更新了部分文档

Day01-15/13.进程和线程.md

@@ -316,7 +316,7 @@ if __name__ == '__main__':
 
 但是，切换作业是有代价的，比如从语文切到数学，要先收拾桌子上的语文书本、钢笔（这叫保存现场），然后，打开数学课本、找出圆规直尺（这叫准备新环境），才能开始做数学作业。操作系统在切换进程或者线程时也是一样的，它需要先保存当前执行的现场环境（CPU寄存器状态、内存页等），然后，把新任务的执行环境准备好（恢复上次的寄存器状态，切换内存页等），才能开始执行。这个切换过程虽然很快，但是也需要耗费时间。如果有几千个任务同时进行，操作系统可能就主要忙着切换任务，根本没有多少时间去执行任务了，这种情况最常见的就是硬盘狂响，点窗口无反应，系统处于假死状态。所以，多任务一旦多到一个限度，反而会使得系统性能急剧下降，最终导致所有任务都做不好。
 
-是否采用多任务的第二个考虑是任务的类型，可以把任务分为计算密集型和I/O密集型。计算密集型任务的特点是要进行大量的计算，消耗CPU资源，比如对视频进行编码解码或者格式转换等等，这种任务全靠CPU的运算能力，虽然也可以用多任务完成，但是任务越多，花在任务切换的时间就越多，CPU执行任务的效率就越低。计算密集型任务由于主要消耗CPU资源，这类任务用Python这样的脚本语言去执行效率通常很低，最能胜任这类任务的是C语言，我们之前提到了Python中有嵌入C/C++代码的机制。
+是否采用多任务的第二个考虑是任务的类型，可以把任务分为计算密集型和I/O密集型。计算密集型任务的特点是要进行大量的计算，消耗CPU资源，比如对视频进行编码解码或者格式转换等等，这种任务全靠CPU的运算能力，虽然也可以用多任务完成，但是任务越多，花在任务切换的时间就越多，CPU执行任务的效率就越低。计算密集型任务由于主要消耗CPU资源，这类任务用Python这样的脚本语言去执行效率通常很低，最能胜任这类任务的是C语言，我们之前提到过Python中有嵌入C/C++代码的机制。
 
 除了计算密集型任务，其他的涉及到网络、存储介质I/O的任务都可以视为I/O密集型任务，这类任务的特点是CPU消耗很少，任务的大部分时间都在等待I/O操作完成（因为I/O的速度远远低于CPU和内存的速度）。对于I/O密集型任务，如果启动多任务，就可以减少I/O等待时间从而让CPU高效率的运转。有一大类的任务都属于I/O密集型任务，这其中包括了我们很快会涉及到的网络应用和Web应用。
 
@@ -324,9 +324,9 @@ if __name__ == '__main__':
 
 ### 单线程+异步I/O
 
-现代操作系统对I/O操作的改进中最为重要的就是支持异步I/O。如果充分利用操作系统提供的异步I/O支持，就可以用单进程单线程模型来执行多任务，这种全新的模型称为事件驱动模型。Nginx就是支持异步I/O的Web服务器，它在单核CPU上采用单进程模型就可以高效地支持多任务。在多核CPU上，可以运行多个进程（数量与CPU核心数相同），充分利用多核CPU。用Node.js开发的服务器端程序也使用了这种工作模式，这也是当下实现多任务编程的一种趋势。
+现代操作系统对I/O操作的改进中最为重要的就是支持异步I/O。如果充分利用操作系统提供的异步I/O支持，就可以用单进程单线程模型来执行多任务，这种全新的模型称为事件驱动模型。Nginx就是支持异步I/O的Web服务器，它在单核CPU上采用单进程模型就可以高效地支持多任务。在多核CPU上，可以运行多个进程（数量与CPU核心数相同），充分利用多核CPU。用Node.js开发的服务器端程序也使用了这种工作模式，这也是当下并发编程的一种流行方案。
 
