AjaxAjax即“AsynchronousJavascriptAndXML”（异步JavaScript和XML），是指⼀种创建交互式⽹⻚应⽤的⽹⻚开发技术。Ajax是⼀种⽤于创建快速动态⽹⻚的技术。Ajax是⼀种在⽆需重新加载整个⽹⻚的情况下，能够更新部分⽹⻚的技术。通过在后台与服务器进⾏少量数据交换，Ajax可以使⽹⻚实现异步更新。这意味着可以在不重新加载整个⽹⻚的情况下，对⽹⻚的某部分进⾏更新。传统的⽹⻚（不使⽤Ajax）如果需要更新内容，必须重载整个⽹⻚⻚⾯。Ajax的优点：异步：发送⼀个请求，不需要等待响应返回，随时可以再发送下⼀个请求，即不需要等待。局部刷新：通过在后台与服务器进行
AjaxAjax即“AsynchronousJavascriptAndXML”（异步JavaScript和XML），是指⼀种创建交互式⽹⻚应⽤的⽹⻚开发技术。Ajax是⼀种⽤于创建快速动态⽹⻚的技术。Ajax是⼀种在⽆需重新加载整个⽹⻚的情况下，能够更新部分⽹⻚的技术。通过在后台与服务器进⾏少量数据交换，Ajax可以使⽹⻚实现异步更新。这意味着可以在不重新加载整个⽹⻚的情况下，对⽹⻚的某部分进⾏更新。传统的⽹⻚（不使⽤Ajax）如果需要更新内容，必须重载整个⽹⻚⻚⾯。Ajax的优点：异步：发送⼀个请求，不需要等待响应返回，随时可以再发送下⼀个请求，即不需要等待。局部刷新：通过在后台与服务器进行
Djangopython网络编程回顾之前我们介绍过web应用程序和http协议，简单了解过web开发的概念。Web应用程序的本质接收并解析HTTP请求，获取具体的请求信息处理本次HTTP请求，即完成本次请求的业务逻辑处理构造并返回处理结果——HTTP响应importsocketserver=socket.socket()server.bind(('127.0.0.1',8000))server.listen(5)whileTrue:conn,addr=server.accept()data=conn.recv(1024)print("data:\n",data)即一般我们接受到的数据就是一串网
Djangopython网络编程回顾之前我们介绍过web应用程序和http协议，简单了解过web开发的概念。Web应用程序的本质接收并解析HTTP请求，获取具体的请求信息处理本次HTTP请求，即完成本次请求的业务逻辑处理构造并返回处理结果——HTTP响应importsocketserver=socket.socket()server.bind(('127.0.0.1',8000))server.listen(5)whileTrue:conn,addr=server.accept()data=conn.recv(1024)print("data:\n",data)即一般我们接受到的数据就是一串网
pandas为什么学习pandasnumpy已经可以帮助我们进行数据的处理了，那么学习pandas的目的是什么呢？numpy能够帮助我们处理的是数值型的数据，当然在数据分析中除了数值型的数据还有好多其他类型的数据（字符串，时间序列），那么pandas就可以帮我们很好的处理除了数值型的其他数据！什么是pandas？首先先来认识pandas中的两个常用的类SeriesDataFrameSeriesSeries是一种类似与一维数组的对象，由下面两个部分组成：values：一组数据（ndarray类型）index：相关的数据索引标签Series的创建由列表或numpy数组创建由字典创建frompand
pandas为什么学习pandasnumpy已经可以帮助我们进行数据的处理了，那么学习pandas的目的是什么呢？numpy能够帮助我们处理的是数值型的数据，当然在数据分析中除了数值型的数据还有好多其他类型的数据（字符串，时间序列），那么pandas就可以帮我们很好的处理除了数值型的其他数据！什么是pandas？首先先来认识pandas中的两个常用的类SeriesDataFrameSeriesSeries是一种类似与一维数组的对象，由下面两个部分组成：values：一组数据（ndarray类型）index：相关的数据索引标签Series的创建由列表或numpy数组创建由字典创建frompand
数据清洗数据清洗是对一些没有用的数据进行处理的过程。很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况，如果要对使数据分析更加准确，就需要对这些没有用的数据进行处理。在这个教程中，我们将利用Pandas包来进行数据清洗。处理丢失数据有两种丢失数据：Nonenp.nan(NaN)两种丢失数据的区别为什么在数据分析中需要用到的是浮点类型的空而不是对象类型？数据分析中会常常使用某些形式的运算来处理原始数据，如果原数数据中的空值为NAN的形式，则不会干扰或者中断运算。NAN可以参与运算的None是不可以参与运算在pandas中如果遇到了None形式的空值则pandas会将其强转成NAN的形
数据清洗数据清洗是对一些没有用的数据进行处理的过程。很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况，如果要对使数据分析更加准确，就需要对这些没有用的数据进行处理。在这个教程中，我们将利用Pandas包来进行数据清洗。处理丢失数据有两种丢失数据：Nonenp.nan(NaN)两种丢失数据的区别为什么在数据分析中需要用到的是浮点类型的空而不是对象类型？数据分析中会常常使用某些形式的运算来处理原始数据，如果原数数据中的空值为NAN的形式，则不会干扰或者中断运算。NAN可以参与运算的None是不可以参与运算在pandas中如果遇到了None形式的空值则pandas会将其强转成NAN的形
matplotlibplt.plot()绘制线性图绘制单条线形图绘制多条线形图设置坐标系的比例plt.figure(figsize=(a,b))设置图例legend()设置轴的标识图例保存fig=plt.figure()plt.plot(x,y)figure.savefig（）importmatplotlib.pyplotaspltimportnumpyasnp#绘制单条线形图x=np.array([1,2,3,4,5])y=x+3plt.plot(x,y)#绘制多条线形图plt.plot(x,y)plt.plot(x+1,y-2)#设置坐标系的比例plt.figure(figsize=(a,
pandas的级联和合并级联操作pd.concat,pd.appendpandas使用pd.concat函数，与np.concatenate函数类似，只是多了一些参数：objsaxis=0keysjoin='outer'/'inner':表示的是级联的方式，outer会将所有的项进行级联（忽略匹配和不匹配），而inner只会将匹配的项级联到一起，不匹配的不级联ignore_index=False匹配级联df1=pd.DataFrame(data=np.random.randint(0,100,size=(5,3)),columns=['A','B','C'])df2=pd.DataFrame(
