import pandas as pd

# 讀取CSV文件
df = pd.read_csv('2010-2024年國家經(jīng)濟運行情況.csv',encoding='utf-8')
 
# 顯示前5行數(shù)據(jù)
print(df.head())

import pandas as pd

# 讀取Excel文件
df = pd.read_excel('2010-2024年北京市經(jīng)濟運行情況.xlsx',encoding='gbk')
 
# 顯示前5行數(shù)據(jù)
print(df.head())

import pandas as pd
import sqlite3

# 連接到SQLite數(shù)據(jù)庫
conn = sqlite3.connect('economics_data.db')  
 # 從數(shù)據(jù)庫表中讀取數(shù)據(jù)
df = pd.read_sql('SELECT * FROM table_name', conn) 

import pandas as pd

df = pd.read_json("2025年北京報告數(shù)據(jù).json", orient="records")

import pandas as pd

# 示例 JSON 數(shù)據(jù)
json_data = {
    "index": ["row1", "row2"],
    "columns": ["col1", "col2"],
    "data": [[1, 2], [3, 4]]
}
# 使用 orient='split' 讀取
df = pd.read_json(pd.io.json.dumps(json_data), orient='split')
print(df)

import pandas as pd

# 創(chuàng)建一個 DataFrame
data = {
    'name': ['Alice', 'Bob'],
    'age': [25, 30]
}
df = pd.DataFrame(data)

# 將數(shù)據(jù)寫入CSV文件
# index=False表示不保存行索引
df.to_csv('output.csv', index=False)

import pandas as pd

# 創(chuàng)建一個 DataFrame
data = {
    'name': ['Alice', 'Bob', 'Gary', 'Lily'],
    'age': [25, 30, 24, 26],
    'Grade': [97, 76, 61, 88]
}
df = pd.DataFrame(data)

# 寫入Excel文件中
df.to_excel('exam_result.xlsx', sheet_name='Sheet1', index=False)

import pandas as pd
from sqlalchemy import create_engine

# 創(chuàng)建一個 DataFrame
data = {
    'name': ['Alice', 'Bob', 'Gary', 'Lily'],
    'age': [25, 30, 24, 26],
    ‘gender': ['F', 'M', 'M', 'F'],
    'Grade': [97, 76, 61, 88]
}
df = pd.DataFrame(data)

# 創(chuàng)建sqlalchemy的數(shù)據(jù)庫連接
conn = create_engine('mysql+pymysql://root:123456@localhost:3306/exam_db?charset=utf8') 

# 寫入數(shù)據(jù)庫中
df.to_sql('exam_result', conn, if_exists='replace', index=False)

# 返回一個布爾型DataFrame，缺失值為True
print(df.isnull()) 
# 統(tǒng)計每列的缺失值數(shù)量
print(df.isnull().sum())  

# 將所有缺失值填充為0
df.fillna(value=0, inplace=True)  
# 用列的均值填充該列的缺失值
df['列名'].fillna(value=df['列名'].mean(), inplace=True)  

# 刪除包含缺失值的行
df.dropna(inplace=True) 
# 刪除包含缺失值的列
df.dropna(axis=1, inplace=True)  

# 返回布爾型Series，重復行為True
print(df.duplicated())  
# 統(tǒng)計重復行的數(shù)量
print(df.duplicated().sum())  

# 刪除重復行
df.drop_duplicates(inplace=True)  

# 將列轉(zhuǎn)換為整數(shù)類型
df['列名'] = df['列名'].astype('int')  
# 將列轉(zhuǎn)換為浮點數(shù)類型
df['列名'] = df['列名'].astype('float')  
# 將列轉(zhuǎn)換為字符串類型
df['列名'] = df['列名'].astype('str')  