-在Python语言中，单线程+异步I/O的编程模型称为协程，有了协程的支持，就可以基于事件驱动编写高效的多任务程序。协程最大的优势就是极高的执行效率，因为子程序切换不是线程切换，而是由程序自身控制，因此，没有线程切换的开销。协程的第二个优势就是不需要多线程的锁机制，因为只有一个线程，也不存在同时写变量冲突，在协程中控制共享资源不用加锁，只需要判断状态就好了，所以执行效率比多线程高很多。如果想要充分利用CPU的多核特性，最简单的方法是多进程+协程，既充分利用多核，又充分发挥协程的高效率，可获得极高的性能。关于这方面的内容，我稍后会做一个专题来进行讲解。
+在Python语言中，单线程+异步I/O的编程模型称为协程，有了协程的支持，就可以基于事件驱动编写高效的多任务程序。协程最大的优势就是极高的执行效率，因为子程序切换不是线程切换，而是由程序自身控制，因此，没有线程切换的开销。协程的第二个优势就是不需要多线程的锁机制，因为只有一个线程，也不存在同时写变量冲突，在协程中控制共享资源不用加锁，只需要判断状态就好了，所以执行效率比多线程高很多。如果想要充分利用CPU的多核特性，最简单的方法是多进程+协程，既充分利用多核，又充分发挥协程的高效率，可获得极高的性能。关于这方面的内容，在后续的课程中会进行讲解。
 
 ### 应用案例
 

Day21-30/code/垃圾分类查询/index.html

@@ -102,7 +102,7 @@
                 // 查询垃圾分类的函数
                 search() {
                     if (this.word.trim().length > 0) {
-                        let key = '9636cec76ee2593ba6b195e5b770b394'
+                        let key = 'e8c5524dd2a365f20908ced735f8e480'
                         let url = `http://api.tianapi.com/txapi/lajifenlei/?key=${key}&word=${this.word}`
                         fetch(url)
                             .then(resp => resp.json())

Day31-35/31-35.玩转Linux操作系统.md

@@ -954,7 +954,7 @@ Linux系统的命令通常都是如下所示的格式：
 
 8. 创建/激活/关闭交换分区 - **mkswap** / **swapon** / **swapoff**。
 
-> 说明：执行上面这些命令会带有一定的风险，如果不清楚这些命令的用法，最好不用随意使用，在使用的过程中，最好对照参考资料进行操作，并在操作前确认是否要这么做。
+> **说明**：执行上面这些命令会带有一定的风险，如果不清楚这些命令的用法，最好不用随意使用，在使用的过程中，最好对照参考资料进行操作，并在操作前确认是否要这么做。
 
 ### 编辑器 - vim
 

Day36-40/code/HRS_create_and_init.sql

 drop database if exists hrs;
-create database hrs default charset utf8mb4;
+create database hrs default charset utf8mb4 collate utf8_bin;
 
 use hrs;
 

