Pandas综合应用

简介: Pandas综合应用

作业


1.判断下列命名方式的正确与否(建议每个都运行一遍)


# 错
1name = '债券的面值'
# 对
a_ = 12  
# 对
_ = 123  
# 错
_$ = 444   
# 对
__ = '债券的面值'  
# 错
123 = 666 
# 对
a1b = 45   
File "<ipython-input-1-75692b094e3d>", line 2
    1name = '债券的面值'
     ^
SyntaxError: invalid syntax


2.F='债券的1面值'中的1去掉


#**为需要填入代码的地方 
F='债券的1面值'
a=list(F) #先把string类型转化成list类型
# ** #把1去掉
a.remove('1')
F=''.join(a) #把list转成string类型
print(F)
债券的面值


3.有如下列表,按照每个小题要求写出答案并运行


a = ['中证流通', '中证100', '上证指数','上证指数', 'A股指数', 'B股指数' ,'深证F60', '上证指数','深证F120']

  1. 计算列表的长度并输出
  2. 列表中追加元素"深证F200",并输出添加后的列表
  3. 请在列表的第1个位置插入元素"沪深300",并输出添加后的列表
  4. 请将列表b=['000300', '000902', '000903']的每一个元素添加到列表li中,一行代码实现,不允许循环添加。
  5. 请删除列表中的元素"上证指数",并输出添加后的列表
  6. 请删除列表中的第2个元素,并输出删除的元素和删除元素后的列表
  7. 请删除列表中的第2至4个元素,并输出删除元素后的列表
  8. 请将列表所有得元素反转,并输出反转后的列表
  9. 请计算出"'上证指数',"元素在列表a中出现的次数,并输出该次数。
a = ['中证流通', '中证100', '上证指数','上证指数', 'A股指数', 'B股指数' ,'深证F60', '上证指数','深证F120']
print(len(a))
9
a.append('深证F200')
print(a)
['中证流通', '中证100', '上证指数', '上证指数', 'A股指数', 'B股指数', '深证F60', '上证指数', '深证F120', '深证F200']
b=['000300', '000902', '000903']
li=[]
li.extend(b)
print(li)
['000300', '000902', '000903']
a.remove('上证指数')
print(a)
['中证流通', '中证100', '上证指数', 'A股指数', 'B股指数', '深证F60', '上证指数', '深证F120', '深证F200']
a.pop(1)
'中证100'
print(a)
['中证流通', '上证指数', 'A股指数', 'B股指数', '深证F60', '上证指数', '深证F120', '深证F200']
del(a[1:4])
print(a)
['中证流通', '深证F60', '上证指数', '深证F120', '深证F200']


4. 定义一个函数计算债券现值


ABC公司发行了一个10年期的债券,面值为¥1000,票面利率为8%,到期兑付本金,每年末支付利息。请计算债券的现值。债券的现值 = 本金的现值 + 利息的现值

本金的现值=F(1+r)T\frac{F}{\left( 1+r \right)^{T}}(1+r)TF

利息的现值=∑TiC×F(1+r)i\sum_{T}^{i}{\frac{C\times F}{\left( 1+r \right)^{i}}}Ti(1+r)iC×F

其中,

  • F=债券的面值=1000
  • C=债券票息率=8%
  • T=债券到期前发生的周期数量=10
  • r=市场年收益率=10%
#**为需要填入代码的地方 
def Count(F, C, T, r): #传入参数
    a = F/(1+r)**T    #定义计算方式 本金的现值
    i=1
    b=0   #初始化利息的现值
    while i<T: #定义计算方式 利息的现值
        b = b+C*F/(1+r)**i
        i = i + 1
    return a+b    #返回债券现值
#定义各项参数
F=1000
C=0.08
T=10
r=0.1
print(F,C,T,r)#输出各项参数
print(Count(F, C, T, r)) #输出债券现值
1000 0.08 10 0.1
846.2651947315433

END


目录
相关文章
|
7月前
|
存储 数据挖掘 数据处理
Pandas中explode()函数的应用与实战
Pandas中explode()函数的应用与实战
149 0
|
3月前
|
数据处理 Python
Pandas中的map函数应用
Pandas中的map函数应用
23 2
|
3月前
|
数据挖掘 Python
pandas中的groupby函数应用
pandas中的groupby函数应用
25 0
pandas中的groupby函数应用
|
3月前
|
数据挖掘 数据处理 Python
Pandas表格样式美化指南:应用条形图
Pandas表格样式美化指南:应用条形图
46 0
|
3月前
|
Python
pandas中的applymap函数应用
pandas中的applymap函数应用
29 0
|
3月前
|
Python
Pandas中的apply函数应用
Pandas中的apply函数应用
21 0
|
5月前
|
数据采集 机器学习/深度学习 数据处理
数据科学家的秘密武器:Pandas与NumPy高级应用实战指南
【7月更文挑战第14天】Pandas与NumPy在数据科学中扮演关键角色。Pandas的DataFrame和Series提供高效数据处理,如数据清洗、转换,而NumPy则以ndarray为基础进行数值计算和矩阵操作。两者结合,从数据预处理到数值分析,形成强大工具组合。示例展示了填充缺失值、类型转换、矩阵乘法、标准化等操作,体现其在实际项目中的协同效用。掌握这两者,能提升数据科学家的效能和分析深度。**
52 0
|
6月前
|
SQL 数据可视化 数据挖掘
Pandas透视表及应用(二)
这个文本是关于使用Pandas进行数据分析的教程,主要关注会员数据的处理和业务指标的计算。
|
6月前
|
监控 数据可视化 数据挖掘
Pandas透视表及应用(一)
数据透视表(Pivot Table)是一种交互式的表,可以进行某些计算,如求和与计数等。所进行的计算与数据跟数据透视表中的排列有关。
|
7月前
|
机器学习/深度学习 存储 算法
Pandas中的get_dummies()函数实战应用详解
Pandas中的get_dummies()函数实战应用详解
273 1
下一篇
DataWorks