- Ruilin

2017年八月月发布的文章

java中方法与构造方法的理解

八月 30, 2017
0 条评论

初学者可能会搞晕或者是不理解，个人认为要理解并区分方法与构造方法我们首先应该了解他们的作用，用作用做对比才能方便区分，接下来才是慢慢了解如何使用。

首先先简单了解一下大概作用

方法：方法是语句的集合，它们在一起执行一个功能。实际上就相当于python或者c中的函数。
构造方法：构造方法其实就是对类进行里面数据的初始化定义，它是方法中的一种(方法分为三种，接下来会说到)，你可以有也可以没有。没有系统会自动给你生成一个无参的。重点也是需要提前强调的是它需要与类名相同。

之后继续说

方法：一个类中的方法分为三类： 1）全局方法 2) 成员方法 3）构造方法

public class Test{
private  int xxx;   
public Test(int age){ //这是构造方法
xxxxxx
}
public void xxxxxx(int xxxx){  //这是成员方法
xxxxxx
}
public static int xxxxx(){ //这是全局方法，加了static ，成员方法就会变成全局方法
return xxxxx;
}
}

public class Test{

private int xxx;

public Test(int age){ //这是构造方法

xxxxxx

}

public void xxxxxx(int xxxx){ //这是成员方法

xxxxxx

}

public static int xxxxx(){ //这是全局方法，加了static ，成员方法就会变成全局方法

return xxxxx;

}

三者区别：

成员方法必须构造类的实例化对象进行访问
全局方法可以用类直接访问
构造方法是实例化对象时进行初始化的

一般情况下，定义一个方法包含以下语法：

修饰符 返回值类型 方法名(参数类型 参数名){
    ...
    方法体
    ...
    return 返回值;
}

修饰符返回值类型方法名(参数类型参数名){

...

方法体

...

return 返回值;

}

修饰符：修饰符，这是可选的，告诉编译器如何调用该方法。定义了该方法的访问类型。

返回值类型：方法可能会返回值。returnValueType 是方法返回值的数据类型。有些方法执行所需的操作，但没有返回值。在这种情况下，returnValueType 是关键字void。

方法名：是方法的实际名称。方法名和参数表共同构成方法签名。

参数类型：参数像是一个占位符。当方法被调用时，传递值给参数。这个值被称为实参或变量。参数列表是指方法的参数类型、顺序和参数的个数。参数是可选的，方法可以不包含任何参数。

方法体：方法体包含具体的语句，定义该方法的功能。

构造方法

在创建对象的时候，对象成员可以由构造函数方法进行初始化。

也就是我们创造实例化的代码中 new后面跟的就是构造方法

Telphone phone=new Telphone();

1	Telphone phone=new Telphone();

等号右面

new Telphone()

1	new Telphone()

相当于是以Telphone类为模板，在堆空间里创建一个Telphone类对象

末尾的()代表着，在对象创建后，立即调用Telphone类的构造函数，对刚生成的对象进行初始化。

等号左面

Telphone phone

1	Telphone phone

创建命名了一个Telphone类引用变量phone

这里用一下imooc的图

接下来再说下有参和无参的构造方法的区别

有参就是你可以在创建对象时候赋值

public Test(String name){
mz=name;
}

public Test(String name){

mz=name;

}

Test为构造方法（函数）名需要与类名相同

创建对象

Test name=new Test("xxxxx");

1	Test name=new Test("xxxxx");

无参就需要这样

public Test(){
}
public String mingzi(String name)｛
mz=name;
return mz;
｝

public Test(){

}

public String mingzi(String name)｛

mz=name;

return mz;

｝

创建对象并赋值

Test nick=new Test();
nick.mingzi="ruilin";

1 2	Test nick=new Test(); nick.mingzi="ruilin";

总的来说，有参构造函数和无参构造函数都可以提前初始化一些值，但是有参可以在实例化时就进行赋值而无参不可以。这些赋值或者说初始化都是为了后面调用方法(函数)更加方便或者是去提供一些功能所必要的参数来防止报错，这也就是构造方法的作用。

最后再放一个有参的构造方法的例子便于理解

public class Testff {
	int num;
	public Testff(int n){
		num = n;
	}
	public int numb(int a,int b){
		System.out.println(a+"\n"+b+"\n"+num);
		int c=a+b+num;
		return c;				
	}

	public static void main(String[] args) {
		Testff test=new Testff(11);
		System.out.println(test.num+"\n"+"---------");
		System.out.println(test.numb(1,2));
	}

}

public class Testff {

int num;

public Testff(int n){

num = n;

}

public int numb(int a,int b){

System.out.println(a+"\n"+b+"\n"+num);

int c=a+b+num;

return c;

}

public static void main(String[] args) {

Testff test=new Testff(11);

