目录~python

• 计算商品总价
• • • 运行效果如下：
• pandas 每日一练：
• • • 程序运行结果如下：
  • 92、计算第一列数字前一个与后一个的差值
  • • 程序运行结果如下：
  • 93、提取第一列位置在1，5，9
  • • 程序运行结果如下：
  • 94、查找第一列的局部最大值位置
  • • 程序运行结果如下：
  • 95、按行计算df的每一行均值
  • • 程序运行结果如下：
  • 96、对第二列计算移动平均值
  • • 程序运行结果如下：
  • 97、将数据按照第三列值得大小升序排列
  • • 程序运行结果如下：
  • 98、将第一列大于20的数字修改为‘高’
  • • 程序运行结果如下：
  • 99、计算第二列与第三列之间的欧式距离
  • • 程序运行结果如下：
    • 每日一言：
    • • 持续更新中...

个人昵称：lxw-pro
个人主页：欢迎关注 我的主页
个人感悟： “失败乃成功之母”，这是不变的道理，在失败中总结，在失败中成长，才能成为IT界的一代宗师。

现在都已是互联网时代，各个地方各种销售也早已用上了，不仅方便还很快捷，像在超市购物好后，就会有那个消费单之类的，分分钟就弄好。一个字，绝！！！

计算商品总价

# -*- coding = utf-8 -*-# @Time : 2022/8/13 13:21# @Author : lxw_pro# @File : 计算商品总价.py# @Software : PyCharmprice1 = input("酸菜方便面:")price2 = input("牛肉干：")price3 = input("卫生纸：")price4 = input("篮球：")pay = float(input("支付金额："))price_total = float(price1)+float(price2)+float(price3)+float(price4)crash = pay - price_totalprint("您本次购物实际消费：%d元;收您：%d元, \      退您：%d元。" % (price_total, pay, crash))print("收银总计为：%d元" % price_total)print("收银员：")print('************************************')print('单号：21124451655524562')price_total = 0name = input("商品名：")count = input("数量：")price = int(input('支付金额：'))total = count * priceprice_total = price_total + totalprint(name, count , price, total, sep='\t\t')name = '牛肉干'count = 3price = 35total = count * priceprice_total = price_total + totalprint(name, count, price, total, sep='\t\t')name = '卫生纸'count = 2price = 6total = count * priceprice_total = price_total + totalprint(name, count, price, total, sep='\t\t')name = '篮球'count = 1price = 120total = count * priceprice_total = price_total + totalprint(name, count, price, total, sep='\t\t')print('**************************************')print('收银合计：\t\t\t\t\t', price_total)print('您共消费：%d元' % price_total)print('**************************************')print('感谢您的惠顾， 欢迎下次再来！\n收银员：')

运行效果如下：

————————————————————————————————————————————

pandas 每日一练：

# -*- coding = utf-8 -*-# @Time : 2022/8/25 21:10# @Author : lxw_pro# @File : pandas-14 练习.py# @Software : PyCharmimport pandas as pdimport numpy as nptmp1 = np.random.randint(1, 100, 10)df1 = pd.DataFrame(tmp1)tmp2 = np.arange(0, 100, 5)df2 = pd.DataFrame(tmp2)tmp3 = np.random.normal(0, 1, 20)df3 = pd.DataFrame(tmp3)df = pd.concat([df1, df2, df3], axis=1, ignore_index=True)df.columns = ['col1', 'col2', 'col3']print(df[:10])

程序运行结果如下：

   col1  col2      col30  49.0     0  0.0080181  40.0     5  1.3062422  66.0    10  0.4562683  80.0    15  0.0220944  84.0    20 -0.6454545  48.0    25  2.2785286  77.0    30 -1.1723507  97.0    35 -0.4721238  89.0    40  0.5272419  89.0    45 -0.487878

92、计算第一列数字前一个与后一个的差值

cz = df['col1'].diff().tolist()for i in cz[:10]:    print(i)

程序运行结果如下：

nan-9.026.014.04.0-36.029.020.0-8.00.0

93、提取第一列位置在1，5，9

tq = df['col1'].take([1, 5, 9])print(tq)

程序运行结果如下：

1    40.05    48.09    89.0Name: col1, dtype: float64

94、查找第一列的局部最大值位置

czz = np.diff(np.sign(np.diff(df['col1'])))print(np.where(czz == -2)[0]+1)

程序运行结果如下：

[4 7]

95、按行计算df的每一行均值

hjz = df[['col1', 'col2', 'col3']].mean(axis=1)print(hjz)

程序运行结果如下：

0     16.3360061     15.4354142     25.4854233     31.6740314     34.4515155     25.0928436     35.2758837     43.8426268     43.1757479     44.50404110    24.88540611    28.64326212    30.54638713    32.92777214    35.50296515    38.60862016    39.67601317    42.00069318    44.41502919    47.931993dtype: float64

96、对第二列计算移动平均值

ydz = np.convolve(df['col2'], np.ones(3)/3, mode='valid')print(ydz)

程序运行结果如下：

[ 5. 10. 15. 20. 25. 30. 35. 40. 45. 50. 55. 60. 65. 70. 75. 80. 85. 90.]

97、将数据按照第三列值得大小升序排列

df.sort_values('col3', inplace=True)print(df)

程序运行结果如下：

   col1  col2      col36   77.0    30 -1.17235018   NaN    90 -1.16994217   NaN    85 -0.99861316   NaN    80 -0.6479744   84.0    20 -0.6454549   89.0    45 -0.4878787   97.0    35 -0.47212310   NaN    50 -0.2291870   49.0     0  0.0080183   80.0    15  0.0220942   66.0    10  0.4562688   89.0    40  0.52724113   NaN    65  0.85554519   NaN    95  0.86398614   NaN    70  1.00593012   NaN    60  1.0927731   40.0     5  1.30624215   NaN    75  2.2172405   48.0    25  2.27852811   NaN    55  2.286525

98、将第一列大于20的数字修改为‘高’

df.col1[df['col1'] > 20] = '高'print(df)

程序运行结果如下：

  col1  col2      col36     高    30 -1.17235018  NaN    90 -1.16994217  NaN    85 -0.99861316  NaN    80 -0.6479744     高    20 -0.6454549     高    45 -0.4878787     高    35 -0.47212310  NaN    50 -0.2291870     高     0  0.0080183     高    15  0.0220942     高    10  0.4562688     高    40  0.52724113  NaN    65  0.85554519  NaN    95  0.86398614  NaN    70  1.00593012  NaN    60  1.0927731     高     5  1.30624215  NaN    75  2.2172405     高    25  2.27852811  NaN    55  2.286525

99、计算第二列与第三列之间的欧式距离

print(np.linalg.norm(df['col2'] - df['col3']))

程序运行结果如下：

247.27710730609496

每日一言：

努力的人很多，但不是每个人都会如愿以偿，努力都得不到想要的，那为什么还要努力呢？为了不留遗憾哇！！！

持续更新中…

点赞，你的认可是我创作的动力！
收藏，你的青睐是我努力的方向！
评论，你的意见是我进步的财富！
关注，你的喜欢是我长久的坚持！

欢迎关注微信公众号【程序人生6】，一起探讨学习哦！！！

来源地址：https://blog.csdn.net/m0_66318554/article/details/125727075