資料形式：需要計算同一國家下的資料量，合併所有國家為一列，並計算乙個內購買量。
三個資料集都是以下的形式：
步驟：1：合併多列為一列，create_time 不變
2：三個檔案合併為乙個檔案 按時間，國家 分組，合併重複項。
3：看似簡單，其實三個csv除了國家之外，其他的都不一致。三個統計的維度也不是一樣的
附**：
def all_any():
# cnews_area_innerpurchases
'jp', 'tw', 'ua', 'hk',
'uk', 'cn'],
var_name='country', value_name='pay_innerpurchases')
'jp', 'tw', 'ua', 'hk',
'uk', 'cn'],
var_name='country', value_name='pay_purchases')
'jp', 'tw', 'ua', 'hk',
'uk', 'cn'],
var_name='country', value_name='pay_user')
#合併print(df_merge)
df_merge.to_csv('c://project//shuju//new_area//df_merge.csv')
#增加索引值
""""""
"""
count_dates = list(country_x_data['create_time'])
pay_users = list(data_all_p['pay_user'])
purchases_countrys = list(country_x_data['country_x'])
user_countrys = list(data_all_p['country_y'])
pay_purchasess = list(data_all_p['pay_purchases'])
innerpurchases_countrys = list(data_all_p['country'])
#data_time = pd.merge(data_all_p['country_x'], data_all_p['country_y'], how='outer', left_on='create_time', right_on='create_time')
#print(data_time)
type = '1'
"""
資料探勘導論 完整版
一 分類演算法 knn神經網路 支援向量機 適用於高維資料 決策樹gini係數 熵係數二 聚類演算法 k 均值 基於原型，劃分型別 不適用密度差別大，形狀差異大 dbscan 基於密度 三 關聯方法 apriori 剪枝支援度 置信度fr growth 四 組合方法 bagging 原理 有放回抽樣...
完整版websocket帶資料庫
use swoole coroutine as co class swoolechat n this ws push request fd,hello,welcome n 監聽websocket收到資訊 this ws on message function ws,frame n self onme...
《資料探勘（完整版）》筆記 最近鄰分類器
決策樹和基於規則的分類器是積極學習方法的例子，因為如果訓練資料可用，衙門就開始學習從輸入屬性到類標號的對映模型。與之相反的策略是推遲對訓練資料的建模，知道需要分類測試樣例時再進行，採用這種策略的技術被稱為消極學習方法 消極學習方法的乙個例子是rote分類器，它記住整個訓練資料，僅當測試例項的屬性和某...