System.out.println(test.num+"\n"+"---------");

System.out.println(test.numb(1,2));

}

output:

11
---------
1
2
11
14

---------

以上就是我对java中方法与构造方法的理解与区分，其中也简述了对有参与无参构造方法的一些理解，欢迎交流。

java实现桶排序

八月 29, 2017
0 条评论

了解桶排序

这个算法就好比有 11 个桶，编号从 0~10。每出现一个数，就在对应编号的桶中放一个小旗子，最后只要数数每个桶中有几个小旗子就 OK 了。例如 2 号桶中有 1 个小旗子，表示 2 出现了一次;3 号桶中有 1 个小旗子，表示 3 出现了一次;5 号桶中有 2 个小旗子，表示 5 出现了两次;8 号桶中有 1 个小旗子，表示 8 出现了一次。

如何实现桶排序

使用数组代替桶的作用,利用数组的下标直接排好顺序
每次遇到相应的旗子编号就对其对应的桶即相同的数组下标如a[5]的值+1用于记录出现几次
依次判断桶中的值即为输出的次数
依次按照次数输出桶的编号即数组的下标

利用java实现

题目:

考试成绩需要由小往大依次排序成绩范围为0-10 学生数为5人请依次输入学生成绩并进行排序

java code:

import java.util.Scanner;;
public class sortest {
	public static void main(String[] args) {
		
		int[] scores=new int[11];//定义一个空间大小为11的变量 0-10即11个
		Scanner input = new Scanner(System.in);//控制台等待输入
		for(int i=0;i<=10;i++){    //初始化scores值为0
			scores[i]=0;
		}
		for(int j=1;j<=5;j++){    //循环输入5名学生成绩
			System.out.println("请输入第"+j+"名学生成绩");
			int t=input.nextInt();
			scores[t]++;//计数
		}
		System.out.println("**************");
		for(int a=0;a<=10;a++){   //依次判断每个成绩
			for(int b=1;b<=scores[a];b++){   //依次判断每个成绩的人数
				System.out.println(a);
			}
		}
	}

	
}

import java.util.Scanner;;

public class sortest {

public static void main(String[] args) {

int[] scores=new int[11];//定义一个空间大小为11的变量 0-10即11个

Scanner input = new Scanner(System.in);//控制台等待输入

for(int i=0;i<=10;i++){ //初始化scores值为0

scores[i]=0;

}

for(int j=1;j<=5;j++){ //循环输入5名学生成绩

System.out.println("请输入第"+j+"名学生成绩");

int t=input.nextInt();

scores[t]++;//计数

}

System.out.println("**************");

for(int a=0;a<=10;a++){ //依次判断每个成绩

for(int b=1;b<=scores[a];b++){ //依次判断每个成绩的人数

System.out.println(a);

}

xlrd基本操作并配合matplotlib绘图笔记

八月 3, 2017
0 条评论

一个简单的小例子快速了解如何利用xlrd读取excel并借助plt绘图

//之前代码有误，导致上图显示女生数量与男生一样，代码已改正

#encoding=utf-8
import xlrd
import matplotlib.pylab as plt
from pylab import *
def main():
    book=xlrd.open_workbook('./pdtest.xlsx')
    sheet_name = book.sheet_names()[0]#获得指定索引的sheet名字
    print sheet_name
    sheet=book.sheet_by_name('sheet1')
    rows=sheet.nrows#行数
    cols=sheet.ncols#列数
    print rows,cols
    row_data=sheet.row_values(0)
    col_data=sheet.col_values(0)
    print row_data,col_data
    cell=sheet.cell_value(1,2)
    print cell
    for i in range(rows):#每行数据
        print sheet.row_values(i)
    col1=sheet.col_values(1)[1:]#去掉列名称 打印指定列
    print col1
    k = 0
    for i in col1:
        print int(i)
        if int(i)==int('2'):
            k+=1
    print k
    book1=xlrd.open_workbook('./reg.xls')
    #sheet_name1=book1.sheet_names()[0]
    #print sheet_name1
    list=book1.sheets()[0]
    nrows=list.nrows
    print nrows
    print "------------------"
    col2=list.col_values(4)[1:]
    g = 0
    b = 0
    for i in col2:
        if i == u"\u5973":
            g=g+1

        if i == u"\u7537":
            b+=1

    print g,b

    mpl.rcParams['font.sans-serif'] = ['SimHei']
    mpl.rcParams['axes.unicode_minus'] = False
    plt.figure(1)
    plt.bar(left=0,height=b,width=0.35,align="center",color="b",label="boy")
    plt.bar(left=0.5,height=g,width=0.35,align="center",color="y",label="girl")
    plt.title(u"2017太原市中考性别分布[柱状图]")
    plt.xlabel(u"性别")
    plt.ylabel(u"人数")
    plt.xticks((0, 0.5), (u"男", u"女"))
    plt.text(0, b+0.05, "%d" % b, ha="center", va="bottom")
    plt.text(0.5, g+0.05, "%d" % g, ha="center", va="bottom")
    #图中有误，之前把代码里面的参数g写成了b
    #plt.legend(loc="upper left")
    plt.show()


if __name__ == '__main__':
    main()

