写一段Python代码，将一位整数变量扩充为三位数字符串，不足的位数为0

你可以使用Python的内置函数`str.format()`或者`f-string`来实现这个功能。这里有两个示例：

1. 使用`str.format()`:

def pad_zeros(num, target_length=3):
    return '{:0{}d}'.format(num, target_length)

# 示例
num = 12
padded_num = pad_zeros(num)
print(padded_num)  # 输出: "0012"

2. 使用`f-string`:

def pad_zeros_fstring(num, target_length=3):
    return f"{num:0{target_length}d}"

# 示例
num = 12
padded_num = pad_zeros_fstring(num)
print(padded_num)  # 输出: "0012"

这两个函数都会将给定的单个数字`num`转换成指定长度（默认为3）的字符串，不足的位数通过0填充。

相关问题

查看数据概述，包括info() describe() columns dtypes shape index 等基础数据信息，可以自行扩充。

在Pandas中，查看数据集的基本信息是非常重要的步骤，它能帮助我们了解数据的质量和结构。以下是几个关键的函数来获取这些基础数据信息：

1. **info()**：
这是最基础的函数，返回DataFrame或Series的统计摘要信息，包括每列的名称（name）、非空值数目（non-null count）、数据类型（dtype）、缺失值（memory usage）以及是否包含NULL值等。这对于快速了解数据的基本概况非常有用。

   df.info()

2. **describe()**：
对于数值型数据，`describe()`函数提供了一系列描述性统计量，如计数、平均值（mean）、标准差（std）、最小值（min）、四分位数（Q1、Q3）以及最大值（max）。对于分类变量，不会有任何统计结果，但会显示类别数量。

   df.describe(include='number')

3. **dtypes**：
`dtypes`属性直接返回每列的数据类型，包括整数(int64)、浮点数(float64)、字符串(str)、布尔值(bool)等。

   df.dtypes

4. **shape**：
表示数据的维度，即行数（rows）和列数（columns），通常表示为`(行数, 列数)`。

   df.shape

5. **index**：
返回DataFrame的索引对象，展示行标签。对于行索引，可以直接访问`df.index`；对于列标签，`df.columns`同样有效。

   df.index
   df.columns

通过组合使用以上方法，你可以获得关于数据集的丰富洞察，以便后续的数据预处理和分析工作。