Day41-55/45.制作报表.md

@@ -46,7 +46,7 @@ def export_teachers_excel(request):
     # 中文文件名需要处理成百分号编码
     filename = quote('老师.xls')
     # 通过响应头告知浏览器下载该文件以及对应的文件名
-    resp['content-disposition'] = f'attachment; filename*=utf-8''{filename}'
+    resp['content-disposition'] = f'attachment; filename*=utf-8\'\'{filename}'
     return resp
 ```
 

Day61-65/62.数据采集和解析.md

@@ -225,7 +225,7 @@ XPath是在XML文档中查找信息的一种语法，它使用路径表达式来
       <price>29.99</price>
     </book>
     <book>
-      <title lang="eng">Learning XML</title>
+      <title lang="zh">三国演义</title>
       <price>39.95</price>
     </book>
 </bookstore>

Day66-70/67.NumPy的应用.md

@@ -103,7 +103,7 @@ Numpy最为核心的数据类型是`ndarray`，使用`ndarray`可以处理一维
     产生10个$[1, 100)$范围的随机整数，代码：
 
     ```Python
-    array5 = np.random.randint(1, 101, 10)
+    array5 = np.random.randint(1, 100, 10)
     array5
     ```
 
@@ -1124,7 +1124,7 @@ print(np.power(array37, array38))
 
 | 函数                              | 说明 |
 | --------------------------------- | ---- |
-| `add(x, y)` / `substract(x, y)` / `multiply` | 加法函数 / 减法函数 |
+| `add(x, y)` / `substract(x, y)` | 加法函数 / 减法函数 |
 |`multiply(x, y)` / `divide(x, y)`|乘法函数 / 除法函数|
 | `floor_divide(x, y)` / `mod(x, y)` | 整除函数 / 求模函数 |
 |`allclose(x, y)`|检查数组`x`和`y`元素是否几乎相等|
@@ -1139,7 +1139,7 @@ print(np.power(array37, array38))
 | `setdiff1d(x, y)`   | 计算`x`和`y`的差集，返回这些元素构成的数组            |
 | `setxor1d(x, y)`    | 计算`x`和`y`的对称差，返回这些元素构成的数组          |
 
->**补充说明：在二维空间内，两个向量$\boldsymbol{A}=\begin{bmatrix} a_1 \\ a_2 \end{bmatrix}$和$\boldsymbol{B}=\begin{bmatrix} b_1 \\ b_2 \end{bmatrix}$的叉积是这样定义的：$\boldsymbol{A}\times \boldsymbol{B}=\begin{vmatrix} a_1 \quad a_2 \\ b_1 \quad b_2 \end{vmatrix}=a_1b_2 - a_2b_1$，其中$\begin{vmatrix} a_1 \quad a_2 \\ b_1 \quad b_2 \end{vmatrix}$称为行列式。但是一定要注意，叉积并不等同于行列式，行列式的运算结果是一个标量，而叉积运算的结果是一个向量。如果不明白，我们可以看看三维空间两个向量，$\boldsymbol{A}=\begin{bmatrix} a_1 \\ a_2 \\ a_3 \end{bmatrix}$和$\boldsymbol{B}=\begin{bmatrix} b_1 \\ b_2 \\ b_3 \end{bmatrix}$的叉积是$\left< \hat{i} \begin{vmatrix} a_2 \quad a_3 \\ b_2 \quad b_3 \end{vmatrix}, -\hat{j} \begin{vmatrix} a_1 \quad a_3 \\ b_1 \quad b_3 \end{vmatrix}, \hat{k} \begin{vmatrix} a_1 \quad a_2 \\ b_1 \quad b_2 \end{vmatrix} \right>$，其中$\hat{i}, \hat{j}, \hat{k}$代表每个维度的单位向量。
+>**补充说明**：在二维空间内，两个向量$\boldsymbol{A}=\begin{bmatrix} a_1 \\ a_2 \end{bmatrix}$和$\boldsymbol{B}=\begin{bmatrix} b_1 \\ b_2 \end{bmatrix}$的叉积是这样定义的：$\boldsymbol{A}\times \boldsymbol{B}=\begin{vmatrix} a_1 \quad a_2 \\ b_1 \quad b_2 \end{vmatrix}=a_1b_2 - a_2b_1$，其中$\begin{vmatrix} a_1 \quad a_2 \\ b_1 \quad b_2 \end{vmatrix}$称为行列式。但是一定要注意，叉积并不等同于行列式，行列式的运算结果是一个标量，而叉积运算的结果是一个向量。如果不明白，我们可以看看三维空间两个向量，$\boldsymbol{A}=\begin{bmatrix} a_1 \\ a_2 \\ a_3 \end{bmatrix}$和$\boldsymbol{B}=\begin{bmatrix} b_1 \\ b_2 \\ b_3 \end{bmatrix}$的叉积是$\left< \hat{i} \begin{vmatrix} a_2 \quad a_3 \\ b_2 \quad b_3 \end{vmatrix}, -\hat{j} \begin{vmatrix} a_1 \quad a_3 \\ b_1 \quad b_3 \end{vmatrix}, \hat{k} \begin{vmatrix} a_1 \quad a_2 \\ b_1 \quad b_2 \end{vmatrix} \right>$，其中$\hat{i}, \hat{j}, \hat{k}$代表每个维度的单位向量。
 
 #### 广播机制
 

Day66-70/68.Pandas的应用.md

@@ -2,23 +2,356 @@
 
 Pandas是Wes McKinney在2008年开发的一个强大的**分析结构化数据**的工具集。Pandas以NumPy为基础（数据表示和运算），提供了用于数据处理的函数和方法，对数据分析和数据挖掘提供了很好的支持；同时Pandas还可以跟数据可视化工具Matplotlib很好的整合在一起，非常轻松愉快的实现数据的可视化展示。
 
-Pandas核心的数据类型是`Series`、`DataFrame`，分别用于处理一维和二维的数据，除此之外还有一个名为`Index`的类型及其子类型，它为`Series`和`DataFrame`提供了索引功能。日常工作中以`DataFrame`使用最为广泛，因为二维的数据本质就是一个有行有列的表格（想一想Excel电子表格和关系型数据库中的二维表）。上述这些类型都提供了大量的处理数据的方法，数据分析师可以以此为基础实现对数据的各种常规处理。
+Pandas核心的数据类型是`Series`（数据系列）、`DataFrame`（数据表/数据框），分别用于处理一维和二维的数据，除此之外还有一个名为`Index`的类型及其子类型，它为`Series`和`DataFrame`提供了索引功能。日常工作中以`DataFrame`使用最为广泛，因为二维的数据本质就是一个有行有列的表格（想一想Excel电子表格和关系型数据库中的二维表）。上述这些类型都提供了大量的处理数据的方法，数据分析师可以以此为基础实现对数据的各种常规处理。
 
 ### Series的应用
 
+Pandas库中的`Series`对象可以用来表示一维数据结构，跟数组非常类似，但是多了一些额外的功能。`Series`的内部结构包含了两个数组，其中一个用来保存数据，另一个用来保存数据的索引，如下图所示。
+
+![](res/pandas-series.png)
+
 #### 创建Series对象
 
+> **提示**：在执行下面的代码之前，请先导入pandas以及相关的库文件，具体的做法可以参考上一章。
+
+- 方法1：通过列表或数组创建Series对象。
+
+    代码：
+
+    ```Python
+    # data参数表示数据，index参数表示索引标签
+    # 如果没有指定index属性，默认使用数字索引
+    ser1 = pd.Series(data=[320, 180, 300, 405], index=['一季度', '二季度', '三季度', '四季度'])
+    ser1
+    ```
+
+    输出：
 