#encoding=utf-8

import xlrd

import matplotlib.pylab as plt

from pylab import *

def main():

book=xlrd.open_workbook('./pdtest.xlsx')

sheet_name = book.sheet_names()[0]#获得指定索引的sheet名字

print sheet_name

sheet=book.sheet_by_name('sheet1')

rows=sheet.nrows#行数

cols=sheet.ncols#列数

print rows,cols

row_data=sheet.row_values(0)

col_data=sheet.col_values(0)

print row_data,col_data

cell=sheet.cell_value(1,2)

print cell

for i in range(rows):#每行数据

print sheet.row_values(i)

col1=sheet.col_values(1)[1:]#去掉列名称打印指定列

print col1

k = 0

for i in col1:

print int(i)

if int(i)==int('2'):

k+=1

print k

book1=xlrd.open_workbook('./reg.xls')

#sheet_name1=book1.sheet_names()[0]

#print sheet_name1

list=book1.sheets()[0]

nrows=list.nrows

print nrows

print "------------------"

col2=list.col_values(4)[1:]

g = 0

b = 0

for i in col2:

if i == u"\u5973":

g=g+1

if i == u"\u7537":

b+=1

print g,b

mpl.rcParams['font.sans-serif'] = ['SimHei']

mpl.rcParams['axes.unicode_minus'] = False

plt.figure(1)

plt.bar(left=0,height=b,width=0.35,align="center",color="b",label="boy")

plt.bar(left=0.5,height=g,width=0.35,align="center",color="y",label="girl")

plt.title(u"2017太原市中考性别分布[柱状图]")

plt.xlabel(u"性别")

plt.ylabel(u"人数")

plt.xticks((0, 0.5), (u"男", u"女"))

plt.text(0, b+0.05, "%d" % b, ha="center", va="bottom")

plt.text(0.5, g+0.05, "%d" % g, ha="center", va="bottom")

#图中有误，之前把代码里面的参数g写成了b

#plt.legend(loc="upper left")

plt.show()

if __name__ == '__main__':

main()

output:

sheet1
5 3
[u'', u'man', u'woman'] [u'', u'a', u'b', u'c', u'd']
1.0
[u'', u'man', u'woman']
[u'a', 2.0, 1.0]
[u'b', 6.0, 3.0]
[u'c', 2.0, 4.0]
[u'd', 1.0, 6.0]
[2.0, 6.0, 2.0, 1.0]
2
6
2
1
2
41609
------------------
20445 21163

sheet1

5 3

[u'', u'man', u'woman'] [u'', u'a', u'b', u'c', u'd']

1.0

[u'', u'man', u'woman']

[u'a', 2.0, 1.0]

[u'b', 6.0, 3.0]

[u'c', 2.0, 4.0]

[u'd', 1.0, 6.0]

[2.0, 6.0, 2.0, 1.0]

41609

------------------

20445 21163

Pandas基本操作笔记

八月 1, 2017
0 条评论

Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。

#encoding=utf-8
import numpy as np
import pandas as pd
def main():
    #生成表格
    dates=pd.date_range("20170801",periods=8)
    df=pd.DataFrame(np.random.randn(8,5),index=dates,columns=list("ABCDE"))#生成框架
    print df
    dff=pd.DataFrame({"A":np.random.randint(1,10,8),"B":pd.date_range("20170707",periods=8)})
    print dff

    #基本操作
    print df.head(3)#打印前三行
    print df.tail(3)#打印后三行
    print df.index
    print df.values
    print df.T#转置
    print df.sort_values("C")#排序C列 升序
    print df.sort_index(axis=1,ascending=False)#用属性值排序 降序
    print df.describe()#数据的相关信息
    print df["A"]#切片
    print df[:3]
    print df["20170801":"20170806"]
    print df.loc[dates[0]]
    print df.loc["20170802":"20170806",["B","D"]]
    print df.at[dates[0],"C"]
    print df.iloc[1:3,2:4]
    print df.iloc[1,4]#2行第5列
    print df[df.B>0]
    print df[df<0]
    print df[df["E"].isin([1,2])]

