密码验证函数Python python写密码函数

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

df1.index与df.类别

1、查看数据类型：type(a)

2、查看已安装的包：

在dos命令行界面：如果你使用的是pip来作为你的python包管理器的话，可以在命令行下直接运行$ pip freeze或者$ pip list来查看安装包的信息，当然其它的包管理器也有类似的功能，同时，你也可以在python交互式解释器中导入pip模块来查看包信息。

在python提示符下，用help(‘modules’)，可以显示所有包名称，用import sys as s s.modules.keys() ，可以显示系统模块；

3、在LINUX环境下安装anaconda：;utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-2.pc_relevant_defaultdepth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-2.pc_relevant_defaultutm_relevant_index=5

1）先找需要安装版本的官网地址链接，如；

2）在linux控制台输入：wget

3）先赋权在安装程序：chmod +x Anaconda3-5.3.0-Linux-x86_64.sh

./Anaconda3-5.3.0-Linux-x86_64.sh

4）一直按ENTER，直到出现选择yes or no，输入yes；

5）继续按ENTER，直到出现选择yes，输入yes，添加环境变量；

6）若上面这一步没选择yes，会默认选择no，则需要自己到安装anaconda的路径下，设置环境变量：

export PATH=/home/anaconda3/bin:KaTeX parse error: Expected 'EOF', got '#' at position 36: …一句话注释掉： #̲ export PATH=/u…PATH

export PATH=/root/anaconda3/bin:$PATH

8）然后，保存更改：source ~/.bashrc

9）检测是否安装成功：

进入自己的文件夹目录下输入：anaconda -V conda -V

4、在linux环境下下载并安装mysql：…%2522%257Drequest_id=164517585116780265466903biz_id=0utm_medium=distribute.pc_search_result.none-task-blog-2blogbaidu_landing_v2~default-3-89874564.nonecaseutm_term=linux%E7%8E%AF%E5%A2%83%E4%B8%8B%E5%AE%89%E8%A3%85mysqlspm=1018.2226.3001.4450

1）先找安装包网址链接：从官网或者网盘下载

2）用linux命令将安装包下载到指定文件夹下：wget

3）再安装到指定目录下：

cd 路径

解压：tar -zxvf mysql-5.7.25-linux-glibc2.12-x86_64.tar.gz

修改文件夹名称：mv mysql-5.7.25-linux-glibc2.12-x86_64 /mysql

2）新建data目录

命令：mkdir /mysql/data

3）新建mysql用户组及mysql用户

命令：groupadd mysql //新建用户组

命令：useradd mysql -g mysql //新建用户

4）将/usr/local/mysql的所有者及所属组改为mysql

chown -R mysql.mysql /usr/local/mysql

5）配置

命令：/usr/local/mysql/bin/mysql_install_db --user=mysql --basedir=/usr/local/mysql/ --datadir=/usr/local/mysql/data

6）配置/etc/my.cnf

vim /etc/my.cnf

7）开启服务

命令：cp /usr/local/mysql/support-files/mysql.server /etc/init.d/mysql //将mysql加入服务

命令：chkconfig mysql on //开机自动启动

命令：service mysql start //开启mysql服务

开启mysql服务报错，在这里插入图片描述

8）设置密码

命令：/usr/local/mysql/bin/mysql -u root -p //在my.cnf中配置了取消密码验证，此处密码任意输入

命令：use mysql; //操作mysql数据库

命令：update user set authentication_string=password(‘你的密码’) where user=‘root’; //修改密码

命令：flush privileges;

命令：exit; //退出

9）将/etc/my.cnf中的skip-grant-tables删除

10）如果是本机安装则到此步骤已经安装配置完成，如果是在虚拟机或者远程服务器上安装，则需要以下步骤

允许远程连接

命令：/usr/local/mysql/bin/mysql -u root -p //登录

命令：use mysql;

命令：update user set host=’%’ where user = ‘root’;

命令：flush privileges;

命令：exit;

