1.Unresolved reference 'pandas' 问题解决
2.我win写的源码python，到Linux上说缺少No module named 'pymysql'？
3.安装TensorFlow、安装 Pytorch教程
4.tushare/米筐/akshare 以pandas为工具的源码金融量化分析入门级教程（附python源码）
5.Pandas中loc和iloc函数用法详解（源码+实例）
6.Python数据分析起步: Anaconda安装和Jupyter环境使用！

Unresolved reference 'pandas' 问题解决

       今天在安装pandas时遇到了Unresolved reference 'pandas'以及Cannot find reference 'Series'在__init__.py等问题，安装这些问题困扰了我许久，源码现在我将记录下解决过程。安装黑洞软件源码多少

       尽管程序可以正常运行，源码但这些红色波浪线提示让我心生不安。安装问题的源码根本在于，虽然我已创建了虚拟环境，安装但在pycharm中将其标记为Excluded。源码而numpy、安装pandas等库则安装在虚拟环境的源码lib/site-packages下，因此无法被找到。安装

       那么，源码pycharm中mark Directory as这一功能有何作用呢？

       根据官网说明，这一功能用于在内容根目录中区分包含源代码的文件夹，以及在搜索、解析、观看等操作中忽略的文件夹。通过标记内容根目录下的文件夹为源文件夹或排除文件夹，可以实现这一区分。

       具体而言，Source Root功能让PyCharm将解析导入的起点设置为源代码文件夹；而Excluded功能则标记包含在搜索、解析、观看等操作中要忽略的文件和文件夹。

       那么，如何解决当前问题呢？

       只需要将site-package标记为Source Root即可解决问题。仿airbnb源码这样一来，pycharm就能够正确解析导入，程序运行将不再出现Unresolved reference 'pandas'和Cannot find reference 'Series'等问题。

我win写的python，到Linux上说缺少No module named 'pymysql'？

       哈哈哈，和和题主有过同样的问题，首先最直接的做法就是pip install这个库，由于题主没有联网，显然是行不通。那就可以考虑离线安装库，直接到网上去下载该库依然是不行的，因为这个库也会有依赖库，反反复复下载会很累的，在这里分享一个非常好用的做法，本做法是本人工作期间常用的，也是最靠谱的：

       python库离线安装

Step1 下载安装包，以pandas为例

       pip3 download  pandas  -d /home/pkgs/

       -d 指的是下载目录

       注意: pip的download命令也可以下载指定平台和python版本的库，但是如果加上这些指定版本的参数，就只能下载编译好的wheel，但是有一些依赖包没有提供wheel，只能源码安装，所以会失败.

       解释如下：

       pip download with the --platform, --python-version, --implementation, and --abi options provides the ability to fetch dependencies for an interpreter and system other than the ones that pip is running on. --only-binary=:all: or --no-deps is required when using any of these options.

       --only-binary=:all: 是指不找源码包下载

       --no-deps 是指不下载依赖

       因此建议在docker里装相同的python环境然后进行下载安装。

Step2 拷贝至离线机器开始安装

       pip3 install  pandas --no-index --find-links=/pkg_path/

       --no-index 是指忽略包索引

       --find-links 指定离线包的位置

       参考链接：网页链接

安装TensorFlow、 Pytorch教程

       TensorFlow和PyTorch安装教程（Windows系统）

       对于Windows用户，这个教程旨在简化入门过程。无需手动配置CUDA，特别适合初学者。idea论坛源码如果你需要利用高级指令集AVX2和SSE，或者追求最新版本的TensorFlow，可以考虑源码编译。

       准备工作

       确保你的NVIDIA驱动程序是最新的。如果未更新，访问官方网站下载并安装。

       安装anaconda

       推荐安装anaconda，安装时记得勾选自动添加环境变量。anaconda下载地址如下：

       如果担心安装包过大，可以考虑mini conda，下载地址同样在此处。

       在Linux下安装

       使用以下命令下载并安装，安装时要确认添加环境变量。

       Windows下的激活

       打开anaconda prompt，确保你处于anaconda环境，如未激活，使用`conda activate base`。

       创建和管理虚拟环境

       为了管理不同版本的TensorFlow和PyTorch，创建虚拟环境。创建命令如下，安装后输入y确认。

       安装TensorFlow

       根据你的硬件选择CPU或GPU版TensorFlow。CPU版安装命令可考虑使用清华镜像源加速下载。GPU版安装时，conda会自动安装相关依赖。

       测试安装

       确认安装成功后，打开Python进行测试。wke 网页源码若还需安装其他库，如keras、pandas和scikit-learn，可通过相应命令。

       安装PyTorch

       安装步骤与TensorFlow类似，首先确保anaconda环境和配置。然后创建PyTorch虚拟环境并使用conda进行安装。

tushare/米筐/akshare 以pandas为工具的金融量化分析入门级教程（附python源码）

       安装平台是一个相对简单的过程，因为tushare、米筐和akshare这些平台不需要使用pip install来安装（米筐除外，但不是必需操作）。首先，需要注册账户，尤其是对于学生群体，按照流程申请免费试用资格和一定积分。然后，打开编译器，比如使用anaconda的jupyter。

       基本操作中，导入tushare和米筐时，通常使用ts和rq作为别名，这会影响到之后代码的缩写。例如，使用tushare获取数据的方法可以是这样的：

       df = pro.monthly(ts_code='.SZ', start_date='', end_date='', fields='ts_code,trade_date,open,high,low,close,vol,amount')

       这里，ts_code是要分析的股票代码，start_date和end_date是查询的开始和结束日期，fields参数指定需要获取的烽烟ol 源码数据。tushare和米筐对数据查询有详细的说明和解释。

