据框：

    data = [["Alex", 10], ["Bob", 11], ["Clarke", 12]]  # 嵌套列表
    df = pd.DataFrame(data, columns=["Name", "Age"])  # 添加列标签索引
    print(df)
    输出
    Name  Age
    0    Alex   10
    1     Bob   11
    2  Clarke   12

列表嵌套字典创建数据框：

    data = [{"Name": "Alex", "Age": 12}, {"Name": "Bob", "Age": 16, "Sex": "0"}]
    df = pd.DataFrame(data)
    print(df)
    输出
    Name  Age  Sex
    0  Alex   12  NaN
    1   Bob   16    0

## 基本属性和方法

    d = {"Name": ["Alex", "Bob", "Clarke"], "Age": [10, 11, 12]}
    df = pd.DataFrame(d, index=["a", "b", "c"])
    print(df.shape)  # 形状，查看维度，几行几列
    print(df.columns)  # 列索引
    print(df.index)  # 行索引
    print(df.values)  # 二维数组数据
    print(df.dtypes)  # 查看每列数据类型
    print(df.Age.dtype)  # 查看指定列数据类型
    print(df.describe())  # 查看每列描述性统计量
    print(df.info())  # 查看数据框基本信息，维度、列名称、数据格式、所占空间等
    print(df.head(2))  # 查看前几条数据，默认5
    print(df.tail(2))  # 查看后几条数据，默认5

## 索引

### 列索引

对列进行索引，通过类似字典的方式，或通过属性的方式。

可以将DataFrame的列获取为一个Series，返回的Series拥有原DataFrame相同的索引，且name属性也已经设置好了，就是相应的列名。

列索引选取数据列：

    d = {"Name": ["Alex", "Bob"], "Age": [10, 11], "Sex": [0, 1]}
    df = pd.DataFrame(d)
    print(df["Age"])  ## 或 df.Age
    输出
    0    10
    1    11
    Name: Age, dtype: int64
    print(df[["Name", "Sex"]])  # 一次取多列得到的类型是：数据框

### 行索引

数据框默认先取列索引，不能直接取行索引，取行索引使用.loc[]加index，或使用.iloc[]加整数来取行索引。同样返回一个Series，index为原来的columns。

行索引选取数据行：

    d = {"Name": ["Alex", "Bob", "Clarke"], "Age": [10, 11, 18], "Sex": [0, 1, 0]}
    df = pd.DataFrame(d, index=["a", "b", "c"])
    print(df.loc["a"])
    输出
    Name    Alex
    Age       10
    Sex        0
    Name: a, dtype: object
    print(df.loc[["a", "c"]])  # 一次取多行得到的类型是：数据框
    print(df.iloc[[0, 2]])

### 元素索引

    print(df["Name"]["a"])  # 先取列，再取行
    print(df.loc["a"]["Name"])  # 先取行，再取列
    print(df.loc["a", "Name"])  # Alex
    print(df.iloc[0, 0])  # Alex

### 层次化索引

创建多层行索引，隐式构造：

    index = [
    ["1班", "1班", "1班", "2班", "2班", "2班"],
    ["张三", "李四", "王五", "赵六", "孙七", "周八"],
    ]
    columns = [
    ["期中", "期中", "期中", "期末", "期末", "期末"],
    ["语文", "数学", "英语", "语文", "数学", "英语"],
    ]
    data = [
    [70, 80, 88, 85, 66, 97],
    [90, 87, 78, 85, 95, 77],
    [70, 80, 88, 75, 96, 95],
    [75, 84, 80, 85, 76, 97],
    [71, 80, 68, 85, 96, 87],
    [70, 81, 88, 85, 96, 93],
    ]
    df = pd.DataFrame(data, index=index, columns=columns)
    print(df)
    """
    期中          期末
    语文 数学 英语 语文 数学 英语
    1班 张三  70  80  88   85  66   97
    李四  90  87  78   85  95   77
    王五  70  80  88   75  96   95
    2班 赵六  75  84  80   85  76   97
    孙七  71  80  68   85  96   87
    周八  70  81  88   85  96   93
    """

