1.数据可视化
用于绘制 DataFrame 数据图形，它允许用户直接从 DataFrame 创建各种类型的图表，而不需要使用其他绘图库（底层实际上使用了 Matplotlib）。
（1）plot
DataFrame.plot(*args, **kwargs)
功能：绘制各种线图
参数：kind: 图表类型，可以是以下之一：
'line': 折线图（默认）
'bar': 柱状图
'barh': 水平柱状图
'hist': 直方图
'box': 箱线图
'kde': 核密度估计图
'area': 面积图
'pie': 饼图
'scatter': 散点图
'hexbin': 六边形箱图
x：指定X轴数据（列名或索引）
y：指定y轴数据(列名或列名列表)
ax: Matplotlib 子图对象
subplots：是否绘制子图，True绘制子图
figsize: 图表的尺寸，格式为 `(width, height)`，单位为英寸。
use_index: 是否使用 pandas 的索引作为 x 轴标签。默认为 `True`。
title: 图表的标题。
grid: 是否显示网格线。默认为 `False`。
legend: 是否显示图例。默认为 `True`。
xticks: x 轴的刻度位置。
yticks: y 轴的刻度位置。
xlim: x 轴的范围，格式为 `(min, max)`。
ylim: y 轴的范围，格式为 `(min, max)`。
color: 绘制颜色，可以是单个颜色或颜色列表。
label: 图例标签。
data = {'name':['zhangsan','lisi','wangwu', 'json'],'age':[12, 14, 20, 14],'height':[30, 14, 20, 14]}
df = pd.DataFrame(data)
print(df)# 绘制柱状图
# 将df的name作为x轴标签，只绘制age数据
df.plot(kind='bar', x='name', y='age')
plt.show()
2.文件的读写
pandas.read_csv(filepath, sep=',', header='infer', usecols=None,...)功能：读取csv类型的文件 参数：filepath：读取的文件名 sep：字段分隔符，默认为逗号 header：指定第一行作为列名，默认为0（第一行） usecols：返回一个数据子集，需要读取的列pandas.read_excel(filepath, sheet_name=0, header=0, usecols=None, ...)功能：读取execl类型文件 参数：sheet_name：工作表名称或索引，默认为0（第一个工作表） 其他同上DataFrame.to_csv(path=None, sep=',', columns=None, index=True, ...)功能：将DataFrame写入csv类型的文件 参数：columns:要写入的列名列表index：是否写行（索引）名称。默认为True。DataFrame.to_excel(excel_writer, sheet_name='Sheet1', ...)功能：将DataFrame写入excel类型的文件 参数：同上
# 读csv文件
# df = pd.read_csv('./learn_pandas.csv', usecols=['School','Height'])
# print(df)
# 读excel文件
df = pd.read_excel('./item.xlsx', usecols=['order-info','order-info 2'])
print(df)
# 写excel文件
df.to_excel('test.xlsx')
3.爬虫工具
1.简介
Instant Data Scraper插件是一款功能强大的数据抓取工具，主要用于从网页上自动提取数据。
Instant Data Scraper插件能够自动检测并提取网页上的数据，包括但不限于产品信息、评论、价格等，这些数据可以被导出为Excel或CSV文件，方便用户进行进一步的分析和处理。此外，该插件还支持动态数据检测，能够确保提取的数据是最新的。
2.使用步骤
1.安装插件
1. 使用谷歌浏览器安装插件
在线访问可能访问不了，使用本地插件进行加载。
2.打开右上角
3.下载群里的
，把插件的扩展名改为rar
，把文件夹解压缩。
4.回到Chrome浏览器中，点击下图，在弹出的窗口中选择刚才解压后的文件夹。
5.找到这个图标，将精灵球固定在任务栏
2.数据爬取
打开任意要爬取的网址
点击
告诉爬虫程序翻页键在哪里，再次点击
。
点击
开始爬取，点击
下载爬取数据。
点击
可以停止爬取。
4.三个库的总结
（1）numpy库
- 创建：ndarray = array
empty、zeros、ones、full、fill
arange、linspace、random（rand、random、randint、randn、normal、uniform、shuffle）
- 访问：下标、切片
- numpy数据类型：基本数据类型i4 S10、结构化数据类型[(键名，类型)，（）]
- 属性：ndim、shape、size、dtype
修改属性：astype类型、reshape形状、np.resize/arr.resize、flatten、T
- 运算：
算术运算：+ - * / **0.5 add\subtract/multiply/divide/powrer
广播机制：
矩阵运算：@ dot
逻辑运算：& | ~
关系运算：==
统计运算：sum、mean、max、min（argmax、argmin）、cumsum、cumprod、var、std
数学函数：sin/cos/tan、exp/exp2、log/log2
排序：sort（）[::-1]
- 数组操作
添加删除：append/insert/delete
修改数组维度：expand_dims升维、squeeze降维
数组连接：concatenate、stack
数组分割：split
where函数：根据条件筛选数据
（2）matplotlib库
pyplot：绘图函数：plot、bar/barh、scatter、pie、hist、contour
设置属性：title、xlabel、ylabel、legend、subplot、tight_layout、subplots
操作函数：savefig、imread、imshow、imsave、close、pause
Line2D对象：set_data\get_label
Figure对象：创建：隐式、显示（figure()）
操作：add_subplot\suptitle\add_axes\subplots_adjust\get_size_inches\clear
Axes对象：获取对象：plt.gca plt.gcf
操作：set_xlim/set_ylim、set_xlabel/set_ylabel、set_title、text
GridSpec对象：绘制子图网格 GridSpec
（3）pandas库
- 数据结构
Series：创建、访问（位置、标签、切片、函数get/head/tail/isin）、属性(value\index\dtype\shape\size\name\hasnans\is_unique\empty\axes)
DataFrame:创建、访问([列]、loc、iloc)、属性（index/columns/values/dtypes/ndim/T）
- 数据操作
数据清洗：dropna/fillna/isnull/drop_duplicates
数据转换：replace、transform
数据排序：sort_values、sort_index
数据筛选：根据关系运算结果或布尔数组进行筛选
数据拼接：concat
统计运算：sum、mean、count、max、min、var、std、quantile、describe、value_counts
分组聚合：gropby、agg
数据可视化：plot
文件读写：read_csv/read_excel/to_csv/to_excel
![第十六届蓝桥杯青少组C++省赛[2025.8.9]第二部分编程题（1 、庆典队列）](http://pic.xiahunao.cn/第十六届蓝桥杯青少组C++省赛[2025.8.9]第二部分编程题（1 、庆典队列）)
![[C++] Git 使用教程（从入门到常用操作）](http://pic.xiahunao.cn/[C++] Git 使用教程（从入门到常用操作）)
)