    #基本设置
    sl=pd.Series(list(range(10,18)),index=pd.date_range("20170801",periods=8))
    print sl
    df["F"]=sl
    print df
    df.at[dates[0],"A"]=0
    print df
    df.iat[1,4]=666
    df.loc[:,"D"]=np.array([4]*len(df))
    print df
    df2=df.copy()#拷贝
    df2[df2<0]=-df2#负数变为正数
    print df2


if __name__ == '__main__':
    main()

#encoding=utf-8

import numpy as np

import pandas as pd

def main():

#生成表格

dates=pd.date_range("20170801",periods=8)

df=pd.DataFrame(np.random.randn(8,5),index=dates,columns=list("ABCDE"))#生成框架

print df

dff=pd.DataFrame({"A":np.random.randint(1,10,8),"B":pd.date_range("20170707",periods=8)})

print dff

#基本操作

print df.head(3)#打印前三行

print df.tail(3)#打印后三行

print df.index

print df.values

print df.T#转置

print df.sort_values("C")#排序C列升序

print df.sort_index(axis=1,ascending=False)#用属性值排序降序

print df.describe()#数据的相关信息

print df["A"]#切片

print df[:3]

print df["20170801":"20170806"]

print df.loc[dates[0]]

print df.loc["20170802":"20170806",["B","D"]]

print df.at[dates[0],"C"]

print df.iloc[1:3,2:4]

print df.iloc[1,4]#2行第5列

print df[df.B>0]

print df[df<0]

print df[df["E"].isin([1,2])]

#基本设置

sl=pd.Series(list(range(10,18)),index=pd.date_range("20170801",periods=8))

print sl

df["F"]=sl

print df

df.at[dates[0],"A"]=0

print df

df.iat[1,4]=666

df.loc[:,"D"]=np.array([4]*len(df))

print df

df2=df.copy()#拷贝

df2[df2<0]=-df2#负数变为正数

print df2

if __name__ == '__main__':

main()

output:

                   A         B         C         D         E
2017-08-01  1.075245 -0.605058  0.712755  2.418159 -0.028940
2017-08-02 -1.513320 -0.517082  1.363238  0.618522 -0.450400
2017-08-03 -2.267711 -2.235939  2.288919  2.608362 -1.181633
2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884
2017-08-05 -0.231365 -0.488244  1.757364 -0.967584 -1.448575
2017-08-06  0.377513  0.051755  0.322172 -0.462239  0.823563
2017-08-07  1.009144 -0.670553  0.262810 -0.865274 -0.721550
2017-08-08 -0.257351  0.984785 -0.297281 -0.230398  0.697477
   A          B
0  9 2017-07-07
1  3 2017-07-08
2  3 2017-07-09
3  6 2017-07-10
4  6 2017-07-11
5  4 2017-07-12
6  5 2017-07-13
7  6 2017-07-14
                   A         B         C         D         E
2017-08-01  1.075245 -0.605058  0.712755  2.418159 -0.028940
2017-08-02 -1.513320 -0.517082  1.363238  0.618522 -0.450400
2017-08-03 -2.267711 -2.235939  2.288919  2.608362 -1.181633
                   A         B         C         D         E
2017-08-06  0.377513  0.051755  0.322172 -0.462239  0.823563
2017-08-07  1.009144 -0.670553  0.262810 -0.865274 -0.721550
2017-08-08 -0.257351  0.984785 -0.297281 -0.230398  0.697477
DatetimeIndex(['2017-08-01', '2017-08-02', '2017-08-03', '2017-08-04',
               '2017-08-05', '2017-08-06', '2017-08-07', '2017-08-08'],
              dtype='datetime64[ns]', freq='D')
[[ 1.07524464 -0.60505755  0.71275536  2.41815902 -0.02894002]
 [-1.51331977 -0.51708246  1.36323759  0.6185221  -0.45040032]
 [-2.26771071 -2.23593917  2.28891947  2.60836214 -1.1816333 ]
 [-0.27608484 -1.13021474 -0.12282251 -0.54247504 -0.33188383]
 [-0.23136532 -0.48824379  1.75736371 -0.96758439 -1.44857541]
 [ 0.37751303  0.05175454  0.32217176 -0.46223914  0.82356261]
 [ 1.00914409 -0.67055311  0.26280966 -0.86527427 -0.72155023]
 [-0.25735124  0.98478455 -0.29728085 -0.23039814  0.69747694]]
   2017-08-01  2017-08-02  2017-08-03  2017-08-04  2017-08-05  2017-08-06  \
A    1.075245   -1.513320   -2.267711   -0.276085   -0.231365    0.377513   
B   -0.605058   -0.517082   -2.235939   -1.130215   -0.488244    0.051755   
C    0.712755    1.363238    2.288919   -0.122823    1.757364    0.322172   
D    2.418159    0.618522    2.608362   -0.542475   -0.967584   -0.462239   
E   -0.028940   -0.450400   -1.181633   -0.331884   -1.448575    0.823563   

