lagrange插值法原理詳細描述？

拉格朗日插值是一種多項式插值方法。就是用最小次數的多項式構造一條光滑的曲線，使曲線通過所有已知的點。

例如，以下三個點的坐標稱為:(x1，y1)、(x2，y2)和(x3，y3)。那么結果就是:yy1l1y2L2y3L3，L1(x-x2)(x-x3)/((x1-x2)(x1-x3))，L2(x-x1)。

pandasdataframe可以實現SQL中的countcase嗎？

當我們使用Python進行數據分析時，有時我們可能需要根據數據幀中其他列的值向Pandas數據幀中添加一列。

雖然這聽起來很簡單，但是如果我們嘗試使用if-else條件語句，可能會變得有點復雜。幸運的是，有一個簡單而好的方法可以用numpy做到這一點！

要學習如何使用它，讓讓我們來看一個具體的數據分析問題。我們有超過4000條AAA教育推文的數據集。帶有圖片的推文會獲得更多的贊和轉發嗎？讓讓我們做一些分析來找出答案！

我們將從導入pandas和numpy并加載數據集開始，看看它是什么樣子的。

我們可以看到，我們的數據集包含了每條推文的一些信息，包括:

1)日期——推文發布的日期。

2)時間——推文發出的時間。

3)tweet-tweet的實際文本

4)提及——推文中提到的任何其他Twitter用戶。

5)照片——推文中包含的任何圖片的URL。

6)replies_count——推文上的回復數量

77)retweets_count-轉發的推文數量

8)likes_count——推文上的贊數。

我們還可以看到照片數據的格式有點奇怪。

使用np.where()添加具有正確/錯誤條件的pandas列。

在我們的分析中，我們只是想看看帶有圖片的推文是否能獲得更多的互動，所以我們不我真的不需要圖片URL。讓我們嘗試創建一個名為hasimage的新列，它將包含布爾值——如果tweet包含圖像，則為True如果不包含圖像，則為False。

為此，我們將使用numpy的內置where()函數。這個函數依次接受三個參數:我們要測試的條件，以及當條件為真時分配給新列的值。以及當條件為假時分配給新列的值。看起來是這樣的:

在我們的數據中，我們可以看到沒有圖片的推文在這個照片列中總是有值的。我們可以使用這些信息和np.where()創建一個新的列hasimage，如下所示:

在頂部，我們可以看到我們的新列已被添加到我們的數據集，并且推文已被正確標記，包括圖像是真的，其他圖像是假的。

現在我們有了hasimage專欄，讓讓我們快速創建幾個新的數據幀，一個用于所有圖片推文，一個用于所有非圖片推文。我們將使用布爾過濾器來做到這一點:

現在我們已經創建了這些，我們可以使用內置的數學函數。mean()快速比較每個數據幀中的推文。

我們將使用print()語句使結果更容易閱讀。我們還需要記住使用str()來轉換的計算結果。mean()轉換成一個字符串，以便我們可以在打印的語句中使用它:

根據這些結果，似乎在AAA教育中包含圖像可能會促進更多社交媒體的交互。有圖推文的平均贊數和轉發數是無圖推文的3倍。

添加具有更復雜條件的熊貓列

這種方法效果很好，但是如果我們要添加一個條件更復雜的新列(超出True和False的條件)怎么辦？

例如，為了更深入地研究這個問題，我們可能希望創建一些交互式"層與并評估推文到達每一層的百分比。為了簡單起見，讓的用戶喜歡衡量互動性，并將推文分為四個級別:

1)tier_4-2或更少的喜歡

2)Tier_3-3-9喜歡

3)Tier_2-10-15喜歡

4)Tier_1-16喜歡

為此，我們可以使用一個名為()的函數。我們給它兩個參數:一個條件列表和一個對應的值列表，我們希望將這些值分配給新列中的每一行。

這意味著順序很重要:如果條件滿足列表中的第一個條件，列表中的第一個值將被分配給該行的新列。大數據分析使用numpy在熊貓數據框架上添加列。如果滿足第二個條件，將分配第二個值，依此類推。

讓讓我們看看它在Python代碼中的樣子:

干得好！我們創建了另一個新的專欄，根據我們的分級排名系統(盡管有些武斷)對每條推文進行分類。

現在，我們可以用它來回答更多關于數據集的問題。例如，1級和4級推文中有圖片的比例是多少？

存在在這里，我們可以看到，雖然圖像似乎是有幫助的，他們不這似乎不是成功的必要條件。

雖然這是一個非常膚淺的分析，但是我們已經實現了我們真正的目標:根據關于現有列中的值的條件語句向pandasDataframes添加列。

當然，這是一項可以通過多種完成的任務。其中()和()只是兩個潛在的方法。