pandas數(shù)據(jù)分類？Series：一維數(shù)組，與Numpy中的一維array相似。二者與Python都差不多的數(shù)據(jù)結構List也很相同。Series如今能保存不同種元素數(shù)據(jù)類型，字符串、boolean

pandas數(shù)據(jù)分類？

Series：一維數(shù)組，與Numpy中的一維array相似。二者與Python都差不多的數(shù)據(jù)結構List也很相同。Series如今能保存不同種元素數(shù)據(jù)類型，字符串、boolean值、數(shù)字等都能保存到在Series中。Time- Series：以時間為索引的Series。

DataFrame：二維的表格型數(shù)據(jù)結構。很多功能與R中的相似?？梢詫ataFrame表述為Series的容器。

Panel：三維的數(shù)組，這個可以解釋為DataFrame的容器。

Panel4D：是像Panel差不多的4維數(shù)據(jù)容器。

PanelND：占據(jù)factory集合，是可以創(chuàng)建角色像Panel4D一樣N維命名原則容器的模塊。

Python主要元素有哪些？

python的主要元素基本都就是可以兩類兩大類——數(shù)值和字符串。

數(shù)值：數(shù)值是python最基礎的數(shù)據(jù)類型，也是我們定義變量給變量時最常用的形式，通常和整型、布爾型等。

字符串：也就是文本數(shù)據(jù)，在python中就像用引號來定義，可以不通過python通過拼接和交錯重疊，實現(xiàn)方法文本數(shù)據(jù)的處理；

數(shù)據(jù)分析需要用什么技術？java還python好一點？

我猜樓主問這個問題，主要那就對數(shù)據(jù)分析技術不太知道一點

先說結論：

假如你是想壘建發(fā)下的數(shù)據(jù)分析解決方案，從存儲，數(shù)據(jù)處理和清洗，結論，可視化，就得用java，不過java這塊解決方案和框架較多，比如hadoop,spark,flink等

假如你僅僅純數(shù)據(jù)分析，數(shù)據(jù)集比較單個體，比如想迅速在excel或數(shù)據(jù)庫中，數(shù)據(jù)庫檢索，查詢，精煉自己是想的數(shù)據(jù)，就用python

我們來看看目前企業(yè)對數(shù)據(jù)分析的需求吧：

20%的數(shù)據(jù)再發(fā)揮著80%的業(yè)務價值；

80%的數(shù)據(jù)請求只根據(jù)20%的數(shù)據(jù)。

目前來看，反正是數(shù)據(jù)存儲處理、分析應該挖掘，最求完整和完全成熟的生態(tài)圈肯定基于關系型數(shù)據(jù)庫，諸如報表、聯(lián)機分析等工具；至于應該是數(shù)據(jù)建模人員更偏重于網(wǎng)站查詢分析語言如SQL、R、Python數(shù)據(jù)分析包而并非編程語言。

企業(yè)平臺建設的二八原則是，將20%最有價值的數(shù)據(jù)——以結構化的形式存儲在關系型數(shù)據(jù)庫中供業(yè)務人員進行查詢和分析；而將80%的數(shù)據(jù)——以非結構化、遠古時期形式存儲在相對廉價的Hadoop等平臺上，供有一定會數(shù)據(jù)挖掘技術的數(shù)據(jù)分析師或數(shù)據(jù)工程師通過下一步怎么辦數(shù)據(jù)處理。在加工的數(shù)據(jù)也可以以數(shù)據(jù)集市或數(shù)據(jù)模型的形式儲存在NoSQL數(shù)據(jù)庫中，這都是后面要接著講的“離線”與“在線”數(shù)據(jù)。

數(shù)據(jù)庫到數(shù)據(jù)倉庫，是事務型數(shù)據(jù)到分析型數(shù)據(jù)的轉變，分析什么型數(shù)據(jù)必須和的是：分析的主題、數(shù)據(jù)的維度和層次，在內數(shù)據(jù)的歷史變化等等。而對大數(shù)據(jù)平臺來說，對分析的需求會最細，除開：

網(wǎng)上查詢：快速響應兩種條件查詢、模糊查詢、標簽

搜索：除開對非結構化文檔的搜索、回結果的排序

統(tǒng)計：動態(tài)實時思想活動變化，如電商平臺的在線銷售訂單與發(fā)貨計算出出的庫存總是顯示

挖掘點：意見挖掘算法、機器學習的訓練集

是對差別的數(shù)據(jù)處理需求，可能會是需要設計差別的數(shù)據(jù)存儲，還不需要考慮該如何飛快地將數(shù)據(jù)剪切粘貼到填寫的存儲點并接受合適的結構轉換，以供講人員快速響應業(yè)務的需求。

JAVA技術棧：

Hadoop三個分布式文件系統(tǒng)基礎架構。

可以解決了大數(shù)據(jù)（大到一臺計算機難以并且存儲，一臺計算機沒能在具體的要求的時間內并且處理）的可信存儲(HDFS)和處理(MapReduce)。

Hive是確立在Hadoop之上的，使用Hadoop另外底層存儲的批處理系統(tǒng)。（可以理解為MapReduce的一層殼）

Hive是替增加MapReducejobs的編譯程序工作。

HBaseHBase是一種Key/Value系統(tǒng)，它運行程序在HDFS之上。

Hbase是是為幫忙解決Hadoop的實時性需求。

Spark和StormSpark和Storm也是通用的并行計算框架。

能解決Hadoop只區(qū)分于離線狀態(tài)數(shù)據(jù)處理，而不能不能能提供實時數(shù)據(jù)處理能力的問題。

區(qū)別：

1.Spark實現(xiàn)這樣的理念，當數(shù)據(jù)異常龐大時，把計算過程傳達消息給數(shù)據(jù)要比把數(shù)據(jù)傳達消息給算出過程要更富效率。而Storm是把數(shù)據(jù)傳達消息給計算過程。

2.實現(xiàn)設計理念的不同，其應用領域也完全不同。Spark工作于保證的數(shù)據(jù)全集（如Hadoop數(shù)據(jù)）早被導入Spark集群，Spark基于組件intomemory管理可以通過快訊掃描，并最小化迭代算法的全局I/O你操作。Storm在閃圖全面處理更多能生成的“小數(shù)據(jù)塊”上要更好（.例如在Twitter數(shù)據(jù)流上實時計算一些匯聚功能或分析）。

Python技術棧

三張圖搞定

python技術棧