附表1 网络拓扑图&附表2 Pandas常见方法一览表-浙江高中信息技术知识点

浙江高中技术培优算法（陶小波） 84 附表 1 网络拓扑图 拓扑图中常见的问题： 问题 1：网页中数据长时间不更新 （IOT、智能终端、传感器有可能有问题） 问题 2：网页无法访问【404 错误】（Web 服务器断网、Web 服务器上代码出错、 用户端断网、URL 错误） 问题 3：命令没有执行（IOT、智能终端、执行器有可能有问题） 问题 4：网页无数据（数据库出错、Web 服务器上代码出错） 问题 5：执行器和传感器都无法使用（IOT、智能终端） 拓扑图中常见的设备： 1.调制解调器：即光猫，此设备用于拨号上网及将光信号转为电信号。 2.路由器：此设备 用于管理家庭联网设备（此设备也可拨号上网），WIFI 也是 通过此设备发射，此设备的 Wan 口连接光猫，Lan 口连接其他需要上网的设备（例 如台式电脑）此设备也用于 DHCP 服务（动态 IP 地址分配）[课本上说的是路由 器，可以拨号上网，有的选就选路由器，没的选就选调制解调器] 3.交换机：交换机主要用于路由器 Lan 不足时的补充，类似于插线板，交换机可 有可无 4.Web 服务器：就是电脑，他主要用于部署代码，Flask 代码就部署在此； 5.数据库：数据库主要用于存储数据。 6.IOT 模块：主要用于给智能终端上网使用（此模块损坏，智能终端不能上网） IOT 可以通过 WIFI/蓝牙/移动通讯网络/网线实现链接上网 7.传感器：主要用于获取数据，例如人体传感器、声控传感器 7.执行器：执行器主要用于执行指令 8.智能终端：智能终端主要用于处理 服务器下发的执行指令和获取传感器上传 的数据（在 IOT 模块损坏的时候可以直接连接智能终端获取数据） 浙江高中技术培优算法（陶小波） 85 附表 2 Pandas 常见方法一览表 假设有如下代码： import pandas as pd import matplotlib.pyplot as plt dic = {"城市名称": ["杭州", "宁波", "宁波", "绍兴"], "区域": ["余杭", "镇海", "北仑", "柯桥"], "人均 GDP": [125894, 202658, 227856, 215678], "城区人口": [2014570, 695710, 445687, 115678], "人均汽车保有量(辆)": [0.8, 0.71, 0.66, 1.02] } df = pd.DataFrame(dic) # 将字典转成 Pandas 的对象 代码： df["人均住房面积"] = [39.45, 37.77, 58.86, 29.55] 功能： 新增一列（人均住房面积）当 df 中不存在人均住房面积这一列时，就新增一列 结果： 代码： df["人均 GDP"] = [39.45, 37.77, 58.86, 29.55] 功能： 修改一列（人均住房面积）当 df 中存在人均 GDP 这一列时，就修改一列 结果： 浙江高中技术培优算法（陶小波） 86 代码： df.at[0, "人均 GDP"] = 156980 功能： 修改单个的值。[将余杭的人均 GDP 改为 156980] at 方法传入两个参数，第一个参数是索引值，第二个是列名 结果： 代码： df.pop("城市名称") 功能： 传入列名，删除该列【影响原值】 结果： 代码： df = df.drop(labels=["城市名称"], axis=1) 功能： 删除一列，不影响原值删除[前面套 df=就可以影响原值]。 传入两个参数，labels=[行索引 1,行索引 2],axis=1:表示列 结果： 浙江高中技术培优算法（陶小波） 87 代码： df.城市名称 # 写法 1 df["城市名称"] # 写法 2 功能： 取某一列的值 结果： 代码： df["城市名称"][0] # 写法 1 df.城市名称[0] # 写法 2 df.at[0, "城市名称"] #写法 3。 功能： 取某一列其中某一行的值，例如取城市名称列的第 0行的值 结果： 代码： df.max(axis=0) df.min(axis=0) df.mean(axis=0) df.sum(axis=0) df.count(axis=0) 功能： max: 求所有列的最大值,axis=1:表示行。0表示列 min: 求所有列的最小值,axis=1:表示行。0表示列 mean: 求所有列的平均值,axis=1:表示行。0表示列 sum: 求所有列的和,axis=1:表示行。0表示列 count: 求所有列的数量,axis=1:表示行。0表示列 结果：略 浙江高中技术培优算法（陶小波） 88 代码： df[df.城市名称 == "宁波"] # 写法 1 df[df["城市名称"] == "宁波"] # 写法 2 功能： 查询城市名称为宁波的所有行 结果： 代码： df[(df.城市名称 == "宁波") & (df.区域 == "镇海")] # 写法 1 df[(df["城市名称"] == "宁波") & (df["区域"] == "镇海")] # 写法 2 df[df.人均 GDP > 50][df.城区人口 > 30] # 写法 3 功能： 查询城市名称为宁波，区域为镇海的所有行 &:表示且，pandas 中不能用 and 结果： 代码： df[(df.