Angelina's questions

我试着把反面的肋骨做成不同的颜色。但我不能 =( 现在如果你看一下图表，边 AL 和 LA 的颜色相同：

如何使一个方向的反向边缘（例如，蓝色）和相反方向的橙色？而且筋条的厚度还取决于筋条的重量。我想保留直肋骨，它们的颜色和线条也有所不同。

使用networkx、matplotlib.pyplot、matplotlib.patches、python 我的代码：

#Визуальное разделение прямых и обратных ребер
connectionstyle = []
edge_colors=[]
 
for v,u in G.edges():
    if G1.has_edge(v,u):
        connectionstyle.append('arc3, rad=0')
        edge_colors.append('#000000')
    else:
        connectionstyle.append('arc3, rad=0.4')
        edge_colors.append('#4682B4')

#Выводим основной график
Arrow = mpl.ArrowStyle.CurveB(head_length=0.3, head_width=.4) #стиль стрелки
pos = nx.shell_layout(G) #расположение нодов
 
fig, ax = plt.subplots(figsize=(8,7))
edges = nx.draw_networkx_edges(G, pos, node_size=200, arrowsize=15, arrowstyle=Arrow, width=width)
 
#Стиль отображения узлов
for p in pos:
    if pos[p][0] < 0:
        pos[p][0] -= 0.02
        plt.text(pos[p][0],pos[p][1],s=p, bbox=dict(facecolor='#87CEFA', edgecolor='None', alpha=0.5),
             horizontalalignment='right', fontsize=11)
    else:
        pos[p][0] += 0.02
        plt.text(pos[p][0],pos[p][1],s=p, bbox=dict(facecolor='#87CEFA', edgecolor='None', alpha=0.5),
             horizontalalignment='left', fontsize=11)
 
#Отображение весов ребер
edge_labels = nx.get_edge_attributes(G2,'weight')
 
#Задаем параметры отображения линий, т.е. прямых и обратных ребер:
M = G.number_of_edges()
for i in range(M):
    edges[i].set_connectionstyle(connectionstyle[i])
    edges[i].set_color(edge_colors[i])
    edges[i].set_alpha(0.7)
 
 
#Выводим текстом инф о прямых ребрах:
xmin, xmax = ax.get_xlim()
ymin, ymax = ax.get_ylim()
 
s = ' \n'.join([v+'-->'+u+'  '+str(w['weight']) for v,u,w in G1.edges.data()])
plt.text(1.4,-0.2, s='Прямые ребра \n\n'+s, 
         bbox=dict(facecolor='#87CEFA', edgecolor='None', alpha=0.8),
         fontsize=11, horizontalalignment='center', color='white')
 
plt.tight_layout()
plt.axis('off')
plt.savefig('net2.svg')
plt.show()

数据框有一列包含以下行：{\'name\': {\'ty​​pe\': \'STRING\', \'value\': \'test\'}, \'company\': {\ ' 类型\'：\'字符串\'，\'值\'：\'Roga Kopyta LLC\'}，\'角色\'：{\'类型\'：\'字符串\'，\'值\' : \'用户\'}}

我试图将每个自定义参数解析为单独的列，获取自定义参数列的名称并用 value 中的值填充它。

我的代码：

temp_table = pd.json_normalize(data.custom)
list_col = [x for x in temp_table.columns if x.split('.')[1] == 'type']
temp_table = temp_table.drop(columns=list_col)
temp_table.columns = [x.split('.')[0] for x in temp_table.columns]
data = data[['col1', 'col2']].join(temp_table)

问题是当pd.json_normalize(data.custom)我返回一个空表时。我的假设是问题出在单引号中，我尝试替换它们：

data.custom=data.custom.apply(lambda x: x.replace("'", '"'))
data.custom=data.custom.str.replace('"', '\\\"', regex=True)

没有帮助。我尝试匹配这样的行：

data.custom=data.custom.apply(lambda x: json.loads(json.dumps(x)))

