第一项: 回温
回温Day4笔记时发现有一处笔误,应为获取“列表中元素”的方式和获取“字符串中字符的方式”相同。
今日在回温时,发现“循环语句”那里思路还是卡顿。
重新向AI提问相关知识,进行梳理如下:






关于Python中的下划线

第二项:精进昨日剩余的一题
1. 定义一个包含整数的列表 scores,赋值为 [85, 92, 78, 65, 95, 88]。
自写:
scores = [85, 92, 78, 65, 95, 88]
对照无误
2. 初始化两个变量:excellent_count 用于记录分数大于等于 90 的个数,初始值为 0;total_score 用于累加所有分数,初始值为 0。
自写:
excellent_count = 0
total_score = 0
对照无误
3. 使用 for 循环遍历 scores 列表中的每一个分数。
4. 在循环内部:
a. 将当前分数累加到 total_score 变量上。
b. 使用 if 语句判断当前分数是否大于等于 90。如果是,则将 excellent_count 变量加 1。
自写:(存在错误)
for num in scores:
#定义初始值
total_score = 0
#将当前分数累加到total_score变量上
total_score = total_score + num
#判断当前分数是否大于等于90.若是,将excellent_count变量加1
if total_score > = 90,
excellent_count = excellent_count + 1
对照:

有以下两个问题:
(1)既然列表中为分数,这里应将“num”改为“score”。
(2) 注意“判断当前分数”中的“当前分数”指的就是每个score, 所以,应为 if score >= 90(同时,>=之间没有空格)。在写的时候,务必明确每一步对应的是哪个变量。
5. 循环结束后,计算平均分 average_score(总分除以分数的个数)。
自写:(存在错误)
average_score = total_score / 6
应为:average_score = total_score / len(scores)
6. 使用 f-string 分三行打印出以下信息:
7. 优秀分数(>=90)的个数。
8. 所有分数的总和。
9. 所有分数的平均分(结果包含3位小数)。
打印格式应类似:
优秀分数个数: 3
分数总和: 503
平均分数: 83.833
自写: 存在错误
print(f"优秀分数个数:{excellent_count}")
print(f"分数总和:{total_score}")
print(f"平均分数:{average_score}")
对照后,前两行无误。最后一行写法应为:print(f"平均分数:{average_score: .3f}")
Q: 关于“:.3f”是什么?

第三项. 新内容 day4
初识pandas库与缺失数据的补全
按照示例代码的要求,去尝试补全信贷数据集中的数值型缺失值
1. 打开数据(csv文件、excel文件)

对excel文件的读取

通过讲解和AI进行代码每行的学习

2. 查看数据(尺寸信息、查看列名等方法)
总结方法

3. 查看空值

认识几个代码
data.info()

data.shape
用于查看Dataframe的维度信息。(行数,列数)表示数据集的行数列数。
data.columns

data.describe()

dtype为 data type的缩写,用于描述数据类型
比如:data["Annual Income"].dtype # 查看某一列的数据类型

4. 众数、中位数填补空值
中位数
# 计算 'Annual Income' 列的中位数(会自动忽略 NaN 值)
median_income = data['Annual Income'].median()
# 使用计算出的中位数填补该列的 NaN 值
data['Annual Income'].fillna(median_income, inplace=True)
通过AI,对该代码进行学习

众数
# 使用众数填充缺失值

5. 利用循环补全所有列的空值

通过AI进行逐行理解



注:
对布尔值序列求和并不是传统意义上的数值相加,而是计算布尔值为 `True` 的数量。
在 Python 中,布尔值 `True` 和 `False` 可以被视为整数 `1` 和 `0`。因此,当对布尔值序列调用 `.sum()` 方法时,实际上是将所有 `True` 的值视为 `1`,然后进行加总,结果就是 `True` 的数量。
今日学到这里,信息量较大。明日不着急开启新内容,须将今日所学回温,并亲手写一遍代码,以验证自己是否真的理解。@浙大疏锦行
340

被折叠的 条评论
为什么被折叠?