+    ```
+    一季度    320
+    二季度    180
+    三季度    300
+    四季度    405
+    dtype: int64
+    ```
 
-####基本属性和方法
+- 方法2：通过字典创建Series对象。
 
+    代码：
 
+    ```Python
+    # 字典中的键就是索引标签，字典中的值就是数据
+    ser2 = pd.Series({'一季度': 320, '二季度': 180, '三季度': 300, '四季度': 405})
+    ser2
+    ```
+
+    输出：
+
+    ```
+    一季度    320
+    二季度    180
+    三季度    300
+    四季度    405
+    dtype: int64
+    ```
+
+#### 索引和切片
+
+跟数组一样，Series对象也可以进行索引和切片操作，不同的是Series对象因为内部维护了一个保存索引的数组，所以除了可以使用整数索引通过位置检索数据外，还可以通过自己设置的索引标签获取对应的数据。
+
+- 使用正负向整数索引
+
+    代码：
+
+    ```Python
+    print(ser2[0], ser2[2], ser2[-1])
+    ser2[0], ser2[-1] = 350, 360 
+    print(ser2)
+    ```
+
+    输出：
+
+    ```
+    320 300 405
+    一季度    350
+    二季度    180
+    三季度    300
+    四季度    360
+    dtype: int64
+    ```
+
+- 使用自己设置的标签索引
+
+    代码：
+
+    ```Python
+    print(ser2['一季度'], ser2['三季度'])
+    ser2['一季度'] = 380
+    print(ser2)
+    ```
+
+    输出：
+
+    ```
+    350 300
+    一季度    380
+    二季度    180
+    三季度    300
+    四季度    360
+    dtype: int64
+    ```
+
+- 切片操作
+
+    代码：
+
+    ```Python
+    print(ser2[1:3])
+    print(ser2['二季度':'四季度'])
+    ```
+
+    输出：
+
+    ```
+    二季度    180
+    三季度    300
+    dtype: int64
+    二季度    500
+    三季度    500
+    四季度    520
+    dtype: int64
+    ```
+
+    代码：
+
+    ```Python
+    ser2[1:3] = 400, 500
+    ser2
+    ```
+
+    输出：
+
+    ```
+    一季度    380
+    二季度    400
+    三季度    500
+    四季度    360
+    dtype: int64
+    ```
+    
+- 花式索引
+
+    代码：
+
+    ```Python
+    print(ser2[['二季度', '四季度']])
+    ser2[['二季度', '四季度']] = 500, 520
+    print(ser2)
+    ```
+
+    输出：
+
+    ```
+    二季度    400
+    四季度    360
+    dtype: int64
+    一季度    380
+    二季度    500
+    三季度    500
+    四季度    520
+    dtype: int64
+    ```
+    
+- 布尔索引
+
+    代码：
+
+    ```Python
+    ser2[ser2 >= 500]
+    ```
+
+    输出：
+
+    ```
+    二季度    500
+    三季度    500
+    四季度    520
+    dtype: int64
+    ```
+
+####属性和方法
+
+Series对象的常用属性如下表所示。
+
+| 属性                      | 说明                                    |
+| ------------------------- | --------------------------------------- |
+| `dtype` / `dtypes`        | 返回`Series`对象的数据类型              |
+| `hasnans`                 | 判断`Series`对象中有没有空值            |
+| `at` / `iat`              | 通过索引访问`Series`对象中的单个值      |
+| `loc` / `iloc`            | 通过一组索引访问`Series`对象中的一组值  |
+| `index`                   | 返回`Series`对象的索引                 |
+| `is_monotonic`            | 判断`Series`对象中的数据是否单调        |
+| `is_monotonic_increasing` | 判断`Series`对象中的数据是否单调递增    |
+| `is_monotonic_decreasing` | 判断`Series`对象中的数据是否单调递减    |
+| `is_unique`               | 判断`Series`对象中的数据是否独一无二    |
+| `size`                    | 返回`Series`对象中元素的个数            |
+| `values`                  | 以`ndarray`的方式返回`Series`对象中的值 |
+
+`Series`对象的方法很多，我们通过下面的代码为大家介绍一些常用的方法。
+
+- 统计相关方法
+
+    代码：
+
+    ```Python
+    # 求和
+    print(ser2.sum())
+    # 求均值
+    print(ser2.mean())
+    # 求最大
+    print(ser2.max())
+    # 求最小
+    print(ser2.min())
+    # 计数
+    print(ser2.count())
+    # 求标准差
+    print(ser2.std())
+    # 求方差
+    print(ser2.var())
+    # 求中位数
+    print(ser2.median())
+    ```
+
+    输出：
+
+    ```
+    1900
+    475.0
+    520
+    380
+    4
+    64.03124237432849
+    4100.0
+    500.0
+    ```
+
+    `Series`对象还有一个名为`describe()`的方法，可以获得上述所有的描述性统计信息，如下所示。
+
+    代码：
+
+    ```Python
+    ser2.describe()
+    ```
+
+    输出：
+
+    ```
+    count      4.000000
