数据分析面试准备（待更）

目录：

一.python如何安装第三方包

二.Numpy的语法

三.Pandas的语法

四.Matplotlib的语法

五.Sklearn的语法

六.大数据组件的知识

七.Linux的基本命令

八.Excel

九.SQL

十.统计概率

十一.机器学习

十二.python中函数的参数

一.python如何安装第三方包

import numpy as np

1.pycharm中以点击的方式安装

2.Anaconda环境下，先conda create创建虚拟环境，再activate激活虚拟环境，为了更安全。在其中pip install。在此过程中可以配置清华镜像，使下载速度加快

3.如果第二种方式失败，可能由于网络或者包的问题，就上网将包下载到本地，然后pip install 【路径/文件】即可

二.Numpy的语法

参考https://www.jianshu.com/p/a260a8c43e44

 1 代码示例：
 2 >>> import numpy as np
 3 >>> a = np.arange(15).reshape(3,5)
 4 >>> a
 5 array([[ 0,  1,  2,  3,  4],
 6        [ 5,  6,  7,  8,  9],
 7        [10, 11, 12, 13, 14]])
 8 >>> a.shape
 9 (3, 5)
10 >>> a.ndim
11 2
12 >>> a.dtype.name
13 'int64'
14 >>> a.dtype
15 dtype('int64')
16 >>> a.size
17 15
18 >>> a.itemsize#表示数组中每个元素的字节大小。
19 8
20 >>> type(a)
21 <class 'numpy.ndarray'>
22 >>> 
23 >>> b = np.array([1,2,3,4,5,6,7,8,9])
24 >>> b
25 array([1, 2, 3, 4, 5, 6, 7, 8, 9])
26 >>> c = np.array([1,2,3,4,5,6,'7','a','b'])
27 >>> c
28 array(['1', '2', '3', '4', '5', '6', '7', 'a', 'b'], dtype='<U21')
29 >>> type(b)
30 <class 'numpy.ndarray'>
31 >>> type(c)
32 <class 'numpy.ndarray'>
33 >>> c.dtype#ndarray.dtype用来描述数组中元素的类型，ndarray中的所有元素都必须是同一种类型，如果在构造数组时，
传入的参数不是同一类型的，不同的类型将进行统一转化。除了标准的Python类型外，
NumPy额外提供了一些自有的类型，如numpy.int32、numpy.int16以及numpy.float64等

34 dtype('<U21')
35 >>> b.dtype
36 dtype('int64')
37 >>> c.itemsize
38 84
39 >>> b.itemsize
40 8

 1 #NumPy中创建数组的方式有若干种。最简单的，可以直接利用Python中常规的list和tuple进行创建。
 2 >>> import numpy as np
 3 >>> a = np.array([1,2,3,4,5,6])
 4 >>> b = np.array((1,2,3,4,5,6))
 5 >>> a
 6 array([1, 2, 3, 4, 5, 6])
 7 >>> b
 8 array([1, 2, 3, 4, 5, 6])

 1 >>> import numpy as np
 2 >>> a = np.array([[1,2,3],[2,3,4]])
 3 >>> a
 4 array([[1, 2, 3],
 5        [2, 3, 4]])
 6 >>> b = np.array([[1,2,3],[2,3,4],[3,4,5]])
 7 >>> b
 8 array([[1, 2, 3],
 9        [2, 3, 4],
10        [3, 4, 5]])

 1 #创建数组的时候，可以明确的规定数组的类型。
 2 >>> c = np.array([1,2,3], dtype = complex)
 3 >>> c
 4 array([1.+0.j, 2.+0.j, 3.+0.j])
 5 >>> d = np.array([[1,2,3],[4,5,6]], dtype = '<U1')
 6 >>> d
 7 array([['1', '2', '3'],
 8        ['4', '5', '6']], dtype='<U1')

