本次实验内容为餐饮订单数据的分析，数据请见：https://pan.baidu.com/s/1tL7FE5lxs-gb6Phf8XRu_Q，文件夹：data_analysis，下面的文件：appl_1980_2014.csv 本次实验主要是对python中的数据进行基本操作。
代码为：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import pandas as pd
import matplotlib.pyplot as plt
# 1. 读取数据并存为一个名叫 apple 的数据框。
apple = pd.read_csv('data_analysis/appl_1980_2014.csv')
# 2. 查看每一列的数据类型。
apple.dtypes
# 3. 将 Date 这个列转换为 datetime 类型。
# 此处是运用了pandas的to_datetime函数，其中format是表示的原始的数据‘Data’的格式，Y、m、d分别表示年、月、日
# to_datetime函数可以将任意包含日期格式的字符串转换成datetime类型，一定要注意format的表示方式
apple['Date'] = pd.to_datetime(apple['Date'], format='%Y-%m-%d')
# 4. 将 Date 设置为索引。
apple.set_index('Date', inplace=True)
# 5. 有重复的日期吗？
a = apple.groupby('Date').count() > 1
a.shape
b = apple.Date.duplicated()
b.sum()
apple.index.is_unique
apple.shape[0] == apple.index.nunique()
# 6. 将 index 设置为升序。
apple = apple.sort_index(ascending=True)
# 7. 找到每个月的最后一个交易日(businessday)。
# 这里用到了pandas里的重采样函数resample，常用的重采样的频率：(除下面列出的外，也可以用其他常用的频率)
# D calendar day frequency
# W weekly frequency
# M month end frequency
# H hourly frequency
# T minutely frequency
# S secondly frequency
# 需要注意的是，resample函数中有个参数为label，默认取的是最大值
apple_m = apple.resample('M').mean()
print(apple_m.head())
# 先进行分组，然后找到分组里面索引的最大值
apple.groupby([apple.index.year, apple.index.month]).agg({'Open':lambda x: x.index.max()})
# 8. 数据集中最早的日期和最晚的日期相差多少天？
(apple.index.max()-apple.index.min()).days
# 9. 在数据中一共有多少个月？
(apple.index.max()-apple.index.min()).days/30
len(apple_m)
apple.groupby([apple.index.year, apple.index.month]).agg({'Open':lambda x: x.index.max()}).shape[0]
# 10. 按照时间顺序可视化 Adj Close 值。
apple['Adj Close'].plot(title='Apple Stock').get_figure().set_size_inches(9, 5)
y = apple['Adj Close'].sort_index()
plt.plot(y.index, y)
文件‘appl_1980_2014.csv’中的数据截图为：
运行结果：