   2017-08-07  2017-08-08  
A    1.009144   -0.257351  
B   -0.670553    0.984785  
C    0.262810   -0.297281  
D   -0.865274   -0.230398  
E   -0.721550    0.697477  
                   A         B         C         D         E
2017-08-08 -0.257351  0.984785 -0.297281 -0.230398  0.697477
2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884
2017-08-07  1.009144 -0.670553  0.262810 -0.865274 -0.721550
2017-08-06  0.377513  0.051755  0.322172 -0.462239  0.823563
2017-08-01  1.075245 -0.605058  0.712755  2.418159 -0.028940
2017-08-02 -1.513320 -0.517082  1.363238  0.618522 -0.450400
2017-08-05 -0.231365 -0.488244  1.757364 -0.967584 -1.448575
2017-08-03 -2.267711 -2.235939  2.288919  2.608362 -1.181633
                   E         D         C         B         A
2017-08-01 -0.028940  2.418159  0.712755 -0.605058  1.075245
2017-08-02 -0.450400  0.618522  1.363238 -0.517082 -1.513320
2017-08-03 -1.181633  2.608362  2.288919 -2.235939 -2.267711
2017-08-04 -0.331884 -0.542475 -0.122823 -1.130215 -0.276085
2017-08-05 -1.448575 -0.967584  1.757364 -0.488244 -0.231365
2017-08-06  0.823563 -0.462239  0.322172  0.051755  0.377513
2017-08-07 -0.721550 -0.865274  0.262810 -0.670553  1.009144
2017-08-08  0.697477 -0.230398 -0.297281  0.984785 -0.257351
              A         B         C         D         E
count  8.000000  8.000000  8.000000  8.000000  8.000000
mean  -0.260491 -0.576319  0.785894  0.322134 -0.330243
std    1.158991  0.919133  0.928070  1.436732  0.812523
min   -2.267711 -2.235939 -0.297281 -0.967584 -1.448575
25%   -0.585394 -0.785469  0.166402 -0.623175 -0.836571
50%   -0.244358 -0.561070  0.517464 -0.346319 -0.391142
75%    0.535421 -0.353244  1.461769  1.068431  0.152664
max    1.075245  0.984785  2.288919  2.608362  0.823563
2017-08-01    1.075245
2017-08-02   -1.513320
2017-08-03   -2.267711
2017-08-04   -0.276085
2017-08-05   -0.231365
2017-08-06    0.377513
2017-08-07    1.009144
2017-08-08   -0.257351
Freq: D, Name: A, dtype: float64
                   A         B         C         D         E
2017-08-01  1.075245 -0.605058  0.712755  2.418159 -0.028940
2017-08-02 -1.513320 -0.517082  1.363238  0.618522 -0.450400
2017-08-03 -2.267711 -2.235939  2.288919  2.608362 -1.181633
                   A         B         C         D         E
2017-08-01  1.075245 -0.605058  0.712755  2.418159 -0.028940
2017-08-02 -1.513320 -0.517082  1.363238  0.618522 -0.450400
2017-08-03 -2.267711 -2.235939  2.288919  2.608362 -1.181633
2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884
2017-08-05 -0.231365 -0.488244  1.757364 -0.967584 -1.448575
2017-08-06  0.377513  0.051755  0.322172 -0.462239  0.823563
A    1.075245
B   -0.605058
C    0.712755
D    2.418159
E   -0.028940
Name: 2017-08-01 00:00:00, dtype: float64
                   B         D
2017-08-02 -0.517082  0.618522
2017-08-03 -2.235939  2.608362
2017-08-04 -1.130215 -0.542475
2017-08-05 -0.488244 -0.967584
2017-08-06  0.051755 -0.462239
0.71275536229
                   C         D
2017-08-02  1.363238  0.618522
2017-08-03  2.288919  2.608362
-0.45040032497
                   A         B         C         D         E
2017-08-06  0.377513  0.051755  0.322172 -0.462239  0.823563
2017-08-08 -0.257351  0.984785 -0.297281 -0.230398  0.697477
                   A         B         C         D         E
2017-08-01       NaN -0.605058       NaN       NaN -0.028940
2017-08-02 -1.513320 -0.517082       NaN       NaN -0.450400
2017-08-03 -2.267711 -2.235939       NaN       NaN -1.181633
2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884
2017-08-05 -0.231365 -0.488244       NaN -0.967584 -1.448575
2017-08-06       NaN       NaN       NaN -0.462239       NaN
2017-08-07       NaN -0.670553       NaN -0.865274 -0.721550
2017-08-08 -0.257351       NaN -0.297281 -0.230398       NaN
Empty DataFrame
Columns: [A, B, C, D, E]
Index: []
2017-08-01    10
2017-08-02    11
2017-08-03    12
2017-08-04    13
2017-08-05    14
2017-08-06    15
2017-08-07    16
2017-08-08    17
Freq: D, dtype: int64
                   A         B         C         D         E   F
2017-08-01  1.075245 -0.605058  0.712755  2.418159 -0.028940  10
2017-08-02 -1.513320 -0.517082  1.363238  0.618522 -0.450400  11
2017-08-03 -2.267711 -2.235939  2.288919  2.608362 -1.181633  12
2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884  13
2017-08-05 -0.231365 -0.488244  1.757364 -0.967584 -1.448575  14
2017-08-06  0.377513  0.051755  0.322172 -0.462239  0.823563  15
2017-08-07  1.009144 -0.670553  0.262810 -0.865274 -0.721550  16
2017-08-08 -0.257351  0.984785 -0.297281 -0.230398  0.697477  17
                   A         B         C         D         E   F
2017-08-01  0.000000 -0.605058  0.712755  2.418159 -0.028940  10
2017-08-02 -1.513320 -0.517082  1.363238  0.618522 -0.450400  11
2017-08-03 -2.267711 -2.235939  2.288919  2.608362 -1.181633  12
2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884  13
2017-08-05 -0.231365 -0.488244  1.757364 -0.967584 -1.448575  14
2017-08-06  0.377513  0.051755  0.322172 -0.462239  0.823563  15
2017-08-07  1.009144 -0.670553  0.262810 -0.865274 -0.721550  16
2017-08-08 -0.257351  0.984785 -0.297281 -0.230398  0.697477  17
                   A         B         C  D           E   F
2017-08-01  0.000000 -0.605058  0.712755  4   -0.028940  10
2017-08-02 -1.513320 -0.517082  1.363238  4  666.000000  11
2017-08-03 -2.267711 -2.235939  2.288919  4   -1.181633  12
2017-08-04 -0.276085 -1.130215 -0.122823  4   -0.331884  13
2017-08-05 -0.231365 -0.488244  1.757364  4   -1.448575  14
2017-08-06  0.377513  0.051755  0.322172  4    0.823563  15
2017-08-07  1.009144 -0.670553  0.262810  4   -0.721550  16
2017-08-08 -0.257351  0.984785 -0.297281  4    0.697477  17
                   A         B         C  D           E   F
2017-08-01  0.000000  0.605058  0.712755  4    0.028940  10
2017-08-02  1.513320  0.517082  1.363238  4  666.000000  11
2017-08-03  2.267711  2.235939  2.288919  4    1.181633  12
2017-08-04  0.276085  1.130215  0.122823  4    0.331884  13
2017-08-05  0.231365  0.488244  1.757364  4    1.448575  14
2017-08-06  0.377513  0.051755  0.322172  4    0.823563  15
2017-08-07  1.009144  0.670553  0.262810  4    0.721550  16
2017-08-08  0.257351  0.984785  0.297281  4    0.697477  17