 1 >>> import numpy as np
 2 >>> a = np.zeros((3,4))
 3 >>> a
 4 array([[0., 0., 0., 0.],
 5        [0., 0., 0., 0.],
 6        [0., 0., 0., 0.]])
 7 >>> b = np.zeros((2,2,2))
 8 >>> b
 9 array([[[0., 0.],
10         [0., 0.]],
11 
12        [[0., 0.],
13         [0., 0.]]])
14 >>> c = np.ones((3,3))
15 >>> c
16 array([[1., 1., 1.],
17        [1., 1., 1.],
18        [1., 1., 1.]])
19 >>> d = np.ones((3,3), dtype = np.int16)
20 >>> d
21 array([[1, 1, 1],
22        [1, 1, 1],
23        [1, 1, 1]], dtype=int16)
24 >>> e = np.arange(15)
25 >>> e
26 array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])
27 >>> f = np.arange(15).reshape(3,5)
28 >>> f
29 array([[ 0,  1,  2,  3,  4],
30        [ 5,  6,  7,  8,  9],
31        [10, 11, 12, 13, 14]])
32 >>> g = np.arange(0,15,3)
33 >>> g
34 array([ 0,  3,  6,  9, 12])
35 >>> h = np.arange(0,3,0.3)
36 >>> h
37 array([0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8, 2.1, 2.4, 2.7])
38 
39 >>> from numpy import pi
40 >>> np.linspace( 0, 2, 9 )                 # 9 numbers from 0 to 2
41 array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])
42 >>> x = np.linspace( 0, 2*pi, 100 )        # useful to evaluate function at lots of points
43 >>> f = np.sin(x)

 1 >>> import numpy as np
 2 >>> a = np.array([10,20,30,40])
 3 >>> b = np.arange(4)
 4 >>> a
 5 array([10, 20, 30, 40])
 6 >>> b
 7 array([0, 1, 2, 3])
 8 >>> c = a - b
 9 >>> c
10 array([10, 19, 28, 37])
11 >>> a
12 array([10, 20, 30, 40])
13 >>> b
14 array([0, 1, 2, 3])
15 >>> b**2
16 array([0, 1, 4, 9])
17 >>> b
18 array([0, 1, 2, 3])
19 >>> a<35
20 array([ True,  True,  True, False])
21 >>> a
22 array([10, 20, 30, 40])

 1 #在NumPy中，*用于数组间元素对应的乘法，而不是矩阵乘法，矩阵乘法可以用dot()方法来实现。
 2 >>> A = np.array([[1,2],[3,4]])
 3 >>> B = np.array([[0,1],[0,1]])
 4 >>> A
 5 array([[1, 2],
 6        [3, 4]])
 7 >>> B
 8 array([[0, 1],
 9        [0, 1]])
10 >>> A*B                    # elementwise product
11 array([[0, 2],
12        [0, 4]])
13 >>> A.dot(B)               # matrix product
14 array([[0, 3],
15        [0, 7]])
16 >>> np.dot(A,B)            # another matrix product
17 array([[0, 3],
18        [0, 7]])

 1 >>> a = np.random.random((2,3))
 2 >>> a
 3 array([[0.62181697, 0.26165654, 0.34994938],
 4        [0.95619296, 0.24614291, 0.42120462]])
 5 >>> a.sum()
 6 2.8569633678947346
 7 >>> a.min()
 8 0.24614290611891454
 9 >>> a.max()
10 0.9561929625193091

 1 >>> b = np.arange(12).reshape(3,4)
 2 >>> b
 3 array([[ 0,  1,  2,  3],
 4        [ 4,  5,  6,  7],
 5        [ 8,  9, 10, 11]])
 6 >>> b.sum(axis = 0)                   # sum of each column
 7 array([12, 15, 18, 21])
 8 >>> b.sum(axis = 1)                   # sum of each row
 9 array([ 6, 22, 38])
10 >>> b.min(axis = 0)                   # min of each column
11 array([0, 1, 2, 3])
12 >>> b.min(axis = 1)                   # min of each row
13 array([0, 4, 8])
14 >>> b.max(axis = 0)                   # max of each column
15 array([ 8,  9, 10, 11])
16 >>> b.max(axis = 1)                   # max of each row
17 array([ 3,  7, 11])
18 >>> b.cumsum(axis = 1)                # cumulative sum along each row
19 array([[ 0,  1,  3,  6],
20        [ 4,  9, 15, 22],
21        [ 8, 17, 27, 38]])
22 >>> b.cumsum(axis = 0)                # cumulative sum along each column
23 array([[ 0,  1,  2,  3],
24        [ 4,  6,  8, 10],
25        [12, 15, 18, 21]])

