列表和元组用什么标记？用什么函数创建？有什么区别

Python中，列表使用方括号 [] 标记，使用 list() 函数创建；元组使用圆括号 () 标记，使用 tuple() 函数创建。

列表和元组的主要区别在于，列表是可变的，元组是不可变的。也就是说，列表可以添加、删除、修改元素，而元组不能进行这些操作。因此，在需要存储一组数据但不需要修改它们的情况下，使用元组可以更加安全和高效。而在需要动态地添加、删除或修改数据的情况下，使用列表会更加方便。

相关问题

(11)列表、元组、字典都用什么标记或什么函数创建？

- 列表使用中括号 [] 创建，例如：`my_list = [1, 2, 3, 4]`
- 元组使用小括号 () 创建，例如：`my_tuple = (1, 2, 3, 4)`
- 字典使用大括号 {} 创建，例如：`my_dict = {'name': 'Tom', 'age': 18}`

此外，也可以使用相应的内置函数创建这些数据结构，例如：
- `list()` 创建一个空列表，或者将其他可迭代对象转换成列表
- `tuple()` 创建一个空元组，或者将其他可迭代对象转换成元组
- `dict()` 创建一个空字典，或者从其他映射对象（如元组列表）或关键字参数创建字典

df.pivot和df.reindex，df.align 的区别？

`df.pivot`、`df.reindex` 和 `df.align` 的区别如下：

1. `df.pivot` 用于根据给定的索引/列值对重新构造DataFrame，返回一个新的DataFrame对象。而 `df.reindex` 用于对行或列进行重新标记，并返回具有新索引的DataFrame对象。
2. `df.pivot` 可以使用聚合函数来汇总重复索引/列值的数据，而 `df.reindex` 不会进行这样的操作。
3. `df.align` 用于沿着指定的轴对齐两个对象，并返回一个元组，包含两个对象的重新索引版本。

下面是 `df.pivot` 和 `df.reindex` 的使用示例：

引用:df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ['E']) [^1]

import pandas as pd
import numpy as np

# 创建一个 DataFrame
df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'],
                   'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
                   'C': np.random.randn(8),
                   'D': np.random.randn(8)})
# 对 DataFrame 进行重新索引
df1 = df.reindex(index=range(4), columns=list(df.columns) + ['E'])
print(df1)

输出结果:

     A      B         C         D   E
0  foo    one  0.884294  0.848049 NaN
1  bar    one -0.252554  0.760753 NaN
2  foo    two  0.062926 -0.225259 NaN
3  bar  three  0.055329  0.785876 NaN

引用:pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C']) [^1]

import pandas as pd
import numpy as np

# 创建一个 DataFrame
df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'],
                   'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
                   'C': np.random.randn(8),
                   'D': np.random.randn(8)})
# 使用 pivot_table() 聚合数据
pv = pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C'])
print(pv)

输出结果：

C           -0.902191  0.101844  0.228387  ...  1.300993  1.588940  1.756183
A   B                                    ...                              
bar one            NaN       NaN  0.011764  ...       NaN       NaN       NaN
    three          NaN       NaN       NaN  ...       NaN       NaN       NaN
    two       1.208722       NaN       NaN  ...       NaN       NaN       NaN
foo one      -1.459425       NaN       NaN  ...       NaN       NaN       NaN
    three          NaN       NaN       NaN  ...       NaN       NaN -0.335457
    two            NaN -0.877678       NaN  ...  1.057251  0.183236       NaN

[6 rows x 8 columns]