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

A B C D E

2017-08-01 1.075245 -0.605058 0.712755 2.418159 -0.028940

2017-08-02 -1.513320 -0.517082 1.363238 0.618522 -0.450400

2017-08-03 -2.267711 -2.235939 2.288919 2.608362 -1.181633

2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884

2017-08-05 -0.231365 -0.488244 1.757364 -0.967584 -1.448575

2017-08-06 0.377513 0.051755 0.322172 -0.462239 0.823563

2017-08-07 1.009144 -0.670553 0.262810 -0.865274 -0.721550

2017-08-08 -0.257351 0.984785 -0.297281 -0.230398 0.697477

A B

0 9 2017-07-07

1 3 2017-07-08

2 3 2017-07-09

3 6 2017-07-10

4 6 2017-07-11

5 4 2017-07-12

6 5 2017-07-13

7 6 2017-07-14

A B C D E

2017-08-01 1.075245 -0.605058 0.712755 2.418159 -0.028940

2017-08-02 -1.513320 -0.517082 1.363238 0.618522 -0.450400

2017-08-03 -2.267711 -2.235939 2.288919 2.608362 -1.181633

A B C D E

2017-08-06 0.377513 0.051755 0.322172 -0.462239 0.823563

2017-08-07 1.009144 -0.670553 0.262810 -0.865274 -0.721550

2017-08-08 -0.257351 0.984785 -0.297281 -0.230398 0.697477

DatetimeIndex(['2017-08-01', '2017-08-02', '2017-08-03', '2017-08-04',

'2017-08-05', '2017-08-06', '2017-08-07', '2017-08-08'],

dtype='datetime64[ns]', freq='D')