 1 >>> a = np.arange(10)**3
 2 >>> a
 3 array([  0,   1,   8,  27,  64, 125, 216, 343, 512, 729])
 4 >>> a[3]
 5 27
 6 >>> a[2:5]
 7 array([ 8, 27, 64])
 8 >>> a[:6:2] = -1111
 9 >>> a
10 array([-1111,     1, -1111,    27, -1111,   125,   216,   343,   512,
11          729])
12 >>> a[::-1]#倒序
13 array([  729,   512,   343,   216,   125, -1111,    27, -1111,     1,
14        -1111])

 1 >>>b = np.arange(15).reshape(3,5)
 2 >>>for element in b.flat:#flat属性是array中的每个元素的迭代器。
 3 >>>   print(element)
 4 0
 5 1
 6 2
 7 3
 8 4
 9 5
10 6
11 7
12 8
13 9
14 10
15 11
16 12
17 13
18 14

 1 >>> import numpy as np
 2 >>> a = np.ones((3,4), dtype = int)
 3 >>> a
 4 array([[1, 1, 1, 1],
 5        [1, 1, 1, 1],
 6        [1, 1, 1, 1]])
 7 >>> a.ravel()
 8 array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
 9 >>> a
10 array([[1, 1, 1, 1],
11        [1, 1, 1, 1],
12        [1, 1, 1, 1]])
13 >>> b = a.ravel()
14 >>> b
15 array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
16 >>> a
17 array([[1, 1, 1, 1],
18        [1, 1, 1, 1],
19        [1, 1, 1, 1]])
20 >>> c = a.reshape(2,-1)#除此之外，NumPy还提供了可以直接修改原始数组shape的方法——resize()。
resize()方法和reshape()方法的最主要区别在于，reshape()方法返回一个特定shape的数组，而resize()方法会直接更改原数组。
21 >>> c
22 array([[1, 1, 1, 1, 1, 1],
23        [1, 1, 1, 1, 1, 1]])
24 >>> a
25 array([[1, 1, 1, 1],
26        [1, 1, 1, 1],
27        [1, 1, 1, 1]])
28 >>> a.T
29 array([[1, 1, 1],
30        [1, 1, 1],
31        [1, 1, 1],
32        [1, 1, 1]])
33 >>> a
34 array([[1, 1, 1, 1],
35        [1, 1, 1, 1],
36        [1, 1, 1, 1]])
37 >>> d = a.T
38 >>> d
39 array([[1, 1, 1],
40        [1, 1, 1],
41        [1, 1, 1],
42        [1, 1, 1]])
43 >>> a.shape
44 (3, 4)
45 >>> b.shape
46 (12,)
47 >>> c.shape
48 (2, 6)
49 >>> d.shape
50 (4, 3)

 1 #hstack()实现数组横向堆叠，vstack()实现数组纵向堆叠。
 2 >>> a = np.floor(10*np.random.random((2,2)))
 3 >>> a
 4 array([[0., 8.],
 5        [4., 8.]])
 6 >>> b = np.floor(10*np.random.random((2,2)))
 7 >>> b
 8 array([[1., 4.],
 9        [4., 1.]])
10 >>> np.vstack((a,b))
11 array([[0., 8.],
12        [4., 8.],
13        [1., 4.],
14        [4., 1.]])
15 >>> np.hstack((a,b))
16 array([[0., 8., 1., 4.],
17        [4., 8., 4., 1.]])