Pandas

dataframe：

1、dataframe，如何查看一个DataFrame对象的所有索引，列名，以及DataFrame中具体的值？

有一个dataframe对象df1，查看索引使用使用df1.index，查看列名使用df1.columns，查看所有的值为df1.values。

2、创建dataframe：

df1=pd.DataFrame(np.arange(16).reshape(4,4),

index = pd.date_range(‘20200101’, periods = 4),

columns=list(‘ABCD’))

3、使用df1.index返回的是一个索引，如果获取具体的值的话，需要使用df1.index.values转化为列表。

4、根据列名取dataframe的数据

基本格式：dataframe[列名]

1）取多列

列名要用中括号括起来，所以下述命令

dataframe[[‘P4_profit_rate’,‘P3PS’,‘P3NS’]] 没问题,返回pandas.core.frame.DataFrame类型的值

dataframe[‘P4_profit_rate’,‘P3PS’,‘P3NS’]出错

2）取一列

列名可以不用中括号括起来，

dataframe[‘P4_profit_rate’] 没问题，返回pandas.core.series.Series类型的值

列名也可以用中括号括起来，

dataframe[[‘P4_profit_rate’]] 也能正常运行，但返回pandas.core.frame.DataFrame类型的值

1. 常用基本方法及属性

df.info() 输出总行数、各列的行数、类型、索引、占用内存等信息；

df.index 输出索引，为 pandas.core.indexes.range.RangeIndex 类型；

df.columns 输出列名，为pandas.core.indexes.base.Index 类型，可使用df.columns.str ；

df.dtypes 各列的类型，输出一个series，值是object类型；

df.values 值，输出一个 array ；

df.describe() 输出各数值列的统计值，如非空个数、均值、std、极值、分位数。

2. 索引

df.set_index() 设置索引，括号内可以填入DataFrame中某列的列名，就能使用此列作为索引；

df.loc[ ] 以label索引，可实现花哨的混合索引，如：df.loc[ df.density100, [‘pop’, ‘density’] ] ；

df.iloc[ ] 以绝对位置索引，即数字；

掩码操作，如 df[ df [‘density’] 100 ] 。

3. 计算：

df.cov() 协方差，df.corr() 相关系数，df.mean(axis = 1)，df.median()，df.max()；

df[ ‘Age’ ].value_counts(ascending = True, bins = 5) 非nan计数(升序排列，分箱)；

pd.cut()也能实现连续值离散化，pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)。

4. 增删改查、合并、排序

使用df.copy()防止误修改df；

df.rename(index = {‘a’ : ‘A’}, inplace = True) 重命名索引，注意需要inplace为True才能真正修改；

df.append(df2) 增加；

df.drop([‘a’, ‘b’], inplace = True) 删除；

data.drop_duplicates()去重，subset参数可以选择具体的列；

df3 = pd.concat([df1,df2], axis = 0) 实现两个DataFrame的简易合并；

pd.merge(on, left_on, right_on, left_index, right_index, how, suffixes) 数据表连接操作，on可以指定多个列作为键;

多列排序 data.sort_values(by=[‘group’,‘data’],ascending = [False,True],inplace=True)，即在by、ascending处传入list，会先按’group’列再按’data’列排序。

5. groupby聚合和数据透视表pivot_table（相当于多维的groupby操作）

df.pivot_table(index = ‘Sex’, columns=‘Pclass’, values=‘Fare’，aggfunc = ‘sum’) ，aggfunc默认是mean；

6. 时间序列

Pandas所有关于日期与时间的处理方法全部是通过Timestamp对象实现的；

pd.to_datetime(‘2017-11-24’) 把str转化为Timestamp对象（pd.Timestamp也可以）；

ts + pd.Timedelta(‘5 days’) 用Timedelta加上时间间隔；

pd.read_csv()方法中参数parse_dates = True，可以直接将数据中的时间作为索引；

将时间戳作为索引值取出对应时间段内的数据：data[pd.Timestamp(‘2012-01-01 09:00’):pd.Timestamp(‘2012-01-01 19:00’)] ，