       数据处理是初学者需要重点关注的部分。使用pandas进行数据的保存和处理，是这篇文章的主要内容。推荐查找pandas的详细教程，可以参考官方英文教程或中文翻译版教程，这些教程提供了丰富的学习资源。

       在处理数据时，可以使用pandas进行各种操作，如数据存储、读取、筛选、排序和数据合并。例如，存储数据到csv文件的代码为：

       df.to_csv("名字.csv",encoding='utf_8_sig')

       从csv文件读取数据的代码为：

       pd.read_csv("名字.csv")

       在数据处理中，可以筛选特定条件下的数据，如选择大于岁的人的代码为：

       above_ = df[df["Age"] > ]

       同时，可以对数据进行排序、筛选、重命名、删除列或创建新列等操作。合并数据时，可以使用`pd.concat`或`pd.merge`函数，根据数据的结构和需要合并的特定标识符来实现。

       这篇文章的目的是通过提供pandas数据处理的典型案例，帮助读者更好地理解和使用tushare平台。对于在校学生来说，tushare提供的免费试用和积分系统是宝贵的资源。在使用过程中遇到问题，可以在评论区留言或分享项目难题，以便进一步讨论和提供解决方案。

       再次感谢tushare对大学生的支持和提供的资源。如果觉得文章内容对您有帮助，欢迎点赞以示支持。让我们在金融量化分析的道路上共同成长。

Pandas中loc和iloc函数用法详解（源码+实例）

       在Pandas库中，loc和iloc是用于数据提取的两种主要函数，它们在不同场景下展现出各自的优势。

       loc函数通过行索引"Index"中的具体值来获取行数据，例如要获取索引为"A"的行数据。

       相反，iloc函数是通过行号来获取数据，若需取第二行的数据，便可以使用iloc。

       本文将详细介绍loc和iloc的五种常见用法，并附上详细代码。

       使用loc和iloc提取行数据

       利用loc和iloc提取列数据

       利用loc和iloc提取特定行和列的数据

       使用loc和iloc提取全部数据

       使用loc函数根据特定数据提取所在行

       同样地，以下几种写法也能实现提取特定行的功能，与第五种方法类似，仅作补充。

       使用loc函数时，当索引相同，可以一次性提取所有相同样本的行数据。这在处理具有特定意义的索引（如人名）时非常有用，可以方便地提取同一个人的多条数据进行分析。然而，若索引没有特定意义且重复，提取的数据可能需要进一步处理，此时可以利用.reset_index()函数重置索引以提高数据处理效率。

Python数据分析起步: Anaconda安装和Jupyter环境使用！

       强大的多维度数组与矩阵计算库

       IPython 提供了丰富的交互功能，包括变量自动补全、自动缩进及支持 bash shell 命令。它基于 BSD 开源协议。

       IPython 是交互式计算架构的核心，包含 Conda、Python 及大量常用工具包，如 numpy、pandas，是数据分析和机器学习的首选库。

       Anaconda 包含 Jupyter Notebook 和 IPython，为编写代码提供便利。

       Anaconda 特点：丰富的库集成、强大的环境管理、高效的数据分析工具。

       安装 Anaconda：访问官网，下载最新版。安装过程包括运行 Anaconda Prompt，输入 cd Desktop 和 jupyter notebook 命令启动 Jupyter Notebook。

       Jupyter Notebook 支持多种编程语言，提供实时代码、图像、公式的展示，适用于数据清理、统计建模、机器学习等。

       Jupyter Notebook 支持两种键盘模式：命令模式和编辑模式，通过 Esc 和 Enter 键切换。提供快捷键帮助，如 tab 补全和 shift + tab 查看参数说明。

       使用 IPython 帮助文档：通过 help() 或 ? 查看函数文档，使用 ? 显示源代码。tab 键可补全包名、模块名、函数名和变量名。

       IPython 魔法命令：执行外部文件、计时功能、Linux/Windows 命令，如 %run、%time、%timeit 和 ! 命令。

       魔法命令应用：执行外部文件时可使用 %run，%time 和 %timeit 查看运行时间，执行系统命令使用 ! 命令。

pip 安装第三方库报错最全解决方案

       Python 开发过程中，第三方库的安装常通过 pip 进行，如 pandas。然而，安装过程中可能出现报错或卡住不动等问题。

       以下列举几种解决方案：

       首先，检查 Python 和 pip 是否正确安装。若运行命令显示版本信息，则正常。若报错，可能是 Windows 下安装 Python 时未配置环境变量，可配置或重新安装至 C 盘。

       若 pip 版本过低，可使用以下命令升级。

       若出现第三方包名称或版本号错误，如输入 pads 而不是 pandas，或尝试安装不存在的版本，需检查输入是否正确。

       网络问题可能导致 pip 安装依赖包时出现超时。可设置更长超时时间，等待下载完成。

       若超时问题仍未解决，可尝试更换镜像源，如清华大学镜像源。

       pip 还支持多种安装依赖包的途径，如下载发行包文件、从源码包安装、从构建包安装等。

       若以上方案均不适用，可考虑更科学的上网方式来加快访问速度，提高安装效率。

pandas依赖哪些包

       pandas依赖numpy、six、pytz、python-dateutil四个包。根据查询博客园显示，《window上利用pip安装pandas》里提到：pandas包是依赖另外四个包：numpy、six、pytz、python-dateutil。安装之前需要确保这四个依赖包已经安装。pandas是python语言的一个扩展程序库，用于数据分析。pandas是一个开放源码、bsd许可的库，提供高性能、易于使用的数据结构和数据分析工具。