 1 >>> a = np.arange(12).reshape(3,4)
 2 >>> a
 3 array([[ 0,  1,  2,  3],
 4        [ 4,  5,  6,  7],
 5        [ 8,  9, 10, 11]])
 6 >>> np.split(a,3)
 7 [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
 8 >>> np.h
 9 np.half(         np.hanning(      np.histogram(    np.histogramdd(  np.hstack(       
10 np.hamming(      np.heaviside(    np.histogram2d(  np.hsplit(       np.hypot(        
11 >>> np.hsplit(a,4)
12 [array([[0],
13        [4],
14        [8]]), array([[1],
15        [5],
16        [9]]), array([[ 2],
17        [ 6],
18        [10]]), array([[ 3],
19        [ 7],
20        [11]])]
21 >>> np.vsplit(a,3)
22 [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]

• NumPy中，数组的复制有三种方式：
• Python通用的地址复制：通过 b = a 复制 a 的值，b 与 a 指向同一地址，改变 b 同时也改变 a。d=a
• 通过视图ndarray.view()仅复制值，当对 c 值进行改变会改变 a 的对应的值，而改变 c 的 shape 不改变 a 的 shape。d = a.view()
• ndarray.copy() 进行的完整的拷贝，产生一份完全相同的独立的复制。d = a.copy()

三.Pandas的语法

 1 # 一般以pd作为pandas的缩写
 2 import pandas as pd
 3 
 4 # 读取文件
 5 df = pd.read_csv('file.csv')
 6 
 7 # 返回数据的大小
 8 df.shape
 9 
10 # 显示数据的一些对象信息和内存使用
11 df.info()
12 
13 # 显示数据的统计量信息
14 df.describe()

 1 data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
 2         'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
 3         'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
 4         'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}
 5 
 6 labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
 7 
 8 df = pd.DataFrame(data, index=labels)
 9 df[['age', 'animal']]
10 df[[0,1]]
11 #以上两种表达方式等价
12 
13 #位置索引
14 df.iloc[0:2, 0:2]
15 #loc与iloc的主要区别就是索引要用标签不能用序号
16 df.loc[['a', 'b'], ['animal', 'age']]
17 #ix可以用位置索引和标签索引的混合使用方式
18 df.ix[0:2, ['animal', 'age']]
19 #条件索引
20 df[(df['animal'] == 'cat') & (df['age'] < 3)]
21 #找到缺失值
22 df[df['age'].isnull()]
23 #填充缺失值
24 df['age'].fillna(0, inplace=True)
25 #将字符值替换成布尔值
26 df['priority'] = df['priority'].map({'yes': True, 'no': False})

from pandas import Series,DataFrame

#数据结构：Series和DataFrame。Series是一种类似于以为NumPy数组的对象，它由一组数据（各种NumPy数据类型）和与之相关的一组数据标签（即索引）组成的。可以用index和values分别规定索引和值。如果不规定索引，会自动创建 0 到 N-1 索引。

#Series可以设置index，有点像字典，用index索引
obj = Series([1,2,3],index=['a','b','c'])
#print obj['a']
#也就是说，可以用字典直接创建Series

dic = dict(key = ['a','b','c'],value = [1,2,3])
dic = Series(dic)
#下面注意可以利用一个字符串更新键值
key1 = ['a','w','e']
#注意下面的语句可以将 Series 对象中的值提取出来，不过要知道的字典是不能这么做提取的
dic1 = Series(obj,index = key1)

obj = Series([1,2,3,4],index=['a','b','c','d'])
frame = DataFrame(np.arange(9).reshape((3,3)),index = ['a','c','d'],columns = ['Ohio','Texas','California'])

#Series切片和索引
#print obj[obj < 2]
#注意：利用标签的切片与python的切片不同，两端都是包含的（有道理）
print obj['b':'c']
#对于DataFrame，列可以直接用名称
print frame['Ohio']
#特殊情况：通过切片和bool型索引，得到的是行(有道理)
print frame[:2]
print frame[frame['Ohio'] != 0]
#下面的方式是对frame所有元素都适用，不是行或者列,下面的得到的是numpy.ndarray类型的数据
print frame[frame < 5],type(frame[frame < 5])
frame[frame < 5] = 0
print frame

#对于DataFrame上的标签索引，用ix进行
print frame.ix[['a','d'],['Ohio','Texas']]
print frame.ix[2] #注意这里默认取行
#注意下面默认取行
print frame.ix[frame.Ohio > 0]
#注意下面的逗号后面是列标
print frame.ix[frame.Ohio > 0,:2]

1 df.agg({'ext price': ['sum', 'mean'], 
2         'quantity': ['sum', 'mean'], 
3         'unit price': ['mean'], 
4         'sku': [get_max]})