+    mean     475.000000
+    std       64.031242
+    min      380.000000
+    25%      470.000000
+    50%      500.000000
+    75%      505.000000
+    max      520.000000
+    dtype: float64
+    ```
+
+    > **提示**：因为`describe()`返回的也是一个`Series`对象，所以也可以用`ser2.describe()['mean']`来获取平均值。
+
+    如果`Series`对象的数据中有重复元素，我们可以使用`unique()`方法获得去重之后的`Series`对象，如果想要统计重复元素重复的次数，可以使用`value_counts()`方法，这个方法会返回一个`Series`对象，它的索引就是原来的`Series`对象中的元素，而每个元素出现的次数就是返回的`Series`对象中的数据，在默认情况下会按照元素出现次数做降序排列。
+
+    代码：
+
+    ```Python
+    ser3 = pd.Series(data=['apple', 'banana', 'apple', 'pitaya', 'apple', 'pitaya', 'durian'])
+    ser3.value_counts()
+    ```
+
+    输出：
+
+    ```
+    apple     3
+    pitaya    2
+    durian    1
+    banana    1
+    dtype: int64
+    ```
+
+- 数据处理方法
+
+    `Series`对象的`dropna`和`fillna`方法分别用来删除空值和填充空值，具体的用法如下所示。
+
+    ```Python
+    ser4 = pd.Series(data=[10, 20, np.NaN, 30, np.NaN])
+    ser4.dropna()
+    ```
+
+    输出：
+
+    ```
+    0    10.0
+    1    20.0
+    3    30.0
+    dtype: float64
+    ```
+
+    代码：
+
+    ```Python
+    # 将空值填充为40
+    ser4.fillna(value=40)
+    ```
+
+    输出：
+
+    ```
+    0    10.0
+    1    20.0
+    2    40.0
+    3    30.0
+    4    40.0
+    dtype: float64
+    ```
+
+    代码：
+
+    ```Python
+    # backfill或bfill表示用后一个元素的值填充空值
+    # ffill或pad表示用前一个元素的值填充空值
+    ser4.fillna(method='ffill')
+    ```
+
+    输出：
+
+    ```
+    0    10.0
+    1    20.0
+    2    20.0
+    3    30.0
+    4    30.0
+    dtype: float64
+    ```
+
+    需要提醒大家注意的是，`dropna`和`fillna`方法都有一个名为`inplace`的参数，它的默认值是`False`，表示删除空值或填充空值不会修改原来的`Series`对象，而是返回一个新的`Series`对象来表示删除或填充空值后的数据系列，如果将`inplace`参数的值修改为`True`，那么删除或填充空值会就地操作，直接修改原来的`Series`对象，那么方法的返回值是`None`。后面我们会接触到的很多方法，包括`DataFrame`对象的很多方法都会有这个参数，它们的意义跟这里是一样的。
+    
+    `Series`对象的`apply`和`map`方法可以用于对数据进行处理，代码如下所示。
+    
+    `Series`对象的`mask`和`where`方法可以将满足或不满足条件的值进行替换。
+    
+    `Series`对象的`sort_index`和`sort_values`方法可以用于对索引和数据的排序，具体的用法请参考下面的例子。
+    
+    `Series`对象的`value_counts`方法可以统计每个值出现的次数并且以从大到小的顺序进行排列，`Series`对象的`unique`方法可以获取到不重复的值。
+    
+    
 
 #### 绘制图表
 
+Series对象有一个名为`plot`的方法可以用来生成图表，如果选择生成折线图、散点图、柱状图等，默认会使用Series对象的索引作为横坐标，使用Series对象的数据作为纵坐标。
+
 
 
-#### Index的使用
+利用Series对象的数据也可以生成表示占比的饼图和显示数据分布的直方图，如下面的代码所示。
 
 
 

Day66-70/code/Day68.ipynb

+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": 1,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import numpy as np\n",
+    "import pandas as pd\n",
+    "import matplotlib.pyplot as plt"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 2,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "%matplotlib inline\n",
+    "%config InlineBackend.figure_format='svg'"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 3,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "plt.rcParams['font.sans-serif'] = 'FZJKai-Z03S'\n",
+    "plt.rcParams['axes.unicode_minus'] = False"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 61,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "一季度    320\n",
+       "二季度    180\n",
+       "三季度    300\n",
+       "四季度    405\n",
+       "dtype: int64"
+      ]
+     },
+     "execution_count": 61,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "ser1 = pd.Series(data=[320, 180, 300, 405], index=['一季度', '二季度', '三季度', '四季度'])\n",
+    "ser1"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 62,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "一季度    320\n",
+       "二季度    180\n",
