diff --git "a/Day01-15/13.\350\277\233\347\250\213\345\222\214\347\272\277\347\250\213.md" "b/Day01-15/13.\350\277\233\347\250\213\345\222\214\347\272\277\347\250\213.md"
index b24b5b39f512f8cbc27668e85071bf7f562087e6..2c93c14fe2f9f9b46821871fdce59627b4c2e183 100644
--- "a/Day01-15/13.\350\277\233\347\250\213\345\222\214\347\272\277\347\250\213.md"
+++ "b/Day01-15/13.\350\277\233\347\250\213\345\222\214\347\272\277\347\250\213.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
diff --git "a/Day21-30/code/\345\236\203\345\234\276\345\210\206\347\261\273\346\237\245\350\257\242/index.html" "b/Day21-30/code/\345\236\203\345\234\276\345\210\206\347\261\273\346\237\245\350\257\242/index.html"
index e2596c3aa4aa696cc1e3e95962deb5b2a3899e05..534ecc9746eb146c0d2b3df71a04c9938291df8f 100644
--- "a/Day21-30/code/\345\236\203\345\234\276\345\210\206\347\261\273\346\237\245\350\257\242/index.html"
+++ "b/Day21-30/code/\345\236\203\345\234\276\345\210\206\347\261\273\346\237\245\350\257\242/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())
diff --git "a/Day31-35/31-35.\347\216\251\350\275\254Linux\346\223\215\344\275\234\347\263\273\347\273\237.md" "b/Day31-35/31-35.\347\216\251\350\275\254Linux\346\223\215\344\275\234\347\263\273\347\273\237.md"
index f0fe19b7cb4b8191bb310ba2850de0d63e8bc3e7..33bce52dd66c2a9155184f282ae83416aac769c5 100644
--- "a/Day31-35/31-35.\347\216\251\350\275\254Linux\346\223\215\344\275\234\347\263\273\347\273\237.md"
+++ "b/Day31-35/31-35.\347\216\251\350\275\254Linux\346\223\215\344\275\234\347\263\273\347\273\237.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
diff --git a/Day36-40/code/HRS_create_and_init.sql b/Day36-40/code/HRS_create_and_init.sql
index 4b991e415e41a5b2f09f695ad45a99da12019e93..933747748b5aab0d611e148ac21fe031bb4e3972 100644
--- a/Day36-40/code/HRS_create_and_init.sql
+++ b/Day36-40/code/HRS_create_and_init.sql
@@ -1,5 +1,5 @@
drop database if exists hrs;
-create database hrs default charset utf8mb4;
+create database hrs default charset utf8mb4 collate utf8_bin;
use hrs;
diff --git "a/Day41-55/45.\345\210\266\344\275\234\346\212\245\350\241\250.md" "b/Day41-55/45.\345\210\266\344\275\234\346\212\245\350\241\250.md"
index 12d728b23b202a1b09b334d669f8ba003a89b7f0..ef9de3a70ebc5699b4ed463914397b3c37e7bef9 100644
--- "a/Day41-55/45.\345\210\266\344\275\234\346\212\245\350\241\250.md"
+++ "b/Day41-55/45.\345\210\266\344\275\234\346\212\245\350\241\250.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
```
diff --git "a/Day61-65/62.\346\225\260\346\215\256\351\207\207\351\233\206\345\222\214\350\247\243\346\236\220.md" "b/Day61-65/62.\346\225\260\346\215\256\351\207\207\351\233\206\345\222\214\350\247\243\346\236\220.md"
index e8caf862e2e95d32b2bf58c75b423c5b1c948774..672cd0d96afb0b0f7b55c5a6b921fd6bbffb6ef9 100644
--- "a/Day61-65/62.\346\225\260\346\215\256\351\207\207\351\233\206\345\222\214\350\247\243\346\236\220.md"
+++ "b/Day61-65/62.\346\225\260\346\215\256\351\207\207\351\233\206\345\222\214\350\247\243\346\236\220.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
29.99
- Learning XML
+ 三国演义
39.95
diff --git "a/Day66-70/67.NumPy\347\232\204\345\272\224\347\224\250.md" "b/Day66-70/67.NumPy\347\232\204\345\272\224\347\224\250.md"
index 3cfb855753deeaed0314c1a1776f1e0b7c39c8be..cf2a7d657315124067811b84fdd89c80ccf99163 100644
--- "a/Day66-70/67.NumPy\347\232\204\345\272\224\347\224\250.md"
+++ "b/Day66-70/67.NumPy\347\232\204\345\272\224\347\224\250.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
diff --git "a/Day66-70/68.Pandas\347\232\204\345\272\224\347\224\250.md" "b/Day66-70/68.Pandas\347\232\204\345\272\224\347\224\250.md"