同时也可以使用 data[‘2013’]，data[‘2012-01’:‘2012-03’] 等简便方式；

仅取1月份的数据 data[data.index.month == 1] ；

时间重采样，将原始数据转化为均匀间隔的数据，

DataFrame.resample(rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention=‘start’,kind

=None, loffset=None, limit=None, base=0)，如df.resample(‘3D’)方法，对3天的数据进行重采样。

7. apply自定义函数 DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), kwds)，说明：

允许传入0个或任意个参数，这些可变参数在函数调用时自动组装为一个tuple，

关键字参数允许传入0个或任意个含参数名的参数，这些关键字参数在函数内部自动组装为一个dict。

8.缺失值：DataFrame.isnull().any()，.fillna() 等。

9.字符串Series.str.lower()，str是Series的一个属性，s.str.upper()，s.str.len()，index.str.strip()，df.columns.str.replace(’ ‘,’‘)，s.str.split(’‘)，s.str.contains(‘Ag’)，s.str.get_dummies(sep = ‘|’) 。

10、notebook显示设置：

pd.set_option()，pd.get_option()用于使用Notebook做展示；

pd.set_option(‘display.max_columns’,30)，pd.set_option(‘display.max_colwidth’,100)，

pd.set_option(‘display.max_colwidth’,100)。

11、重复记录处理

1）生成重复记录

#生成重复数据

df=pd.DataFrame(np.ones([5,2]),columns=[‘col1’,‘col2’])

df[‘col3’]=[‘a’,‘b’,‘a’,‘c’,‘d’]

df[‘col4’]=[3,2,3,2,2]

df=df.reindex(columns=[‘col3’,‘col4’,‘col1’,‘col2’]) #将新增的一列排在第一列

2）判断重复记录

isDplicated=df.duplicated() #判断重复数据记录

3）删除重复值

new_df1=df.drop_duplicates() #删除数据记录中所有列值相同的记录

new_df2=df.drop_duplicates([‘col3’]) #删除数据记录中col3列值相同的记录

new_df3=df.drop_duplicates([‘col4’]) #删除数据记录中col4列值相同的记录

new_df4=df.drop_duplicates([‘col3’,‘col4’]) #删除数据记录中(col3和col4)列值相同的记录

4）python去重drop_duplicates后一定要reset_index()。

pandas.DataFrame.reset_index

函数作用：重置索引或其level。

重置数据帧的索引，并使用默认索引。如果数据帧具有多重索引，则此方法可以删除一个或多个level。

函数主要有以下几个参数：reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill=’')

各个参数介绍：

level：可以是int, str, tuple, or list, default None等类型。作用是只从索引中删除给定级别。默认情况下删除所有级别。

drop：bool, default False。不要尝试在数据帧列中插入索引。这会将索引重置为默认的整数索引。

inplace：bool, default False。修改数据帧（不要创建新对象）。

col_level：int or str, default=0。如果列有多个级别，则确定将标签插入到哪个级别。默认情况下，它将插入到第一层。

col_fill：object, default。如果列有多个级别，则确定其他级别的命名方式。如果没有，则复制索引名称。

DataFrame or None。具有新索引的数据帧，如果inplace=True，则无索引。

python使用问题集锦

1、报错：NameError: name ‘scipy’ is not defined

使用!pip install packages scipy，重新安装成功后，还报错；在运行前先from scipy import optimize，再运行也报错；

还有说是注释或者换行等问题导致的，都无法解决，最后一个可能再试试：在安装scipy前要先安装numpy+mkl(非numpy)。

在如下地址下载安装numpy：

Numpy+MKL is linked to the Intel® Math Kernel Library and includes required DLLs in the numpy.DLLs directory.

下载完成后，在cmd命令行中用pip install numpy-1.22.2+mkl-pp38-pypy38_pp73-win_amd64.whl进行安装，报错如下：

ERROR: numpy-1.22.2+mkl-pp38-pypy38_pp73-win_amd64.whl is not a supported wheel on this platform.