+       "三季度    300\n",
+       "四季度    405\n",
+       "dtype: int64"
+      ]
+     },
+     "execution_count": 62,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "ser2 = pd.Series({'一季度': 320, '二季度': 180, '三季度': 300, '四季度': 405})\n",
+    "ser2"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 63,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "320 300 405\n",
+      "一季度    350\n",
+      "二季度    180\n",
+      "三季度    300\n",
+      "四季度    360\n",
+      "dtype: int64\n"
+     ]
+    }
+   ],
+   "source": [
+    "print(ser2[0], ser2[2], ser2[-1])\n",
+    "ser2[0], ser2[-1] = 350, 360 \n",
+    "print(ser2)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 64,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "350 300\n",
+      "一季度    380\n",
+      "二季度    180\n",
+      "三季度    300\n",
+      "四季度    360\n",
+      "dtype: int64\n"
+     ]
+    }
+   ],
+   "source": [
+    "print(ser2['一季度'], ser2['三季度'])\n",
+    "ser2['一季度'] = 380\n",
+    "print(ser2)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 65,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "二季度    180\n",
+      "三季度    300\n",
+      "dtype: int64\n",
+      "二季度    180\n",
+      "三季度    300\n",
+      "四季度    360\n",
+      "dtype: int64\n",
+      "一季度    380\n",
+      "二季度    400\n",
+      "三季度    500\n",
+      "四季度    360\n",
+      "dtype: int64\n"
+     ]
+    }
+   ],
+   "source": [
+    "print(ser2[1:3])\n",
+    "print(ser2['二季度': '四季度'])\n",
+    "ser2[1:3] = 400, 500\n",
+    "print(ser2)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 66,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "二季度    400\n",
+      "四季度    360\n",
+      "dtype: int64\n",
+      "一季度    380\n",
+      "二季度    500\n",
+      "三季度    500\n",
+      "四季度    520\n",
+      "dtype: int64\n"
+     ]
+    }
+   ],
+   "source": [
+    "print(ser2[['二季度', '四季度']])\n",
+    "ser2[['二季度', '四季度']] = 500, 520\n",
+    "print(ser2)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 68,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "二季度    500\n",
+      "三季度    500\n",
+      "四季度    520\n",
+      "dtype: int64\n"
+     ]
+    }
+   ],
+   "source": [
+    "print(ser2[ser2 >= 500])"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 70,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "1900\n",
+      "475.0\n",
+      "520\n",
+      "380\n",
+      "4\n",
+      "64.03124237432849\n",
+      "4100.0\n",
+      "500.0\n"
+     ]
+    }
+   ],
+   "source": [
+    "# 求和\n",
+    "print(ser2.sum())\n",
+    "# 求均值\n",
+    "print(ser2.mean())\n",
+    "# 求最大\n",
+    "print(ser2.max())\n",
+    "# 求最小\n",
+    "print(ser2.min())\n",
+    "# 计数\n",
+    "print(ser2.count())\n",
+    "# 求标准差\n",
+    "print(ser2.std())\n",
+    "# 求方差\n",
+    "print(ser2.var())\n",
+    "# 求中位数\n",
+    "print(ser2.median())"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 78,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "count      4.000000\n",
+       "mean     475.000000\n",
+       "std       64.031242\n",
+       "min      380.000000\n",
+       "25%      470.000000\n",
+       "50%      500.000000\n",
+       "75%      505.000000\n",
+       "max      520.000000\n",
+       "dtype: float64"
+      ]
+     },
+     "execution_count": 78,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "ser2.describe()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 99,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "apple     3\n",