stock_data_frame = pd.DataFrame(stock_data).rename(
        columns={
            0: 'SECURITY_CODE',
            1: 'SECURITY_NAME',
            2: 'LATEST_PRICE',
            3: 'PRICES_CHANGE_RATIO',
            4: 'PRICES_CHANGE',
            5: 'TRADING_COUNT',
            6: 'TRADING_VALUE',
            7: 'AMPLITUDE',
            8: 'TURN_OVER_RATIO',
            9: 'PE_RATIO',
            10: 'TRADE_RATIO',
            11: 'MAX_PRICE',
            12: 'MIN_PRICE',
            13: 'OPEN_PRICE',
            14: 'PRE_CLOSE_PRICE',
            15: 'TOTAL_MARKET_VALUE',
            16: 'CIRCULATION_MARKET_VALUE',
            17: 'PB_RATIO',
            18: 'PE_RATIO_TTM',
            19: 'UPWARD_RATE',
            20: 'MONTH_CHANGE_RATIO',
            21: 'YEAR_CHANGE_RATIO',
            22: 'INFLOW_FUNDS'
        }
 )

import pandas as pd

# 讀取數(shù)據(jù)
data = pd.read_csv('2010-2024年國家經(jīng)濟運行情況.csv',encoding='utf-8')

# 顯示前五行數(shù)據(jù)
print(data.head())

# 處理缺失值
# 處理1：刪除含有缺失值的行
data = data.dropna() 
# 處理方式2：將缺失值填充為0
data = data.fillna(0)  

# 移除重復值
data = data.drop_duplicates()

# 顯示處理后數(shù)據(jù)的前5條
print(data.head())

# 查看前5行
print(df.head()) 
# 查看前10行
print(df.head(10))  

# 查看后5行
print(df.tail()) 
# 查看后10行
print(df.tail(10))  

# 輸出行數(shù)與列數(shù)
print(df.shape)

# 輸出列名
print(df.columns)

# 輸出列的數(shù)據(jù)類型
print(df.dbtypes)

# 默認只對數(shù)值列進行統(tǒng)計
print(df.describe())  
# 對所有列進行統(tǒng)計
print(df.describe(include='all')) 

# 計算某一列的均值
df['列名'].mean()
# 計算某一列的總和
df['列名'].sum()

# 輸出相關系數(shù)矩陣
print(df.corr()) 

import pandas as pd
import numpy as np

# 創(chuàng)建一個示例 DataFrame
data = {
  'A': np.random.randn(100), # 隨機生成100個標準正態(tài)分布的數(shù)
  'B': np.random.rand(100), # 隨機生成100個在[0,1)區(qū)間均勻分布的數(shù)
  'C': np.random.randint(0, 100, 100), # 隨機生成10個[0,10)之間的整數(shù)
  'D': np.random.randn(100) # 隨機生成100個標準正態(tài)分布的數(shù)
}
df = pd.DataFrame(data)
# 計算 DataFrame 中所有數(shù)值型列的相關系數(shù)
correlation_matrix = df.corr()
print("Correlation Matrix:")
print(correlation_matrix)

# 統(tǒng)計某一列中各個值的出現(xiàn)次數(shù)
print(df['列名'].value_counts())  

# 篩選某一列大于10的行
filtered_df = df[df['列名'] > 10]  
# 使用多個條件進行篩選
filtered_df = df[(df['列名1'] > 10) & (df['列名2'] < 20)]  

# 條件選股邏輯：
# - 量比 > 1
# - 換手率 ≥5%且≤10%
# - 振幅 ≥3%且≤10%
# - 流通市值 ≥50億且≤200億
# - 動態(tài)市盈率>0且<= 30(行業(yè)均值×1.5)
# - 資金流 > 500萬
filtered = stock_data_frame[
        # 量比 > 1
        (stock_data_frame['TRADE_RATIO'] > 100) &
        # 換手率在5%至10%區(qū)間
        (stock_data_frame['TURN_OVER_RATIO'] >= 500) &
        (stock_data_frame['TURN_OVER_RATIO'] <= 1000) &
        # 振幅在3%至10%區(qū)間
        (stock_data_frame['AMPLITUDE'] >= 300) &
        (stock_data_frame['AMPLITUDE'] <= 1000) &
        # 流通市值在50億元至200億元區(qū)間
        (stock_data_frame['CIRCULATION_MARKET_VALUE'] >= 5000000000) &
        (stock_data_frame['CIRCULATION_MARKET_VALUE'] <= 20000000000) &
        # 動態(tài)市盈率在0至40之間
        (stock_data_frame['PE_RATIO'] > 0) &
        (stock_data_frame['PE_RATIO'] <= 4000) &
        # 股票收盤價在30元以內(nèi)
        (stock_data_frame['LATEST_PRICE'] <= 3000) &
        # 當日資金流入大于500萬
        (stock_data_frame['INFLOW_FUNDS'] > 5000000)
]