错误原因：安装的不是对应python版本的库，下载的库名中cp27代表python2.7,其它同理。我的python是3.8版本，重新下载后，再安装，进入正常流程中。但是又报如下错误：在这里插入图片描述

文章知识点与官方知识档案匹配

Python入门技能树首页概览

208764 人正在系统学习中

点击阅读全文

打开CSDN APP，看更多技术内容

Pandas的基本功能_笑瘾的博客_pandas作用

一、Pandas的常用32个方法和功能 DataFrame() 创建一个DataFrame对象 df.values 返回ndarray类型的对象 df.shape 返回行列数 df.index 获取行索引 df.set_index 设置索引 df.reset_index 重制索引 df.columns 获取列索引 df.rename 重...

继续访问

pandas教程:pandas主要功能详解_hello-java-maker的博客_pand...

df =pd.read_csv("Counts.csv", header=0) df.head() 1 2 选择/切片 df[‘column_name’] ,df[row_start_index, row_end_index] 选取指定整列数据 df['name'] # 选取一列,成一个series df[['name']] # 选取一列...

继续访问

numpy‑1.21.4+mkl‑pp38‑pypy38_pp73‑win_amd64.whl

Python数据分析 | (17) pandas的基本功能

本篇博客中，我将介绍操作Series和DataFrame中的数据的基本手段。后续将更加深入地挖掘pandas在数据分析和处理方面的功能。这不是pandas库的详尽文档，主要关注的是最重要的功能，那些不大常用的内容(也就是那些更深奥的内容)就交给你自己去摸索吧。目录 1. 重新索引 2. 丢弃指定轴上的项 3. 索引、选取和过滤 4. 整数索引 5. 算术运算和数据对齐 6. ...

继续访问

最新发布 python安装ERROR: matplotlib-3.6.2-pp38-pypy38_pp73-win_amd64.whl is not a supported wheel on this plat

我把文件名称改为matplotlib-3.6.2-py39-none-any.whl。2、看到支持的文件的名称是py30-none-any。

继续访问

热门推荐使用python经常出现NameError: name 'xxx' is not defined

使用python经常出现NameError: name ‘xxx’ is not defined感觉神之存在的Bug 用注释居然解决了之前k_means一直是没定义后来加了注释#abc就解决了from sklearn.cluster import k_means# abc如下图所示：解决后感觉太特么奇妙了

继续访问

pandas中index索引功能是什么

pandas的索引对象可以用来保存坐标轴标签和其它元数据，是使用过程中必要的参与对象，那pandas中index索引功能是什么呢？pandas中index索引可以轻松的读取数据，更方便的数据查询，使用index查询的时候可以获得性能提升。一、index索引特点更方便的数据查询，使用index查询的时候可以获得性能提升；自动的数据对齐功能；更多更强大的数据结构支持。二、index索引用途 1、使用index读取数据 import pandas as pd df = pd.read_csv("./.

继续访问

pandas 基础功能（二）

pandas 基础功能（二） 1.新增 2.删除 3.修改数据 1.新增 1)在最后新增一列(列S)： df["列S]=list ## 增加列的元素个数要跟原数据列的个数一样 2)在指定位置新增一列(列Q): # 语法格式：列表.insert(index, obj) # index ---对象 obj 需要插入的索引位置。 # obj --- 要插入列表中的对象（列名） col_name=df1.columns.tolist() # 将数据框的列...

继续访问

【报错解决】复现Deep Supervised Cross-Modal Retrieval报错module scipy has no attribute spatial的解决

module scipy has no attribute spatial报错的解决。

继续访问

Python函数调用出现NameError: name ‘xxx‘ is not defined的解决办法

原因：函数里用的是局部变量，从而函数调用结束后会被销毁。如果不声明是全局变量，那么就会报错：（注意灰色字体注释的地方） def load_data(): from keras.datasets import mnist # global train_image, train_lable , test_image, test_lable (train_image, train_lable), (test_image, test_lable) = mnist.load_data.