+       "pitaya    2\n",
+       "durian    1\n",
+       "banana    1\n",
+       "dtype: int64"
+      ]
+     },
+     "execution_count": 99,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "ser3 = pd.Series(data=['apple', 'banana', 'apple', 'pitaya', 'apple', 'pitaya', 'durian'])\n",
+    "ser3.value_counts()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 80,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "0    10.0\n",
+       "1    20.0\n",
+       "3    30.0\n",
+       "dtype: float64"
+      ]
+     },
+     "execution_count": 80,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "ser4 = pd.Series(data=[10, 20, np.NaN, 30, np.NaN])\n",
+    "ser4.dropna()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 82,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "0    10.0\n",
+       "1    20.0\n",
+       "2    40.0\n",
+       "3    30.0\n",
+       "4    40.0\n",
+       "dtype: float64"
+      ]
+     },
+     "execution_count": 82,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "ser4.fillna(value=40)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 98,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "0    10.0\n",
+       "1    20.0\n",
+       "2    20.0\n",
+       "3    30.0\n",
+       "4    30.0\n",
+       "dtype: float64"
+      ]
+     },
+     "execution_count": 98,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "ser4.fillna(method='ffill')"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.7.7"
+  },
+  "toc": {
+   "base_numbering": 1,
+   "nav_menu": {},
+   "number_sections": true,
+   "sideBar": true,
+   "skip_h1_title": false,
+   "title_cell": "Table of Contents",
+   "title_sidebar": "Contents",
+   "toc_cell": false,
+   "toc_position": {},
+   "toc_section_display": true,
+   "toc_window_display": false
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 2
+}

Day66-70/code/Day69.ipynb

+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.7.7"
+  },
+  "toc": {
+   "base_numbering": 1,
+   "nav_menu": {},
+   "number_sections": true,
+   "sideBar": true,
+   "skip_h1_title": false,
+   "title_cell": "Table of Contents",
+   "title_sidebar": "Contents",
+   "toc_cell": false,
+   "toc_position": {},
+   "toc_section_display": true,
+   "toc_window_display": false
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 2
+}

Day66-70/code/Day70.ipynb

+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.7.7"
+  },
+  "toc": {
+   "base_numbering": 1,
+   "nav_menu": {},
+   "number_sections": true,
+   "sideBar": true,
+   "skip_h1_title": false,
+   "title_cell": "Table of Contents",
+   "title_sidebar": "Contents",
+   "toc_cell": false,
+   "toc_position": {},
+   "toc_section_display": true,
+   "toc_window_display": false
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 2
+}

Day91-100/92.Docker容器详解.md → Day91-100/92.Docker容器技术详解.md

-## Docker容器详解
+## Docker容器技术详解
 
 Docker是基于Go语言开发的开源应用容器引擎，遵从Apache Licence 2.0协议，可以让开发者打包应用以及应用的依赖包到一个可移植的容器中，然后发布到各种发行版本的Linux系统上。
 

README.md

@@ -394,7 +394,7 @@ Python在以下领域都有用武之地。
 
 ### Day86~90 - [大数据分析概述](./Day86-90)
 
-####Day86 - [大数据概述](./Day86-90/86.大数据概述.md)
+#### Day86 - [大数据概述](./Day86-90/86.大数据概述.md)
 
 #### Day87 - [Hive查询](./Day86-90/87.Hive查询.md)
 

番外篇/使用Hexo搭建自己的博客.md

@@ -250,7 +250,11 @@ deploy:
 ```Markdown
 ---
 title: Python编程惯例
-category: Python基础
+categories: 
+- Python基础
+tags:
+- Python
+- PEP8
 date: 2019-8-1
 ---
 ## Python惯例

