目录~python
个人昵称：lxw-pro
个人主页：欢迎关注 我的主页
个人感悟： “失败乃成功之母”，这是不变的道理，在失败中总结，在失败中成长，才能成为IT界的一代宗师。
现在都已是互联网时代，各个地方各种销售也早已用上了，不仅方便还很快捷，像在超市购物好后，就会有那个消费单之类的，分分钟就弄好。一个字，绝！！！
计算商品总价
# -*- coding = utf-8 -*-# @Time : 2022/8/13 13:21# @Author : lxw_pro# @File : 计算商品总价.py# @Software : PyCharmprice1 = input("酸菜方便面:")price2 = input("牛肉干：")price3 = input("卫生纸：")price4 = input("篮球：")pay = float(input("支付金额："))price_total = float(price1)+float(price2)+float(price3)+float(price4)crash = pay - price_totalprint("您本次购物实际消费：%d元;收您：%d元, \ 退您：%d元。" % (price_total, pay, crash))print("收银总计为：%d元" % price_total)print("收银员：")print('************************************')print('单号：21124451655524562')price_total = 0name = input("商品名：")count = input("数量：")price = int(input('支付金额：'))total = count * priceprice_total = price_total + totalprint(name, count , price, total, sep='\t\t')name = '牛肉干'count = 3price = 35total = count * priceprice_total = price_total + totalprint(name, count, price, total, sep='\t\t')name = '卫生纸'count = 2price = 6total = count * priceprice_total = price_total + totalprint(name, count, price, total, sep='\t\t')name = '篮球'count = 1price = 120total = count * priceprice_total = price_total + totalprint(name, count, price, total, sep='\t\t')print('**************************************')print('收银合计：\t\t\t\t\t', price_total)print('您共消费：%d元' % price_total)print('**************************************')print('感谢您的惠顾， 欢迎下次再来！\n收银员：')运行效果如下：
————————————————————————————————————————————
pandas 每日一练：
# -*- coding = utf-8 -*-# @Time : 2022/8/25 21:10# @Author : lxw_pro# @File : pandas-14 练习.py# @Software : PyCharmimport pandas as pdimport numpy as nptmp1 = np.random.randint(1, 100, 10)df1 = pd.DataFrame(tmp1)tmp2 = np.arange(0, 100, 5)df2 = pd.DataFrame(tmp2)tmp3 = np.random.normal(0, 1, 20)df3 = pd.DataFrame(tmp3)df = pd.concat([df1, df2, df3], axis=1, ignore_index=True)df.columns = ['col1', 'col2', 'col3']print(df[:10])程序运行结果如下：
col1 col2 col30 49.0 0 0.0080181 40.0 5 1.3062422 66.0 10 0.4562683 80.0 15 0.0220944 84.0 20 -0.6454545 48.0 25 2.2785286 77.0 30 -1.1723507 97.0 35 -0.4721238 89.0 40 0.5272419 89.0 45 -0.48787892、计算第一列数字前一个与后一个的差值
cz = df['col1'].diff().tolist()for i in cz[:10]: print(i)程序运行结果如下：
nan-9.026.014.04.0-36.029.020.0-8.00.093、提取第一列位置在1，5，9
tq = df['col1'].take([1, 5, 9])print(tq)程序运行结果如下：
1 40.05 48.09 89.0Name: col1, dtype: float6494、查找第一列的局部最大值位置
czz = np.diff(np.sign(np.diff(df['col1'])))print(np.where(czz == -2)[0]+1)程序运行结果如下：
[4 7]95、按行计算df的每一行均值
hjz = df[['col1', 'col2', 'col3']].mean(axis=1)print(hjz)程序运行结果如下：
0 16.3360061 15.4354142 25.4854233 31.6740314 34.4515155 25.0928436 35.2758837 43.8426268 43.1757479 44.50404110 24.88540611 28.64326212 30.54638713 32.92777214 35.50296515 38.60862016 39.67601317 42.00069318 44.41502919 47.931993dtype: float6496、对第二列计算移动平均值
ydz = np.convolve(df['col2'], np.ones(3)/3, mode='valid')print(ydz)程序运行结果如下：
[ 5. 10. 15. 20. 25. 30. 35. 40. 45. 50. 55. 60. 65. 70. 75. 80. 85. 90.]97、将数据按照第三列值得大小升序排列
df.sort_values('col3', inplace=True)print(df)程序运行结果如下：
col1 col2 col36 77.0 30 -1.17235018 NaN 90 -1.16994217 NaN 85 -0.99861316 NaN 80 -0.6479744 84.0 20 -0.6454549 89.0 45 -0.4878787 97.0 35 -0.47212310 NaN 50 -0.2291870 49.0 0 0.0080183 80.0 15 0.0220942 66.0 10 0.4562688 89.0 40 0.52724113 NaN 65 0.85554519 NaN 95 0.86398614 NaN 70 1.00593012 NaN 60 1.0927731 40.0 5 1.30624215 NaN 75 2.2172405 48.0 25 2.27852811 NaN 55 2.28652598、将第一列大于20的数字修改为‘高’
df.col1[df['col1'] > 20] = '高'print(df)程序运行结果如下：
col1 col2 col36 高 30 -1.17235018 NaN 90 -1.16994217 NaN 85 -0.99861316 NaN 80 -0.6479744 高 20 -0.6454549 高 45 -0.4878787 高 35 -0.47212310 NaN 50 -0.2291870 高 0 0.0080183 高 15 0.0220942 高 10 0.4562688 高 40 0.52724113 NaN 65 0.85554519 NaN 95 0.86398614 NaN 70 1.00593012 NaN 60 1.0927731 高 5 1.30624215 NaN 75 2.2172405 高 25 2.27852811 NaN 55 2.28652599、计算第二列与第三列之间的欧式距离
print(np.linalg.norm(df['col2'] - df['col3']))程序运行结果如下：
247.27710730609496每日一言：
努力的人很多，但不是每个人都会如愿以偿，努力都得不到想要的，那为什么还要努力呢？为了不留遗憾哇！！！
持续更新中…
点赞，你的认可是我创作的
动力！
收藏，你的青睐是我努力的方向！
评论，你的意见是我进步的财富！
关注，你的喜欢是我长久的坚持！
欢迎关注微信公众号【程序人生6】，一起探讨学习哦！！！
来源地址：https://blog.csdn.net/m0_66318554/article/details/125727075
