lagrange插值法原理详细描述？
拉格朗日插值是一种多项式插值方法。就是用最小次数的多项式构造一条光滑的曲线，使曲线通过所有已知的点。
例如，以下三个点的坐标称为:(x1，y1)、(x2，y2)和(x3，y3)。那么结果就是:yy1l1y2L2y3L3，L1(x-x2)(x-x3)/((x1-x2)(x1-x3))，L2(x-x1)。
pandasdataframe可以实现SQL中的countcase吗？
当我们使用Python进行数据分析时，有时我们可能需要根据数据帧中其他列的值向Pandas数据帧中添加一列。
虽然这听起来很简单，但是如果我们尝试使用if-else条件语句，可能会变得有点复杂。幸运的是，有一个简单而好的方法可以用numpy做到这一点！
要学习如何使用它，让让我们来看一个具体的数据分析问题。我们有超过4000条AAA教育推文的数据集。带有图片的推文会获得更多的赞和转发吗？让让我们做一些分析来找出答案！
我们将从导入pandas和numpy并加载数据集开始，看看它是什么样子的。
我们可以看到，我们的数据集包含了每条推文的一些信息，包括:
1)日期——推文发布的日期。
2)时间——推文发出的时间。
3)tweet-tweet的实际文本
4)提及——推文中提到的任何其他Twitter用户。
5)照片——推文中包含的任何图片的URL。
6)replies_count——推文上的回复数量
77)retweets_count-转发的推文数量
8)likes_count——推文上的赞数。
我们还可以看到照片数据的格式有点奇怪。
使用np.where()添加具有正确/错误条件的pandas列。
在我们的分析中，我们只是想看看带有图片的推文是否能获得更多的互动，所以我们不我真的不需要图片URL。让我们尝试创建一个名为hasimage的新列，它将包含布尔值——如果tweet包含图像，则为True如果不包含图像，则为False。
为此，我们将使用numpy的内置where()函数。这个函数依次接受三个参数:我们要测试的条件，以及当条件为真时分配给新列的值。以及当条件为假时分配给新列的值。看起来是这样的:
在我们的数据中，我们可以看到没有图片的推文在这个照片列中总是有值的。我们可以使用这些信息和np.where()创建一个新的列hasimage，如下所示:
在顶部，我们可以看到我们的新列已被添加到我们的数据集，并且推文已被正确标记，包括图像是真的，其他图像是假的。
现在我们有了hasimage专栏，让让我们快速创建几个新的数据帧，一个用于所有图片推文，一个用于所有非图片推文。我们将使用布尔过滤器来做到这一点:
现在我们已经创建了这些，我们可以使用内置的数学函数。mean()快速比较每个数据帧中的推文。
我们将使用print()语句使结果更容易阅读。我们还需要记住使用str()来转换的计算结果。mean()转换成一个字符串，以便我们可以在打印的语句中使用它:
根据这些结果，似乎在AAA教育中包含图像可能会促进更多社交媒体的交互。有图推文的平均赞数和转发数是无图推文的3倍。
添加具有更复杂条件的熊猫列
这种方法效果很好，但是如果我们要添加一个条件更复杂的新列(超出True和False的条件)怎么办？
例如，为了更深入地研究这个问题，我们可能希望创建一些交互式"层与并评估推文到达每一层的百分比。为了简单起见，让的用户喜欢衡量互动性，并将推文分为四个级别:
1)tier_4-2或更少的喜欢
2)Tier_3-3-9喜欢
3)Tier_2-10-15喜欢
4)Tier_1-16喜欢
为此，我们可以使用一个名为()的函数。我们给它两个参数:一个条件列表和一个对应的值列表，我们希望将这些值分配给新列中的每一行。
这意味着顺序很重要:如果条件满足列表中的第一个条件，列表中的第一个值将被分配给该行的新列。大数据分析使用numpy在熊猫数据框架上添加列。如果满足第二个条件，将分配第二个值，依此类推。
让让我们看看它在Python代码中的样子:
干得好！我们创建了另一个新的专栏，根据我们的分级排名系统(尽管有些武断)对每条推文进行分类。
现在，我们可以用它来回答更多关于数据集的问题。例如，1级和4级推文中有图片的比例是多少？
存在在这里，我们可以看到，虽然图像似乎是有帮助的，他们不这似乎不是成功的必要条件。
虽然这是一个非常肤浅的分析，但是我们已经实现了我们真正的目标:根据关于现有列中的值的条件语句向pandasDataframes添加列。
当然，这是一项可以通过多种完成的任务。其中()和()只是两个潜在的方法。