# 使用loc
# 選擇第2到第5行，指定列名
selected_df = df.loc[df.index[1:5], ['列名1', '列名2']]  
# 使用iloc
# 選擇第2到第5行，第1和第2列
selected_df = df.iloc[1:5, [0, 1]]  

# 選擇單列
selected_column = df['列名'] 
# 選擇多列
selected_columns = df[['列名1', '列名2']] 

# 按某一列升序排序
df.sort_values(by='列名', ascending=True, inplace=True)  
# 按多列排序
df.sort_values(by=['列名1', '列名2'], ascending=[True, False], inplace=True)  

# 按索引排序
df.sort_index(inplace=True)  

# 按某一列分組
grouped = df.groupby('列名')  

# 按多列分組 
grouped = df.groupby(['列名1', '列名2'])  

# 對分組后的數(shù)據(jù)求和
result = grouped.sum()
 # 對分組后的數(shù)據(jù)求均值  
result = grouped.mean() 
# 對不同列應用不同的聚合函數(shù)
result = grouped.agg({'列名1': 'sum', '列名2': 'mean'})  

import pandas as pd
import numpy as np

# 創(chuàng)建示例數(shù)據(jù)
data = {
    '日期': ['2023-01-01', '2023-01-01', '2023-01-02', '2023-01-02'],
    '變量': ['A', 'B', 'A', 'B'],
    '值': [10, 20, 30, 40]
}
df = pd.DataFrame(data)

# 使用pivot進行重塑
pivot_df = df.pivot(index='日期', columns='變量', values='值')
print("Pivot結(jié)果:\n", pivot_df)

pivot_table = df.pivot_table(index='列名1', columns='列名2', values='列名3', aggfunc='sum')

# 創(chuàng)建有重復值的數(shù)據(jù)
data = {
    '日期': ['2024-01-01', '2024-01-01', '2024-01-02', '2024-01-02'],
    '變量': ['A', 'B', 'A', 'B'],
    '值': [10, 20, 30, 40]
}
df = pd.DataFrame(data)

# 使用pivot_table進行聚合
pivot_table_df = pd.pivot_table(df, values='值', index='日期', columns='變量', aggfunc=np.mean)
print("\nPivot Table結(jié)果:\n", pivot_table_df)

df1 = pd.DataFrame({'key': ['A', 'B', 'C'], 'value1': [1, 2, 3]})
df2 = pd.DataFrame({'key': ['A', 'B', 'D'], 'value2': [4, 5, 6]})
 # 內(nèi)連接合并
merged_df = pd.merge(df1, df2, on='key', how='inner') 
# 外連接合并
merged_df = pd.merge(df1, df2, on='key', how='outer') 
# 左連接合并
merged_df = pd.merge(df1, df2, on='key', how='left')  
# 右連接合并
merged_df = pd.merge(df1, df2, on='key', how='right')  

df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df2 = pd.DataFrame({'A': [5, 6], 'B': [7, 8]})
# 按行連接
concatenated_df = pd.concat([df1, df2], axis=0)  
 # 按列連接
concatenated_df = pd.concat([df1, df2], axis=1) 

 # 每日時間序列
date_range = pd.date_range(start='2024-01-01', end='2024-12-31', freq='D') 
# 創(chuàng)建一個時間序列DataFrame
df = pd.DataFrame({'value': range(len(date_range))}, index=date_range) 

# 將日數(shù)據(jù)轉(zhuǎn)換為月數(shù)據(jù)，并求和
monthly_df = df.resample('M').sum()  

# 計算7天移動平均值
df['moving_avg'] = df['value'].rolling(window=7).mean()  

# 計算移動平均線
stock_data['ma5'] = stock_data['close'].rolling(5).mean()
stock_data['ma10'] = stock_data['close'].rolling(10).mean()
stock_data['ma20'] = stock_data['close'].rolling(20).mean()