也没有帮助。现在我相信我没有正确确定原因。也许整个问题出在我的代码中。

请帮我找出一次会话中某些事件之间的平均时间。

例如，有一个数据框：

data = {
'id': [1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5],
'event': ['login', 'news', 'comment', 'login', 'news', 'advt', 'login', 'like', 'comment', 'login', 'news', 'comment', 'login'],
'data': ['2023-03-15 10:00:00', '2023-03-15 10:05:00', '2023-03-15 10:10:00', '2023-03-15 10:15:00', 
         '2023-03-16 11:00:01', '2023-03-16 11:05:06', '2023-03-16 11:10:10',
         '2023-03-17 12:00:02', '2023-03-17 12:05:00', '2023-03-17 12:10:30',
         '2023-03-18 13:00:05', '2023-03-18 13:05:11', '2023-03-18 13:10:00', '2023-03-18 13:10:00']}

id 是会话 ID。如何找到每个会话 ID 登录之间以及新闻或广告事件之间的平均时间？步骤顺序严格，第一步是登录，第二步是选择事件。有时在会话中似乎登录较晚。另外，如何优化代码以便尽快处理大型数据帧？

在数据框中，19 列每个单元格中有 3 个值，用 \n 分隔。这些值必须分为三个附加列：“绝对数”、“粗略”、“具体重量，%”。这样每个新列都有一个带有旧列名称的附言，例如“绝对数_0-4”、“粗_0-4”、“具体重量，%_0-4”。旧的列需要移除。

我尝试这样做：

new_data = {}

for key, value in data.items():

    column_values = value.str.split('\n', expand=True)
    
    if len(column_values) >= 3:
        new_data[key] = {
            'Абс.число': column_values[0],
            'Грубый': column_values[1],
            'Уд.вес,%': column_values[2]
        } 

该代码不起作用。还有一个问题是，除了 19 列之外，还有 3 列每个单元格只有一个值。

一般来说，您可以将每个单独的列拆分为三个新列并重命名，但结果是代码庞大且缺乏吸引力。我不明白如何才能把代码写得更简洁、漂亮，同时又节省时间（

我正在编写一个函数来显示具有相同样式的表格。我无法将浮动列中的数字减少到百分之二。相反，删除多余的零。

现在桌子看起来像这样。

我的代码：

def style_data(data):

data = np.round(data, decimals=2)

#оглавление  
th_props = [
    ('font-size', '14px'),
    ('text-align', 'center'),
    ('border', "0.5px solid black")
]

#офоромление содержания 
td_props = [
    ('font-size', '13px'),
    ('text-align', 'center'),
    ('border', "0.5px solid black")
]

#set style
styles = [
    dict(selector="th", props=th_props), #наименование колонок
    dict(selector="td", props=td_props), #данные таблицы
    dict(selector="caption",             #оглавление таблицы
         props=[("text-align", "center"),
                ("font-size", "125%"),
                ('font-weight', 'bold'),
                ("color", 'black'),
                ('border', "1px solid black")])
]
 
return (data
        .style   
        .set_table_styles(styles)                             #применение set styles
        .set_caption('Топ 5 игровых платформ за весь период')
        .set_properties(**{'width': '200px'})                 #изменение ширины ячеек
        .hide_index()
       )

问题是表带有不同数量的列。如果应用于 .style - .format('{:.2f}')，则在没有子集的情况下，代码会对具有非数字数据类型的列发誓。然后我尝试使用 d = None 设置参数（禁用不重要参数的能力），尝试了 *args、**kwargs。它对我不起作用，但总的来说我不想手动设置一堆参数。

也不是代码：

data = np.round(data, decimals=2)

我做了：

for i in top_platforms.columns:
    if pd.api.types.is_numeric_dtype(top_platforms.columns):
        top_platforms.columns=round(top_platforms.columns), 2

它没有用，但总的来说我认为结果很草率。

我希望函数在没有大量参数输入的情况下工作，并且在数字列中四舍五入到百分之二而没有额外的零。请帮忙

数据框：

我想用year_of_release相同游戏名称但在不同平台上的年份填充 NaN 列。有一个问题是相同的标题可能有不同的发行年份——在这种情况下，保留 NaN。

我决定首先创建一个列表，在其中过滤掉具有不同发行年份的相同标题，然后使用 apply 我尝试在列中填充 NaN year_of_release，排除标题落入列表的行。所有没有相同名称和同一年发布的东西，我决定保留为 NaN。我决定填中间，因为如果你选择中位数，那么 NaN 多的地方的名字就变成 NaN。目前，标题不会被创建的列表过滤。

创建一个列表，其中包含具有不同发行年份的相同标题：

excludae_list = df.groupby('name')['year_of_release'].agg(['min', 'max']).reset_index()
excludae_list = excludae_list[excludae_list['min'] != excludae_list['max']]
excludae_list = excludae_list['name']

填补列中的空白year_of_release：

df['year_of_release'] = df.groupby('name')['year_of_release'].apply(lambda x: x.fillna(np.mean(x)) if x.name not in exclude_list else np.nan)