Доброй ночи

хммм 🤔

#мем

Всем привет
крч на данный момент создаю сайт
типо джутсу а если точнее я просто копирую от туда код
так как кое кто слишком сильно любит деньги и просит подписку
а посколько мы не простые люди
мне друг предложил скопировать код сайта
и если честно, у меня была идея так сделать но я за неё всерьёз не брался
а вот теперь взялся, всё понял и скоро всё будет чики пуки

Мне надо чтобы вы накидали анимешек
которые добавить на сайт
на сайте только "Боец Баки"

Шпаргалка по очистке данных в Python Pandas

1. Обзор данных

import pandas as pd
df = pd.read_csv('data.csv')   # Загрузить CSV
df.head(5)                     # Первые 5 строк
df.info()                      # Типы данных и количество null
df.describe()                  # Сводная статистика

2. Работа с пропусками и дубликатами

df.isnull().sum()              # Посчитать пропуски
df.dropna()                    # Удалить строки с null
df.fillna(0)                   # Заполнить пропуски нулями
df.duplicated().sum()          # Посчитать дубликаты
df.drop_duplicates()           # Удалить дубликаты

3. Переименование и приведение типов

df.rename(columns={'old': 'new'})   # Переименовать колонку
df.astype({'col': 'int'})           # Сменить тип данных
df.columns.str.strip()              # Убрать пробелы

4. Фильтрация и выборка

df.loc[df['col'] > 100]             # Фильтр по условию
df.iloc[0:5]                        # Выбор по индексу строк
df['col'].isin(['A', 'B'])          # Фильтр по значениям

5. Сортировка и группировка

df.sort_values('col')               # Сортировка по возрастанию
df.groupby('group')['val'].mean()   # Группировка и агрегация
df['col'].value_counts()            # Подсчёт уникальных значений

6. Операции с колонками

df['new'] = df['col1'] + df['col2']               # Новая колонка
df['col'] = df['col'].apply(lambda x: x*2)        # Применить функцию
df.drop('col', axis=1)                            # Удалить колонку

7. Сохранение очищенных данных

df.to_csv('cleaned.csv', index=False)  # Экспорт в CSV

Шпаргалка по NumPy для тех кто в DataScience и ML

Создание и ресейп массивов, статистика, индексация и работа с файлами NumPy остаётся основой численных вычислений в Python

1. Создание массивов и атрибуты

- np.array() — создать массив из списка/кортежа
- np.zeros() — массив из нулей
- np.ones() — массив из единиц
- np.arange() — последовательность с шагом
- np.shape() — размерность массива
- np.dtype() — тип данных массива

2. Манипуляции с массивами и ресейпинг

- np.reshape() — изменить размерность
- np.concatenate() — объединить массивы по оси
- np.vstack() — объединить по вертикали
- np.hstack() — объединить по горизонтали
- np.split() — разделить по индексам
- np.transpose() — транспонировать
- np.resize() — изменить размер

3. Статистический анализ

- np.sum() — сумма элементов
- np.mean() — среднее
- np.median() — медиана
- np.std() — стандартное отклонение
- np.var() — дисперсия
- np.cov() — ковариационная матрица
- np.corrcoef() — коэффициенты корреляции
- np.min() — минимум
- np.max() — максимум
- np.random.rand() — случайные числа 0–1
- np.random.randn() — нормальное распределение
- np.histogram() — гистограмма

4. Индексация и фильтрация

- np.extract() — выбрать по условию
- np.where() — вернуть элементы по условию
- np.isnan() — проверка NaN
- np.sort() — сортировка
- np.unique() — уникальные значения

5. Работа с файлами

- np.save() — сохранить в .npy
- np.load() — загрузить из .npy

👉 @PythonPortal

ПМ забирает разработчика на созвон с заказчиком

Всех с днём программиста

Как проходит первый тест новой фичи