显示构造，pd.MultiIndex.from_arrays()使用数组，还可以使用元组from_tuples()，使用笛卡尔积from_product()。

### 索引堆叠

    index = pd.MultiIndex.from_product([["1班", "2班"], ["张三", "李四", "王五"]])
    columns = pd.MultiIndex.from_product([["期中", "期末"], ["语文", "数学", "英语"]])
    data = [
    [70, 80, 88, 85, 66, 97],
    [90, 87, 78, 85, 95, 77],
    [70, 80, 88, 75, 96, 95],
    [75, 84, 80, 85, 76, 97],
    [71, 80, 68, 85, 96, 87],
    [70, 81, 88, 85, 96, 93],
    ]
    df = pd.DataFrame(data, index=index, columns=columns)
    df2 = df.stack()  # 默认将最里层列索引变成行索引
    df3 = df2.unstack()  # 将行索引变成列索引

## 切片

直接用中括号时：索引优先对列进行操作，切片优先对行进行操作。

行切片：

    d = {"Name": ["Alex", "Bob", "Clarke"], "Age": [10, 11, 18], "Sex": [0, 1, 0]}
    df = pd.DataFrame(d, index=["a", "b", "c"])
    print(df[0:2])  # 左闭右开
    print(df["a":"c"])  # 左闭右闭

列切片，须先进行行切片：

    print(df.loc[:, "Name":"Sex"])
    print(df.iloc[:, 0:2])

总结:

- 取一行或一列：索引
- 取连续的多行或多列：切片
- 取不连续多行或多列：中括号

## DataFrame运算

DataFrame之间的运算，会自动对齐索引进行运算。如果索引不对应，则补NaN，DataFrame没有广播机制。同样，可以使用add()函数来填充数据。

## 聚合函数

    d = [[4, 1, 9], [2, 1, 8], [1, 3, 2]]
    df = pd.DataFrame(d)
    df.count()  # 非空元素的数量
    df.values.sum()  # 所有数之和
    df.sum()  # 默认axis=0，对列求和
    df.mean()  # 平均值
    df.max()  # 最大值，最小值为 min()
    df.median()  # 中位数
    df.std()  # 标准差，方差为 var()
    df.value_counts()  # 统计元素出现次数
    df.cumsum()  # 累加
    df.cov()  # 协方差
    df.corr()  # 所有特征相关系数
    df.corrwith(df[1])  # 单一特征相关系数


Python数据分析模块pandas之DataFrame数据框

pandas是基于[NumPy](__GHOST_URL__/post/17/)的一种工具，该工具是为解决数据分析任务而创建的。安装pandas：`pip install pandas`

pandas的主要数据结构是Series(一维数据)与DataFrame(二维数据)，这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数案例。

Series序列类似于一维数组，由两部分组成：

- values：一组数据(ndarray类型)
- index：相关的数据索引标签

Series可以看做是一个有序的字典结构。

## 创建Series

由列表或数组创建：

    import pandas as pd
    s = pd.Series([1, 2, 3])
    print(s)
    输出
    0    1
    1    2
    2    3
    dtype: int64
    print(s.values)  # 一维数组：[1 2 3]
    print(list(s.index))  # 索引：[0, 1, 2]
    s.index = ["A", "B", "C"]  # 修改索引
    s.index = list("ABC")  # 修改索引
    print(s.A, s["C"])  # 通过索引获取值 1 3

由字典创建：

    d = {"a": 1, "b": 2, "c": 3}
    s = pd.Series(d)
    print(s)
    输出
    a    1
    b    2
    c    3
    dtype: int64

## 索引

显示索引：

- 使用index中的元素作为索引值
- 使用.loc[]（推荐）

    d = {"a": 1, "b": 2, "c": 3}
    s = pd.Series(d)
    print(s[["c", "a"]])  # 一次取多个元素，得到的类型是Series
    输出
    c    3
    a    1
    dtype: int64
    print(s.loc[["c", "a"]])

隐式索引:

- 使用整数作为索引值
- 使用.iloc

[`print(s[[0, 2]])`](%E6%8E%A8%E8%8D%90)
[`print(s.iloc[[2, 0]])`](%E6%8E%A8%E8%8D%90)