 1 import pandas as pd
 2 df1 = pd.DataFrame([[1,2,3],[5,6,7],[3,9,0],[8,0,3]],columns=['x1','x2','x3'])
 3 df2 = pd.DataFrame([[1,2],[4,6],[3,9]],columns=['x1','x4'])
 4 print (df1)
 5 print (df2)
 6 df3 = pd.merge(df1,df2,how = 'left',on='x1')
 7 print (df3)
 8 df4 = pd.merge(df1,df2,how = 'right',on='x1')
 9 print (df4)
10 df5 = pd.merge(df1,df2,how = 'inner',on='x1')
11 print (df5)
12 df6 = pd.merge(df1,df2,how = 'outer',on='x1')
13 print (df6)

四.Matplotlib的语法

　　参考：https://blog.csdn.net/Notzuonotdied/article/details/77876080

 1 import matplotlib.pyplot as plt
 2 import numpy as np
 3 
 4 # 从[-1,1]中等距去50个数作为x的取值
 5 x = np.linspace(-10, 10, 5000)
 6 #print(x)
 7 y = sin(x)
 8 # 第一个是横坐标的值，第二个是纵坐标的值
 9 plt.plot(x, y)
10 # 必要方法，用于将设置好的figure对象显示出来

 1 import matplotlib.pyplot as plt
 2 import numpy as np
 3 
 4 # 多个figure
 5 x = np.linspace(-1, 1, 50)
 6 y1 = 2*x + 1
 7 y2 = 2**x + 1
 8 
 9 # 使用figure()函数重新申请一个figure对象
10 # 注意，每次调用figure的时候都会重新申请一个figure对象
11 plt.figure()
12 # 第一个是横坐标的值，第二个是纵坐标的值
13 plt.plot(x, y1)
14 
15 # 第一个参数表示的是编号，第二个表示的是图表的长宽
16 plt.figure(num = 3, figsize=(8, 5))
17 # 当我们需要在画板中绘制两条线的时候，可以使用下面的方法：
18 plt.plot(x, y2)
19 plt.plot(x, y1, 
20          color='red',   # 线颜色
21          linewidth=1.0,  # 线宽 
22          linestyle='--'  # 线样式
23         )

 1 # 设置轴线的lable（标签）
 2 plt.xlabel("I am x")
 3 plt.ylabel("I am y")
 4 
 5 plt.xticks(())#隐藏横纵坐标
 6 plt.yticks(())#
 7 
 8 plt.scatter()#散点图
 9 plt.bar()#条形图
10 plt.contourf()#等高线图
11 plt.imshow()#显示图片

五.Sklearn的语法

1 model.fit(X_train,Y_train)#训练
2 model.predict(X_test)#测试

六.大数据组件的知识

七.Linux的基本命令

八.Excel

九.SQL

十.统计概率

十一.机器学习

十二.python中函数的参数

　　必选参数、默认参数、可变参数、命名关键字参数和关键字参数

　　必选参数：

1 def power(x, n):
2     s = 1
3     while n > 0:
4         n = n - 1
5         s = s * x
6     return s

　　调用时如果传入的参数少了一个就会报错，所以x和n都是必选参数。

　　默认参数：

 1 def power(x, n=2):
 2     s = 1
 3     while n > 0:
 4         n = n - 1
 5         s = s * x
 6     return s
 7 
 8 >>> power(5)
 9 25
10 >>> power(5, 2)
11 25

　　可变参数

　　由于参数个数不确定，我们首先想到可以把a，b，c……作为一个list或tuple传进来，这样，函数可以定义如下：

 1 def calc(numbers):
 2     sum = 0
 3     for n in numbers:
 4         sum = sum + n * n
 5     return sum
 6 
 7 #但是调用的时候，需要先组装出一个list或tuple：
 8 >>> calc([1, 2, 3])
 9 14
10 >>> calc((1, 3, 5, 7))
11 84

　　定义可变参数和定义一个list或tuple参数相比，仅仅在参数前面加了一个*号。在函数内部，参数numbers接收到的是一个tuple，因此，函数代码完全不变。但是，调用该函数时，可以传入任意个参数，包括0个参数：