番外篇/玩转PyCharm.md

@@ -12,23 +12,23 @@ PyCharm是由JetBrains公司开发的提供给Python专业的开发者的一个
 
 第一次使用PyCharm时，会有一个导入设置的向导，如果之前没有使用PyCharm或者没有保存过设置的就直接选择“Do not import settings”进入下一步即可，下面是我在macOS系统下第一次使用PyCharm时的截图。
 
-![](./res/pycharm-import-settings.png)
+![](res/pycharm-import-settings.png)
 
 专业版的PyCharm是需要激活的，**强烈建议大家在条件允许的情况下支付费用来支持优秀的产品**，如果不用做商业用途或者不需要使用PyCharm的高级功能，我们可以暂时选择试用30天或者使用社区版的PyCharm。如果你是一名学生，希望购买PyCharm来使用，可以看看[教育优惠官方申请指南](https://sales.jetbrains.com/hc/zh-cn/articles/207154369)。如下图所示，我们需要点击“Evaluate”按钮来试用专业版PyCharm。
 
-![](./res/pycharm-activation.png)
+![](res/pycharm-activation.png)
 
 接下来是选择UI主题，可以根据个人喜好进行选择，深色的主题比较护眼而浅色的主题对比度更好。
 
-![](./res/pycharm-ui-themes.png)
+![](res/pycharm-ui-themes.png)
 
 再接下来是创建可以在“终端”或“命令行提示符”中运行PyCharm的启动脚本，当然也可以不做任何勾选，直接点击“Next: Featured plugins”按钮进入下一环节。
 
-![](./res/pycharm-create-launcher.png)
+![](res/pycharm-create-launcher.png)
 
 然后可以选择需要安装哪些插件，我们可以暂时什么都不安装，等需要的时候再来决定。
 
-![](./res/pycharm-install-plugins.png)
+![](res/pycharm-install-plugins.png)
 
 最后点击上图右下角的“Start using PyCharm”（开始使用PyCharm）就可以开启你的PyCharm之旅了。
 
@@ -36,17 +36,17 @@ PyCharm是由JetBrains公司开发的提供给Python专业的开发者的一个
 
 启动PyCharm之后会来到一个欢迎页，在欢迎页上我们可以选择“创建新项目”（Create New Project）、“打开已有项目”（Open）和“从版本控制系统中检出项目”（Get from Version Control）。
 
-![](./res/pycharm-welcome.png)
+![](res/pycharm-welcome.png)
 
 如果选择了“Create New Project”来创建新项目就会打一个创建项目的向导页。下图所示是PyCharm专业版创建新项目的向导页，可以看出专业版支持的项目类型非常的多，而社区版只能创建纯Python项目（Pure Python），没有这一系列的选项。
 
-![](./res/pycharm-project-wizard.png)
+![](res/pycharm-project-wizard.png)
 
 接下来，我们要为项目创建专属的虚拟环境，每个Python项目最好都在自己专属的虚拟环境中运行，因为每个项目对Python解释器和三方库的需求并不相同，虚拟环境对不同的项目进行了隔离。在上图所示的界面在，我们可以选择新建虚拟环境（New environment using Virtualenv），这里的“Virtualenv”是PyCharm默认选择的创建虚拟环境的工具，我们就保留这个默认的选项就可以了。
 
 项目创建完成后就可以开始新建各种文件来书写Python代码了，如下图所示。左侧是项目浏览器，可以看到刚才创建的项目文件夹以及虚拟环境文件夹。我们可以在项目上点击鼠标右键，选择“New”，在选择“Python File”来创建Python代码文件，下图中我们创建了两个Python文件，分别是`poker_game.py`和`salary_system.py`。当然，如果愿意，也可以使用复制粘贴的方式把其他地方的Python代码文件复制到项目文件夹下。
 
-![](./res/pycharm-workspace.png)
+![](res/pycharm-workspace.png)
 
 在工作窗口点击鼠标右键可以在上下文菜单中找到“Run”选项，例如要运行`salary_system.py`文件，右键菜单会显示“Run 'salary_system'”选项，点击这个选项我们就可以运行Python代码啦，运行结果在屏幕下方的窗口可以看到，如下图所示。