index c5c8abbd99e90a49bfbfd5035d71642e2a8f8475..7c602c01ef958a845128bb12398b4bc20a9412dd 100644
--- "a/Day66-70/68.Pandas\347\232\204\345\272\224\347\224\250.md"
+++ "b/Day66-70/68.Pandas\347\232\204\345\272\224\347\224\250.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。
diff --git a/Day66-70/code/Day68.ipynb b/Day66-70/code/Day68.ipynb
new file mode 100644
index 0000000000000000000000000000000000000000..539f6390f7e2c1ffafa47d91088f67e3229e6195
--- /dev/null
+++ b/Day66-70/code/Day68.ipynb
@@ -0,0 +1,424 @@
+{
+ "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
+}
diff --git a/Day66-70/code/Day69.ipynb b/Day66-70/code/Day69.ipynb
new file mode 100644
index 0000000000000000000000000000000000000000..36803f86c8f905741dd5342388b12b07c4609166
--- /dev/null
+++ b/Day66-70/code/Day69.ipynb
@@ -0,0 +1,45 @@
+{
+ "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
+}
diff --git a/Day66-70/code/Day70.ipynb b/Day66-70/code/Day70.ipynb
new file mode 100644
index 0000000000000000000000000000000000000000..36803f86c8f905741dd5342388b12b07c4609166
--- /dev/null
+++ b/Day66-70/code/Day70.ipynb
@@ -0,0 +1,45 @@
+{
+ "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
+}
diff --git a/Day66-70/res/pandas-series.png b/Day66-70/res/pandas-series.png
new file mode 100644
index 0000000000000000000000000000000000000000..279ba2ba20ddf2373685efb97949bda405aa03ed
Binary files /dev/null and b/Day66-70/res/pandas-series.png differ
diff --git "a/Day91-100/92.Docker\345\256\271\345\231\250\350\257\246\350\247\243.md" "b/Day91-100/92.Docker\345\256\271\345\231\250\346\212\200\346\234\257\350\257\246\350\247\243.md"
similarity index 99%
rename from "Day91-100/92.Docker\345\256\271\345\231\250\350\257\246\350\247\243.md"
rename to "Day91-100/92.Docker\345\256\271\345\231\250\346\212\200\346\234\257\350\257\246\350\247\243.md"
index 4fe34cc4eed14cb251b4607875904b5aa53ff14d..47bdb8d6ba79f69a908eae10c1657ca7e080236b 100644
--- "a/Day91-100/92.Docker\345\256\271\345\231\250\350\257\246\350\247\243.md"
+++ "b/Day91-100/92.Docker\345\256\271\345\231\250\346\212\200\346\234\257\350\257\246\350\247\243.md"
@@ -1,4 +1,4 @@
-## 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。
diff --git a/README.md b/README.md
index f725ad80b402acbe539b87d840fd4c4487af9999..32c5bb66b0cc253fb410c2661acc30861b7c5efc 100644
--- a/README.md
+++ b/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)
diff --git "a/\347\225\252\345\244\226\347\257\207/\344\275\277\347\224\250Hexo\346\220\255\345\273\272\350\207\252\345\267\261\347\232\204\345\215\232\345\256\242.md" "b/\347\225\252\345\244\226\347\257\207/\344\275\277\347\224\250Hexo\346\220\255\345\273\272\350\207\252\345\267\261\347\232\204\345\215\232\345\256\242.md"
index 0527b4730ef2b8b0ed31b906e54ef71aacabda2f..49362d2b51d8bb950f3e8634f84f3bba93deb496 100644
--- "a/\347\225\252\345\244\226\347\257\207/\344\275\277\347\224\250Hexo\346\220\255\345\273\272\350\207\252\345\267\261\347\232\204\345\215\232\345\256\242.md"
+++ "b/\347\225\252\345\244\226\347\257\207/\344\275\277\347\224\250Hexo\346\220\255\345\273\272\350\207\252\345\267\261\347\232\204\345\215\232\345\256\242.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
diff --git "a/\347\225\252\345\244\226\347\257\207/\347\216\251\350\275\254PyCharm.md" "b/\347\225\252\345\244\226\347\257\207/\347\216\251\350\275\254PyCharm.md"
index 3069dbde96d42b9e56c2b7c4682e2fb78b67058f..bb5c682bb18c468815a3e5e3edef0aff053bcbd8 100644
--- "a/\347\225\252\345\244\226\347\257\207/\347\216\251\350\275\254PyCharm.md"
+++ "b/\347\225\252\345\244\226\347\257\207/\347\216\251\350\275\254PyCharm.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。