继续访问

Python使用pip安装报错：is not a supported wheel on this platform的解决方法

我的python是3.8 win64位安装cryptography报错is not a supported wheel on this platform 首先我是在官网cryptography · PyPI下载的cryptography-37.0.2-pp38-pypy38_pp73-win_amd64.whl 官网如下，安装的时候报错cryptography · PyPI 解决版本：改安装报的名字步骤一，cmd里面输入pip debug --verbose，会列出支持包的名字，我把包的名字改

继续访问

Python-Pandas{数据结构与基本功能}

PandsSeries手动构建SeriesSeries的索引和切片按照字典的方式进行索引和切片 Pandas通常是用于数据分析过程中, 数据的清洗, 数据预处理, 数据的描述性分析等过程中。在整个Python数据分析的生态环境中, Pandas的地位非常重要, 利用Pandas可以快速便捷的对数据进行各种各样的处理与操作. 在Pandas中, 最重要的两种数据结构是1维的Series和2维的DataFrame. Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数

继续访问

Pandas 10. 索引index的用途

更方便的数据查询：df.loc[index, :]使用index会提升查询性能自动的数据对齐功能;使用index.更多更强大的数据结构支持很多强大的索引数据结构Categoricallndex,基于分类数据的Index,提升性能;Multilndex,多维索引，用于groupby多维聚合后结果等；Datetimelndex,时间类型索引，强大的日期和时间的方法支持：

继续访问

Pandas的索引index的用途（十一）

1、Pandas的索引index的用途把数据存储于普通的column列也能用于数据查询，那使用index有什么好处？ index的用途总结： 1、更方便的数据查询； 2、使用index可以获得性能提升； 3、自动的数据对齐功能； 4、更多更强大的数据结构支持； 2、实例用途（1）读取数据 import pandas as pd df = pd.read_csv...

继续访问

python语法基础

1.import 和 from … import 模块的变量、方法引用差异 from pandas import DataFrame from…import // 直接使用函数名使用就可以了 import pandas as pd import //模块.函数 a.import…as import：导入一个模块；注：相当于导入的是一个文件夹，是个相对路径 import A as B：给予工具库 A 一个简单的别称 B ，可以帮助记忆。例：import torc...

继续访问

python数据分析学习（3）

python数据分析·numpy的一些函数

继续访问

Pandas详解三之Index对象

约定 import pandas as pd from pandas import DataFrame import numpy as np Index Index对象保存着索引标签数据，它可以快速找到标签对应的整数下标，其功能与Python的字典类似。 dict1={"Province":["Guangdong","Beijing","Qinghai","Fu...

继续访问

Pandas的索引index的用途

##Pandas的索引index的用途 '''把数据存储于普通的column列也能用于数据查询，那使用index有什么好处?index的用途总结: 1.更方便的数据查询; 2.使用index可以获得性能提升; 3.自动的数据对齐功能; 4.更多更强大的数据结构支持;''' import pandas as pd df =pd.read_csv('F:\\python387\\pandas\\antlearnpandasmaster\\datas\\ml_latest_small\\ratings.csv'.

继续访问

python创建python.py时遇到的问题 name is not defined

创建py文件之后，运行文件时报错：是一个nameerror，说var为定义，所以执行不成功。这是因为将var定义在了函数里面，即return后一行的代码缩进了，导致var没有定义成功，只需要去除缩进就可以了。更改如下： ...

继续访问

pandas的Index对象

Index对象保存着索引标签数据，它可以快速找到标签对应的整数下标，其功能与Python的字典类似。 dict1={"Province":["Guangdong","Beijing","Qinghai","Fujiang"], "year":[2018]*4, "pop":[1.3,2.5,1.1,0.7]} df1=DataFrame(dict1) df1 1 2 3 4 5 代码结果 Province pop year 0 Guangdong 1.3...

继续访问。