（一）将下面的字典创建为DataFrame data = { "grammer":[ "Python", "C", "Java", "GO",np.nan, "SQL", "PHP", "Pytho

首先，在Python中，你可以使用pandas库将字典转换成DataFrame。pandas是一个强大的数据处理库，非常适合处理表格数据。下面是将给定的字典"data"转换成DataFrame的步骤：

import pandas as pd

# 定义字典
data = {
    "grammar": ["Python", "C", "Java", "GO", np.nan, "SQL", "PHP", "Python"],
    # 如果还有其他列，可以添加到这里，比如假设有一个名为'type'的列
    "type": ["High-Level", "Low-Level", "High-Level", "High-Level", "No Data", "Structured Query Language", "Scripting", "High-Level"],
}

# 创建DataFrame
df = pd.DataFrame(data)

# 处理缺失值，这里我们选择忽略空值，如果你需要特定处理，可以使用fillna()函数
df = df.dropna(subset=["grammer"])  # 默认删除含有NaN的行，如果你想要填充，可以用df.fillna('your_value')

print(df)

这将创建一个DataFrame，其中"grammar"列为一列，如果有其他列如"type"也会包含。如果字典中的"grammar"列有缺失值（在这个例子中是`np.nan`），已经进行了处理，只保留了非缺失的数据。

相关问题

创建Dataframe 将字典{"grammer":["Python","C","Java","GO",np.nan,"SQL","PHP","Python"], "score":[1,2,np.nan,4,5,6,7,10]}创建为Dataframe并打印

可以使用Python中的pandas库来创建Dataframe。具体实现代码如下所示：

import pandas as pd
import numpy as np

data_dict = {"grammer":["Python","C","Java","GO",np.nan,"SQL","PHP","Python"], "score":[1,2,np.nan,4,5,6,7,10]}
data = pd.DataFrame(data_dict)
print(data)

输出结果为：

  grammer  score
0  Python    1.0
1       C    2.0
2    Java    NaN
3      GO    4.0
4     NaN    5.0
5     SQL    6.0
6     PHP    7.0
7  Python   10.0

import os # import re import sys # import time import pandas as pd import numpy as np from datetime import datetime import matplotlib.pyplot as plt import seaborn as sns # set path env -- START def setModulePath(rootName, maxTries=8): rootPath = os.path.dirname(os.path.abspath(__file__)) for i in range(maxTries): if os.path.basename(rootPath)==rootName: # 如果已经到达指定的根目录 break else: rootPath = os.path.dirname(rootPath) # 否则取上级目录 print('<root>',rootPath) sys.path.append(rootPath) return rootPath root = setModulePath(rootName='assignment') from utilities import ez # set path env -- END class DataAnalyzer: def __init__(self): self.dataFrame = None def getDataFromExcel(self, src_pth, data_type, cols): obj = pd.ExcelFile(src_pth) raw = pd.read_excel(obj, sheet_name=0, dtype=data_type) self.dataFrame = raw[cols].copy(deep=True) def adjustDataType(self ): df = self.dataFrame.copy(deep=True) intCols = [ "size" ] for i in intCols: df[i] = df[i].apply(lambda x: int(x)) floatCols = [ "total_bill", "tip"] for i in floatCols: df[i] = df[i].apply(lambda x: float(x)) self.dataFrame = df if __name__ == '__main__': infile = os.path.join(root, "data", "data.xlsx") inputColumns = ez.inputColumns inputColumnType = {column: str for column in inputColumns} analyzer = DataAnalyzer() analyzer.getDataFromExcel(src_pth=infile, data_type=inputColumnType,cols=inputColumns) analyzer.adjustDataType() df = analyzer.dataFrame df['tip_percent'] = df['tip']/(df['tip']+df['total_bill']) sns.set() 这个程序包括了哪些知识点

这个程序包括了以下知识点：

1. 文件操作：使用了os模块来获取文件路径，使用pandas读取Excel文件。
2. 数据处理：使用pandas来处理数据，包括读取、复制、修改数据类型等。
3. 数据可视化：使用matplotlib和seaborn来进行数据可视化，包括生成图表、设置样式等。
4. 模块导入：使用sys和自定义模块来导入其他模块。
5. 类的定义和使用：定义了DataAnalyzer类来封装数据分析的功能。
6. 条件语句：使用了if语句来判断程序是否在主程序中运行。
7. 循环语句：使用了for循环来遍历列表。
8. 函数的定义和使用：定义了多个函数来实现具体的功能。
9. 匿名函数：使用了lambda函数来对数据进行处理。
10. 数据类型转换：使用了int()和float()函数来将数据类型转换为整数和浮点数。