[Series可以创建多层索引，可以参考下面的DataFrame。](%E6%8E%A8%E8%8D%90)

## [切片](%E6%8E%A8%E8%8D%90)

[`d = {"a": 1, "b": 2, "c": 3, "d": 4}`](%E6%8E%A8%E8%8D%90)
[`s = pd.Series(d)`](%E6%8E%A8%E8%8D%90)

# 隐式切片：左闭右开

print(s[1:3])
print(s.iloc[1:3])

# 输出

# b    2

# c    3

# dtype: int64

# 显示切片：左闭右闭

print(s["b":"d"])
print(s.loc["b":"d"])

## [基本属性和方法](%E6%8E%A8%E8%8D%90)

[基本属性：](%E6%8E%A8%E8%8D%90)

[`d = {"a": 1, "b": 2, "c": 3, "d": 4}`](%E6%8E%A8%E8%8D%90)
[`s = pd.Series(d, name="abcd")`](%E6%8E%A8%E8%8D%90)
[`print(s.shape)  # 形状：(4,)`](%E6%8E%A8%E8%8D%90)
[`print(s.size)  # 元素个数：4`](%E6%8E%A8%E8%8D%90)
[`print(s.index)  # 索引：Index(['a', 'b', 'c', 'd'], dtype='object')`](%E6%8E%A8%E8%8D%90)
[`print(s.values)  # 值：[1 2 3 4]`](%E6%8E%A8%E8%8D%90)
[`print(s.name)  # 索引名字：abcd`](%E6%8E%A8%E8%8D%90)

[方法：](%E6%8E%A8%E8%8D%90)

[`print(s.head(3))  # 查看前几条数据，默认5`](%E6%8E%A8%E8%8D%90)
[`print(s.tail(3))  # 查看后几条数据，默认5`](%E6%8E%A8%E8%8D%90)

s["b"] = None
print(s.isnull())  # isnull判断是否为空，notnull判断是否不为空

# 输出

# a    False

# b     True

# c    False

# d    False

# Name: abcd, dtype: bool

# 过滤掉空值

print(s[s.notnull()])
print(s[~s.isnull()])  # ~ 取反

## [Series运算](%E6%8E%A8%E8%8D%90)

[适用于NumPy的数组运算也适用于Series。](%E6%8E%A8%E8%8D%90)

[Series之间的运算，会自动对齐索引进行运算。如果索引不对应，则补NaN，Series没有广播机制。可以使用add()函数来填充数据。](%E6%8E%A8%E8%8D%90)

[`s1 = pd.Series([1, 3, 44])`](%E6%8E%A8%E8%8D%90)
[`s2 = pd.Series([11, 2, 8, 6])`](%E6%8E%A8%E8%8D%90)
[`print(s1 + s2)`](%E6%8E%A8%E8%8D%90)
[`print(s1.add(s2, fill_value=0))  # 先填充0，再相加`](%E6%8E%A8%E8%8D%90)


Python数据分析模块pandas之Series序列

## 金山表单

免费便捷的在线信息收集工具、调查问卷平台，和腾讯问卷差不多，很多腾讯问卷需要付费的功能如自定义logo，自定义背景，表单提交后展示页面等功能金山表单目前可以免费使用。

## 特点

- 人人都会用的在线表单，支持手机电脑多端信息同步，随时随地查看收集结果
- 满足多种收集场景，支持多种题型，丰富免费的模板，灵活个性化的设置
- 海量信息收集更方便，百万数据的收集能力，限制填写权限，填写进展通知
- 自动收集整理数据更省心，图表展示，结合在线表格，实时同步数据
- 在线分享更便捷，多种分享方式，在线制作海报，生成结果图片

## 网站地址

官网：[https://f.wps.cn/](https://f.wps.cn/)


金山表单-免费便捷的在线信息收集工具

这里是 aboss.top 的自留地。写了十几年野路子代码，攒了些摸爬滚打的经验，做成系列课程慢慢讲；也留了一小块地方，记记代码之外的胡思乱想。