不 care 了，反正你得用

愤怒偶尔管用，他总是出现在那些受它控制的弱势群体身上，即孩子、女人、老人和病人。

引起愤怒的原因和动机主要是对伤害过于敏感，就如软弱和敏感的人经常生气，有太多的事让他们烦恼，而天性坚强的人则对它们没有感觉。

*人类不能像蜜蜂那样，把它们的生命留在所蛰的伤口之中。*

意思先去办个卡，再绑到苹果手机？

意思先去办个交通联合的卡，再绑到苹果手机？

session

已投 Data Operations Analyst 哈哈

每天抓一次数据存到数据库就行了，你没说具体遇到的问题，也不好给建议。

贴吧的还是蛮简单的，可以直接根据页码拿到结果

这块不是很了解，你们是打算先人工定义好分类，有了 label 后再做监督学习，还是直接用非监督学习？

额，用户体验来说，我觉得 safari 还是蛮好用的，流畅无广告。

家里搞个 mac mini 或者 pc，再买个 iPad pro，就不需要笔记本了

@thinszx 不客气，我也是在别人那里学到的，再分享你一些我常用的 groupy 的例子：


# 显示所有组，后面是值的 index'
df_gp = dff.groupby('name')
df_gp.groups

# 拿到某个 group 的值
df_gp.get_group('bryan chen')

# 根据名字的第一部分来 group
dff.groupby(dff.name.str.split(' ').str[0]).size()

# 根据名字中是否有 wittyfans 来 group
dff.groupby(dff.name.apply(lambda x: 'wittyfans' in x)).size()

# 对 groupby 的值，平均分段统计后汇总数量
df_mean.groupby(
pd.qcut(
x=df_mean['AUSTRALIA - AUSTRALIAN DOLLAR/US$'],
q=3,labels=['low','mid','hight']
)
).size()

# 对一列值分组
pd.qcut(
x=df_mean['AUSTRALIA - AUSTRALIAN DOLLAR/US$'],
q=3,labels=['low','mid','hight']
)

# 按照自定义的值来分组
df_mean.groupby(
pd.cut(
df_mean['CHINA - YUAN/US$'],
[6.0,6.5,7.0,7.5,8.0,8.5]
)).size()

# 根据指定日期列来 resmaple，再做分组统计
dff.groupby(
pd.Grouper(
key='start',
freq='d'
)
).size()

# 根据指定日期列来 resmaple，再 apply 你的函数
df.reset_index().groupby(
pd.Grouper(
key='Time Serie',
freq='5Y'
)
)['CHINA - YUAN/US$'].apply(np.mean)

# 根据指定日志来 resample，再结合多个聚合函数
df.reset_index().groupby(
pd.Grouper(
key='Time Serie',
freq='5Y'
)
).agg(
{
'HONG KONG - HONG KONG DOLLAR/US$':'mean',
'CHINA - YUAN/US$':['median','std','mean']
})

# 偶尔 groupy 重命名很麻烦，可以这样写:(pandas>=2.5)
aggregation = {
'china': ('CHINA - YUAN/US$','mean'),
'hk': ('HONG KONG - HONG KONG DOLLAR/US$','mean')
}

df.groupby('region').agg(**aggregation)

# groupby 返回的是 reduce 的数据，如果要根据某个分类分组，然后再计算单个值占该组的占比，可以这样写
df['%'] = df.groupby('location')['name'].transform(lambda x:x/sum(x))

# 使用 filter 配合 groupby 选择数据
df.groupby('location').filter(
lambda x: (x['worklog'] * x['ticket_num']).sum() > 20000
)

df.groupby('location').filter(
lambda x: (x['worklog'] * x['ticket_num']).mean() > .3
)

上面提到的一些列名，有的来自 kaggle 上的汇率数据，有的是我自己平时处理的数据，不理解的自己实际操作下就懂了。

血赚，我买的 10.5，现在还很香，美版的 4g，当时 3600。

是这样吗？