 1 def calc(*numbers):
 2     sum = 0
 3     for n in numbers:
 4         sum = sum + n * n
 5     return sum
 6 
 7 >>> calc(1, 2)
 8 5
 9 >>> calc()
10 0
11 >>> calc(1, 2, 3)
12 14
13 >>> calc(1, 3, 5, 7)
14 84

　　Python允许你在list或tuple前面加一个*号，把list或tuple的元素变成可变参数传进去：

>>> nums = [1, 2, 3]
>>> calc(*nums)
14
#*nums表示把nums这个list的所有元素作为可变参数传进去。这种写法相当有用，而且很常见。

　　命名关键字参数

　　如果要限制关键字参数的名字，就可以用命名关键字参数，例如，只接收city和job作为关键字参数。这种方式定义的函数如下：

1 def person(name, age, *, city, job):
2     print(name, age, city, job)

　　和关键字参数**kw不同，命名关键字参数需要一个特殊分隔符*，*后面的参数被视为命名关键字参数。

 1 >>> person('Jack', 24, city='Beijing', job='Engineer')
 2 Jack 24 Beijing Engineer
 3 
 4 #如果函数定义中已经有了一个可变参数，后面跟着的命名关键字参数就不再需要一个特殊分隔符*了：
 5 def person(name, age, *args, city, job):
 6     print(name, age, args, city, job)
 7 
 8 #命名关键字参数必须传入参数名，这和位置参数不同。如果没有传入参数名，调用将报错
 9 >>> person('Jack', 24, 'Beijing', 'Engineer')
10 Traceback (most recent call last):
11   File "<stdin>", line 1, in <module>
12 TypeError: person() takes 2 positional arguments but 4 were given
13 #由于调用时缺少参数名city和job，Python解释器把这4个参数均视为位置参数，但person()函数仅接受2个位置参数。
14 
15 #命名关键字参数可以有缺省值，从而简化调用
16 #使用命名关键字参数时，要特别注意，如果没有可变参数，就必须加一个*作为特殊分隔符。如果缺少*，Python解释器将无法识别位置参数和命名关键字参数
17 
18 #在Python中定义函数，可以用必选参数、默认参数、可变参数、关键字参数和命名关键字参数，这5种参数都可以组合使用。但是请注意，参数定义的顺序必须是：必选参数、默认参数、可变参数、命名关键字参数和关键字参数。

　　关键字参数

　　关键字参数允许你传入0个或任意个含参数名的参数，这些关键字参数在函数内部自动组装为一个dict。

 1 def person(name, age, **kw):
 2     print('name:', name, 'age:', age, 'other:', kw)
 3 
 4 >>> person('Bob', 35, city='Beijing')
 5 name: Bob age: 35 other: {'city': 'Beijing'}
 6 >>> person('Adam', 45, gender='M', job='Engineer')
 7 name: Adam age: 45 other: {'gender': 'M', 'job': 'Engineer'}
 8 
 9 >>> extra = {'city': 'Beijing', 'job': 'Engineer'}
10 >>> person('Jack', 24, city=extra['city'], job=extra['job'])
11 name: Jack age: 24 other: {'city': 'Beijing', 'job': 'Engineer'}
12 
13 >>> extra = {'city': 'Beijing', 'job': 'Engineer'}
14 >>> person('Jack', 24, **extra)
15 name: Jack age: 24 other: {'city': 'Beijing', 'job': 'Engineer'}

　　python连接数据库　

 1 import pymysql
 2 import pandas as pd
 3 import numpy as np
 4 from get_a import *
 5 from connect import *
 6 
 7 #连接数据库，将数据导入dataframe
 8 db = pymysql.connect("localhost", "root", "yuanxu135689", "mytrip")
 9 cursor = db.cursor()
10 sql ="SELECT record_time,max(vehicle_speed),engine_rpm FROM TB_IOV_DEVICE_OBD_41030402427 where device_id='%s' GROUP BY record_time" % (41030402427)
11 dbdata = read_table(cursor, sql)
12 db.close()
13 dbdata.columns = ['time', 'speed', 'rpm']