2021-01-01 16:01:22

docs/10.md

@@ -264,7 +264,7 @@ b     one     0.281746
 Name: data2, dtype: float64
 ```
 
-##通过字典或`Series`进行分组
+## 通过字典或`Series`进行分组
 除数组以外，分组信息还可以其他形式存在。来看另一个示例`DataFrame`：
 ```python
 In [35]: people = pd.DataFrame(np.random.randn(5, 5),
@@ -327,7 +327,7 @@ Jim        2    3
 Travis     2    3
 ```
 
-##通过函数进行分组
+## 通过函数进行分组
 比起使用字典或`Series`，使用 Python 函数是一种更原生的方法定义分组映射。任何被当做分组键的函数都会在各个索引值上被调用一次，其返回值就会被用作分组名称。具体点说，以上一小节的示例`DataFrame`为例，其索引值为人的名字。你可以计算一个字符串长度的数组，更简单的方法是传入 len 函数：
 ```python
 In [44]: people.groupby(len).sum()

docs/11.md

@@ -1552,7 +1552,7 @@ Out[219]:
 
 此外，也可以通过调用结果对象的 shift 方法来实现该目的，这样就不需要设置 loffset 了。
 
-##OHLC 重采样
+## OHLC 重采样
 
 金融领域中有一种无所不在的时间序列聚合方式，即计算各面元的四个值：第一个值（open，开盘）、最后一个值（close，收盘）、最大值（high，最高）以及最小值（low，最低）。传入 how='ohlc'即可得到一个含有这四种聚合值的`DataFrame`。整个过程很高效，只需一次扫描即可计算出结果：
 ```python
@@ -1564,7 +1564,7 @@ Out[220]:
 2000-01-01 00:10:00    10    11   10     11
 ```
 
-##升采样和插值
+## 升采样和插值
 
 在将数据从低频率转换到高频率时，就不需要聚合了。我们来看一个带有一些周型数据的`DataFrame`：
 ```python

docs/14.md

@@ -4,7 +4,7 @@
 
 案例数据集可以在 Github 仓库找到，见第一章。
 
-#14.1 来自 Bitly 的 USA.gov 数据
+# 14.1 来自 Bitly 的 USA.gov 数据
 
 2011 年，URL 缩短服务 Bitly 跟美国政府网站 USA.gov 合作，提供了一份从生成.gov 或.mil 短链接的用户那里收集来的匿名数据。在 2011 年，除实时数据之外，还可以下载文本文件形式的每小时快照。写作此书时（2017 年），这项服务已经关闭，但我们保存一份数据用于本书的案例。
 
@@ -52,7 +52,7 @@ Chrome/17.0.963.78 Safari/535.11',
  'u': 'http://www.ncbi.nlm.nih.gov/pubmed/22415991'}
 ```
 
-##用纯 Python 代码对时区进行计数
+## 用纯 Python 代码对时区进行计数
 
 假设我们想要知道该数据集中最常出现的是哪个时区（即 tz 字段），得到答案的办法有很多。首先，我们用列表推导式取出一组时区：
 ```python
@@ -1903,7 +1903,7 @@ DE              0.802776      0.197224
 FL              0.467417      0.532583
 ```
 
-#14.6 总结
+# 14.6 总结
 
 我们已经完成了正文的最后一章。附录中有一些额外的内容，可能对你有用。
 

docs/5.md

@@ -1196,7 +1196,7 @@ Out[174]:
 2  8.0  9.0  10.0  11.0  0
 ```
 
-##`DataFrame`和`Series`之间的运算
+## `DataFrame`和`Series`之间的运算
 跟不同维度的 NumPy 数组一样，`DataFrame`和`Series`之间算术运算也是有明确规定的。先来看一个具有启发性的例子，计算一个二维数组与其某行之间的差：
 ```python
 In [175]: arr = np.arange(12.).reshape((3, 4))

docs/8.md

@@ -291,7 +291,7 @@ pandas 对象中的数据可以通过一些方式进行合并：
 
 我将分别对它们进行讲解，并给出一些例子。本书剩余部分的示例中将经常用到它们。
 
-##数据库风格的`DataFrame`合并
+## 数据库风格的`DataFrame`合并
 
 数据集的合并（merge）或连接（join）运算是通过一个或多个键将行连接起来的。这些运算是关系型数据库（基于 SQL）的核心。pandas 的`merge`函数是对数据应用这些算法的主要切入点。
 
@@ -1415,6 +1415,6 @@ Out[166]:
 8        B     6
 ```
 
-#8.4 总结
+# 8.4 总结
 
 现在你已经掌握了 pandas 数据导入、清洗、重塑，我们可以进一步学习 matplotlib 数据可视化。我们在稍后会回到 pandas，学习更高级的分析。

docs/9.md

@@ -648,7 +648,7 @@ In [107]: sns.pairplot(trans_data, diag_kind='kde', plot_kws={'alpha': 0.2})
 你可能注意到了 plot_kws 参数。它可以让我们传递配置选项到非对角线元素上的图形使用。对于更详细的配置选项，可以查阅 seaborn.pairplot 文档字符串。
 
 
-##分面网格（facet grid）和类型数据
+## 分面网格（facet grid）和类型数据
 要是数据集有额外的分组维度呢？有多个分类变量的数据可视化的一种方法是使用小面网格。seaborn 有一个有用的内置函数 factorplot，可以简化制作多种分面图（见图 9-26）：
 ```python
  In [108]: sns.factorplot(x='day', y='tip_pct', hue='time', col='smoker',

docs/a.md

@@ -1102,7 +1102,7 @@ Out[212]:
 dtype: float64
 ```
 
-#A.7 用 Numba 编写快速 NumPy 函数
+# A.7 用 Numba 编写快速 NumPy 函数
 
 Numba 是一个开源项目，它可以利用 CPUs、GPUs 或其它硬件为类似 NumPy 的数据创建快速函数。它使用了 LLVM 项目（http://llvm.org/），将 Python 代码转换为机器代码。