[[ 1.07524464 -0.60505755 0.71275536 2.41815902 -0.02894002]

[-1.51331977 -0.51708246 1.36323759 0.6185221 -0.45040032]

[-2.26771071 -2.23593917 2.28891947 2.60836214 -1.1816333 ]

[-0.27608484 -1.13021474 -0.12282251 -0.54247504 -0.33188383]

[-0.23136532 -0.48824379 1.75736371 -0.96758439 -1.44857541]

[ 0.37751303 0.05175454 0.32217176 -0.46223914 0.82356261]

[ 1.00914409 -0.67055311 0.26280966 -0.86527427 -0.72155023]

[-0.25735124 0.98478455 -0.29728085 -0.23039814 0.69747694]]

2017-08-01 2017-08-02 2017-08-03 2017-08-04 2017-08-05 2017-08-06 \

A 1.075245 -1.513320 -2.267711 -0.276085 -0.231365 0.377513

B -0.605058 -0.517082 -2.235939 -1.130215 -0.488244 0.051755

C 0.712755 1.363238 2.288919 -0.122823 1.757364 0.322172

D 2.418159 0.618522 2.608362 -0.542475 -0.967584 -0.462239

E -0.028940 -0.450400 -1.181633 -0.331884 -1.448575 0.823563

2017-08-07 2017-08-08

A 1.009144 -0.257351

B -0.670553 0.984785

C 0.262810 -0.297281

D -0.865274 -0.230398

E -0.721550 0.697477

A B C D E

2017-08-08 -0.257351 0.984785 -0.297281 -0.230398 0.697477

2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884

2017-08-07 1.009144 -0.670553 0.262810 -0.865274 -0.721550

2017-08-06 0.377513 0.051755 0.322172 -0.462239 0.823563

2017-08-01 1.075245 -0.605058 0.712755 2.418159 -0.028940

2017-08-02 -1.513320 -0.517082 1.363238 0.618522 -0.450400

2017-08-05 -0.231365 -0.488244 1.757364 -0.967584 -1.448575

2017-08-03 -2.267711 -2.235939 2.288919 2.608362 -1.181633

E D C B A

2017-08-01 -0.028940 2.418159 0.712755 -0.605058 1.075245

2017-08-02 -0.450400 0.618522 1.363238 -0.517082 -1.513320

2017-08-03 -1.181633 2.608362 2.288919 -2.235939 -2.267711

2017-08-04 -0.331884 -0.542475 -0.122823 -1.130215 -0.276085

2017-08-05 -1.448575 -0.967584 1.757364 -0.488244 -0.231365

2017-08-06 0.823563 -0.462239 0.322172 0.051755 0.377513

2017-08-07 -0.721550 -0.865274 0.262810 -0.670553 1.009144

2017-08-08 0.697477 -0.230398 -0.297281 0.984785 -0.257351

A B C D E

count 8.000000 8.000000 8.000000 8.000000 8.000000

mean -0.260491 -0.576319 0.785894 0.322134 -0.330243

std 1.158991 0.919133 0.928070 1.436732 0.812523

min -2.267711 -2.235939 -0.297281 -0.967584 -1.448575

25% -0.585394 -0.785469 0.166402 -0.623175 -0.836571

50% -0.244358 -0.561070 0.517464 -0.346319 -0.391142

75% 0.535421 -0.353244 1.461769 1.068431 0.152664

max 1.075245 0.984785 2.288919 2.608362 0.823563

2017-08-01 1.075245

2017-08-02 -1.513320

2017-08-03 -2.267711

2017-08-04 -0.276085

2017-08-05 -0.231365

2017-08-06 0.377513

2017-08-07 1.009144

2017-08-08 -0.257351

Freq: D, Name: A, dtype: float64

A B C D E

2017-08-01 1.075245 -0.605058 0.712755 2.418159 -0.028940

2017-08-02 -1.513320 -0.517082 1.363238 0.618522 -0.450400

2017-08-03 -2.267711 -2.235939 2.288919 2.608362 -1.181633

A B C D E

2017-08-01 1.075245 -0.605058 0.712755 2.418159 -0.028940

2017-08-02 -1.513320 -0.517082 1.363238 0.618522 -0.450400

2017-08-03 -2.267711 -2.235939 2.288919 2.608362 -1.181633

2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884

2017-08-05 -0.231365 -0.488244 1.757364 -0.967584 -1.448575

2017-08-06 0.377513 0.051755 0.322172 -0.462239 0.823563

A 1.075245

B -0.605058

C 0.712755

D 2.418159

E -0.028940

Name: 2017-08-01 00:00:00, dtype: float64

