---

个人昵称：lxw-pro
个人主页：欢迎关注 我的主页
个人感悟： “失败乃成功之母”，这是不变的道理，在失败中总结，在失败中成长，才能成为IT界的一代宗师。

现在都已是互联网时代，各个地方各种销售也早已用上了，不仅方便还很快捷，像在超市购物好后，就会有那个消费单之类的，分分钟就弄好。一个字，绝！！！

计算商品总价

# -*- coding = utf-8 -*-
# @Time : 2022/8/13 13:21
# @Author : lxw_pro
# @File : 计算商品总价.py
# @Software : PyCharm

price1 = input("酸菜方便面:")
price2 = input("牛肉干：")
price3 = input("卫生纸：")
price4 = input("篮球：")
pay = float(input("支付金额："))
price_total = float(price1)+float(price2)+float(price3)+float(price4)
crash = pay - price_total
print("您本次购物实际消费：%d元;收您：%d元, \
      退您：%d元。" % (price_total, pay, crash))
print("收银总计为：%d元" % price_total)
print("收银员：")

print('************************************')
print('单号：21124451655524562')
price_total = 0
name = input("商品名：")
count = input("数量：")
price = int(input('支付金额：'))
total = count * price
price_total = price_total + total
print(name, count , price, total, sep='\t\t')

name = '牛肉干'
count = 3
price = 35
total = count * price
price_total = price_total + total
print(name, count, price, total, sep='\t\t')

name = '卫生纸'
count = 2
price = 6
total = count * price
price_total = price_total + total
print(name, count, price, total, sep='\t\t')

name = '篮球'
count = 1
price = 120
total = count * price
price_total = price_total + total
print(name, count, price, total, sep='\t\t')
print('**************************************')
print('收银合计：\t\t\t\t\t', price_total)
print('您共消费：%d元' % price_total)
print('**************************************')
print('感谢您的惠顾， 欢迎下次再来！\n收银员：')

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54

运行效果如下：

————————————————————————————————————————————

pandas 每日一练：

# -*- coding = utf-8 -*-
# @Time : 2022/8/25 21:10
# @Author : lxw_pro
# @File : pandas-14 练习.py
# @Software : PyCharm

import pandas as pd
import numpy as np

tmp1 = np.random.randint(1, 100, 10)
df1 = pd.DataFrame(tmp1)

tmp2 = np.arange(0, 100, 5)
df2 = pd.DataFrame(tmp2)

tmp3 = np.random.normal(0, 1, 20)
df3 = pd.DataFrame(tmp3)

df = pd.concat([df1, df2, df3], axis=1, ignore_index=True)

df.columns = ['col1', 'col2', 'col3']
print(df[:10])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

程序运行结果如下：

   col1  col2      col3
0  49.0     0  0.008018
1  40.0     5  1.306242
2  66.0    10  0.456268
3  80.0    15  0.022094
4  84.0    20 -0.645454
5  48.0    25  2.278528
6  77.0    30 -1.172350
7  97.0    35 -0.472123
8  89.0    40  0.527241
9  89.0    45 -0.487878
1
2
3
4
5
6
7
8
9
10
11

---

92、计算第一列数字前一个与后一个的差值

cz = df['col1'].diff().tolist()
for i in cz[:10]:
    print(i)
1
2
3

程序运行结果如下：

nan
-9.0
26.0
14.0
4.0
-36.0
29.0
20.0
-8.0
0.0
1
2
3
4
5
6
7
8
9
10

---

93、提取第一列位置在1，5，9

tq = df['col1'].take([1, 5, 9])
print(tq)
1
2

程序运行结果如下：

1    40.0
5    48.0
9    89.0
Name: col1, dtype: float64
1
2
3
4

---

94、查找第一列的局部最大值位置

czz = np.diff(np.sign(np.diff(df['col1'])))
print(np.where(czz == -2)[0]+1)
1
2

程序运行结果如下：

[4 7]
1

---

95、按行计算df的每一行均值

hjz = df[['col1', 'col2', 'col3']].mean(axis=1)
print(hjz)
1
2

程序运行结果如下：

0     16.336006
1     15.435414
2     25.485423
3     31.674031
4     34.451515
5     25.092843
6     35.275883
7     43.842626
8     43.175747
9     44.504041
10    24.885406
11    28.643262
12    30.546387
13    32.927772
14    35.502965
15    38.608620
16    39.676013
17    42.000693
18    44.415029
19    47.931993
dtype: float64

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

---

96、对第二列计算移动平均值

ydz = np.convolve(df['col2'], np.ones(3)/3, mode='valid')
print(ydz)
1
2

程序运行结果如下：

[ 5. 10. 15. 20. 25. 30. 35. 40. 45. 50. 55. 60. 65. 70. 75. 80. 85. 90.]
1

---

97、将数据按照第三列值得大小升序排列

df.sort_values('col3', inplace=True)
print(df)
1
2

程序运行结果如下：

   col1  col2      col3
6   77.0    30 -1.172350
18   NaN    90 -1.169942
17   NaN    85 -0.998613
16   NaN    80 -0.647974
4   84.0    20 -0.645454
9   89.0    45 -0.487878
7   97.0    35 -0.472123
10   NaN    50 -0.229187
0   49.0     0  0.008018
3   80.0    15  0.022094
2   66.0    10  0.456268
8   89.0    40  0.527241
13   NaN    65  0.855545
19   NaN    95  0.863986
14   NaN    70  1.005930
12   NaN    60  1.092773
1   40.0     5  1.306242
15   NaN    75  2.217240
5   48.0    25  2.278528
11   NaN    55  2.286525
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

---

98、将第一列大于20的数字修改为‘高’

df.col1[df['col1'] > 20] = '高'
print(df)
1
2

程序运行结果如下：

  col1  col2      col3
6     高    30 -1.172350
18  NaN    90 -1.169942
17  NaN    85 -0.998613
16  NaN    80 -0.647974
4     高    20 -0.645454
9     高    45 -0.487878
7     高    35 -0.472123
10  NaN    50 -0.229187
0     高     0  0.008018
3     高    15  0.022094
2     高    10  0.456268
8     高    40  0.527241
13  NaN    65  0.855545
19  NaN    95  0.863986
14  NaN    70  1.005930
12  NaN    60  1.092773
1     高     5  1.306242
15  NaN    75  2.217240
5     高    25  2.278528
11  NaN    55  2.286525
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

---

99、计算第二列与第三列之间的欧式距离

print(np.linalg.norm(df['col2'] - df['col3']))
1

程序运行结果如下：

247.27710730609496
1

---

每日一言：

努力的人很多，但不是每个人都会如愿以偿，努力都得不到想要的，那为什么还要努力呢？为了不留遗憾哇！！！

---

持续更新中…

点赞，你的认可是我创作的动力！
收藏，你的青睐是我努力的方向！
评论，你的意见是我进步的财富！
关注，你的喜欢是我长久的坚持！

欢迎关注微信公众号【程序人生6】，一起探讨学习哦！！！