城市名称 == "宁波") | (df.区域 == "镇海")] # 写法 1 df[(df["城市名称"] == "宁波") | (df["区域"] == "镇海")] # 写法 2 功能： 查询城市名称为宁波或区域为镇海的所有行 |:表示或，pandas 中不能用 or 结果： 代码： pd.read_excel("1.xlsx") 功能： 导入 excel 文件，传入文件地址 结果：略 浙江高中技术培优算法（陶小波） 89 代码： pd.read_csv("1.csv") 功能： 导入 csv 文件，传入文件地址 结果：略 代码： ls=["张三","李四","王五"] pd.Series(ls) 功能： 将列表转为 Series 对象 结果： 代码： df.index 功能： 获取索引 结果： 代码： df.columns 功能： 获取列名 结果： 浙江高中技术培优算法（陶小波） 90 代码： df.head(1) 功能： 获取第一行，默认获取前 5行 结果： 代码： df.tail(1) 功能： 获取最后一行，默认获取后 5行 结果： 代码： df[0:2] 功能： df 支持切片 当前为取前两行 结果： 代码： df.values 功能： 获取所有的行值 结果： 浙江高中技术培优算法（陶小波） 91 代码： df.rename(columns={"城市名称":"City"},inplace=True) 功能： 修改名称，将城市名称改为 City，inplace:True 影响原值，False:不影响原值 结果： 代码： df.sort_values("人均 GDP", ascending=True, inplace=True) #根据列排序 df.sort_index(ascending=True) #根据索引值排序 功能： 排序，默认升序、不影响原值。第一个参数是需要排序的列名。 ascending=True:升序，false:降序 inplace:True 表示影响原值，False：不影响原值，就需要在前面套 df= 结果： 代码： df=df.groupby("城市名称",as_index=True).sum() 功能： 分组操作。传入两个参数，参数 1是需要分组的列名，参数 2：是否修改索引值。 默认修改索引值（会将分组的列名变成新的索引值）分组操作，更新索引值以后， 不能再根据分组的列名取值，需要使用 df.index 取值 结果： 浙江高中技术培优算法（陶小波） 92 代码： df.insert(1,'城市电瓶车保有量',[1,2,3,4]) 功能： 插入一列，传入三个参数，影响原值，第一个参数是插入的位置（从 0开始数）， 第二个参数是列名，第三个参数是列的值 结果： 代码： temp={"城市名称": "温州","区域": "路桥", "人均 GDP": 12123, "城区人口":80596,"人均汽车保有量(辆)": 0.123} df=df._append(temp,ignore_index=True) 功能： #添加一行，传入两个参数，第一个参数是行的值，第二个参数是是否重建索引 结果： 代码： df2=pd.concat([df,df1],ignore_index=True) 功能： 合并 DataFrame，传入两个参数， 第一个参数是[待合并的 DataFrame1，待合并的 DataFrame2] 第二个参数是 ignore_index：True:重建索引，False:不重建索引 结果： 浙江高中技术培优算法（陶小波） 93 # 制图 1 # 以下所有方法都需要传入三个参数，第一个参数是：x轴的值，第二个参数： y轴的值，第三个参数：label=表示线条的说明 plt.plot(df.城市名称, df.人均 GDP, label="人均 GDP") # 折线图 plt.scatter(df.城市名称, df.人均 GDP, label="人均 GDP") # 散点图 plt.bar(df.城市名称, df.人均 GDP, label="人均 GDP") # 柱状图（竖） plt.barh(df.城市名称, df.人均 GDP, label="人均 GDP") # 柱状图（横） plt.pie(df.城区人口,labels=df.城市名称) #饼图 plt.legend() # 生成[可以没有] plt.show() # 显示 折线图（plot）结果 散点图（scatter）结果 柱状图（bar）结果 横柱状图（barh）结果 浙江高中技术培优算法（陶小波） 94 饼图（pie）结果 #制图 2 plt.rcParams['font.sans-serif'] = ['SimHei'] #解决中文乱码 plt.bar(df.城市名称,df.人均 GDP,label="人均 GDP") #柱状图 第一个参数为 x轴数据，第二个参数为 y轴数据，第三个参数为图例 plt.xlabel("城市名称") #x 轴图例名称 plt.ylabel("人均 GDP") #y 轴图例名称 plt.title("人均 GDP 图标") #柱状图标题 plt.legend() #生成图例 plt.show() #显示图例 制图 2