B D

2017-08-02 -0.517082 0.618522

2017-08-03 -2.235939 2.608362

2017-08-04 -1.130215 -0.542475

2017-08-05 -0.488244 -0.967584

2017-08-06 0.051755 -0.462239

0.71275536229

C D

2017-08-02 1.363238 0.618522

2017-08-03 2.288919 2.608362

-0.45040032497

A B C D E

2017-08-06 0.377513 0.051755 0.322172 -0.462239 0.823563

2017-08-08 -0.257351 0.984785 -0.297281 -0.230398 0.697477

A B C D E

2017-08-01 NaN -0.605058 NaN NaN -0.028940

2017-08-02 -1.513320 -0.517082 NaN NaN -0.450400

2017-08-03 -2.267711 -2.235939 NaN NaN -1.181633

2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884

2017-08-05 -0.231365 -0.488244 NaN -0.967584 -1.448575

2017-08-06 NaN NaN NaN -0.462239 NaN

2017-08-07 NaN -0.670553 NaN -0.865274 -0.721550

2017-08-08 -0.257351 NaN -0.297281 -0.230398 NaN

Empty DataFrame

Columns: [A, B, C, D, E]

Index: []

2017-08-01 10

2017-08-02 11

2017-08-03 12

2017-08-04 13

2017-08-05 14

2017-08-06 15

2017-08-07 16

2017-08-08 17

Freq: D, dtype: int64

A B C D E F

2017-08-01 1.075245 -0.605058 0.712755 2.418159 -0.028940 10

2017-08-02 -1.513320 -0.517082 1.363238 0.618522 -0.450400 11

2017-08-03 -2.267711 -2.235939 2.288919 2.608362 -1.181633 12

2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884 13

2017-08-05 -0.231365 -0.488244 1.757364 -0.967584 -1.448575 14

2017-08-06 0.377513 0.051755 0.322172 -0.462239 0.823563 15

2017-08-07 1.009144 -0.670553 0.262810 -0.865274 -0.721550 16

2017-08-08 -0.257351 0.984785 -0.297281 -0.230398 0.697477 17

A B C D E F

2017-08-01 0.000000 -0.605058 0.712755 2.418159 -0.028940 10

2017-08-02 -1.513320 -0.517082 1.363238 0.618522 -0.450400 11

2017-08-03 -2.267711 -2.235939 2.288919 2.608362 -1.181633 12

2017-08-04 -0.276085 -1.130215 -0.122823 -0.542475 -0.331884 13

2017-08-05 -0.231365 -0.488244 1.757364 -0.967584 -1.448575 14

2017-08-06 0.377513 0.051755 0.322172 -0.462239 0.823563 15

2017-08-07 1.009144 -0.670553 0.262810 -0.865274 -0.721550 16

2017-08-08 -0.257351 0.984785 -0.297281 -0.230398 0.697477 17

A B C D E F

2017-08-01 0.000000 -0.605058 0.712755 4 -0.028940 10

2017-08-02 -1.513320 -0.517082 1.363238 4 666.000000 11

2017-08-03 -2.267711 -2.235939 2.288919 4 -1.181633 12

2017-08-04 -0.276085 -1.130215 -0.122823 4 -0.331884 13

2017-08-05 -0.231365 -0.488244 1.757364 4 -1.448575 14

2017-08-06 0.377513 0.051755 0.322172 4 0.823563 15

2017-08-07 1.009144 -0.670553 0.262810 4 -0.721550 16

2017-08-08 -0.257351 0.984785 -0.297281 4 0.697477 17

A B C D E F

2017-08-01 0.000000 0.605058 0.712755 4 0.028940 10

2017-08-02 1.513320 0.517082 1.363238 4 666.000000 11

2017-08-03 2.267711 2.235939 2.288919 4 1.181633 12

2017-08-04 0.276085 1.130215 0.122823 4 0.331884 13

2017-08-05 0.231365 0.488244 1.757364 4 1.448575 14

2017-08-06 0.377513 0.051755 0.322172 4 0.823563 15

2017-08-07 1.009144 0.670553 0.262810 4 0.721550 16

2017-08-08 0.257351 0.984785 0.297281 4 0.697477 17

2017年八月月发布的文章

java中方法与构造方法的理解

java实现桶排序

了解桶排序

如何实现桶排序

利用java实现

题目:

java code:

xlrd基本操作并配合matplotlib绘图笔记

Pandas基本操作笔记

LOGO

近期文章

分类目录

文章归档

近期评论

功能

博客统计

2017年八月月 发布的文章

java中方法与构造方法的理解

java实现桶排序

了解桶排序

如何实现桶排序

利用java实现

题目:

java code:

xlrd基本操作并配合matplotlib绘图笔记

Pandas基本操作笔记

LOGO

近期文章

标签

分类目录

文章归档

近期评论

功能

博客统计

2017年八月月发布的文章