里为大家推荐一款专业的Mac搜索优化工具，Default Folder X 5 for Mac能让您快速浏览文件夹以获取文件，让您打开或保存到任何Finder窗口，支持自由配置快捷键，功能非常实用。

Default Folder X 5 for Mac特别版软件介绍

Default Folder X 5 Mac将工具栏附加到任何OS X本机应用程序的“打开和保存”对话框的右侧。该工具栏可让您快速访问各种文件夹和命令。您只需点击按钮即可转至您最喜欢和最近使用的文件夹，管理列表中显示的文件夹和文件，并更改您的设置。它还修复了打开和保存对话框中的一些问题，“回弹”到最后选定的文件，将路径列表放回顶部菜单，并更正滚动列视图中的错误。

Default Folder X 5 for Mac特别版软件功能

省时功能

目录助手
从DFX的工具栏访问您最近的，最喜欢的和打开的文件夹。通过分层弹出式菜单，您可以快速浏览文件夹以获取文件。

实时保存
如果您经常将文件保存在同一文件夹中，DFX可以为您记住该文件夹。或者您可以将其设置为应用程序的默认文件夹，以便您从一开始就位于正确的文件夹中。

Finder管理
只需单击一下，DFX就能让您打开或保存到任何Finder窗口。它还可让您获取，复制，重命名和删除现有文件的信息，将Finder的能力放在每个打开和保存对话框中。

即时召回
为了帮助您快速返回到最近使用的文件夹和文件，DFX会为您记住它们。它甚至会重新选择您打开的最后一个文件。用DFX，你永远不会忘记你放置什么东西。

在你的指尖
使用您喜爱的文件夹的键盘快捷键快速获取地点。或者跳转到最近的文件夹并用按键打开Finder窗口。DFX的快捷键是完全可配置的。

现场聚光灯
在任何打开或保存对话框中标记您的文件或编辑您的Spotlight注释。不记得以前使用过的标签吗？DFX向您显示您最近使用过的所有标签 - 只需拖放即可。

. vscode 简介

vscode是微软开发的的一款代码编辑器，就如官网上说的一样，vscode重新定义（redefined）了代码编辑器。

当前市面上常用的轻型代码编辑器主要是：sublime，notepad++，editplus，atom这几种。

比起notepad++、editplus，vscode集成了许多IDE才具有的功能，比起它们更像一个代码编辑器；

比起sublime，vscode颜值更高，安装配置插件更为方便；

比起atom，vscode启动速度更快，打开各种大文件不卡。

可以说，vscode既拥有高自由度、又拥有高性能和高颜值，最关键的是，vscode还是一款免费并且有团队持续快速更新的代码编辑器。

可以说，vscode是代码编辑器的首选。个人推荐编写前端代码时，代码编辑器选择vscode，IDE选择WebStorm。

vscode安装插件只需要点击图片所示按钮，即可进入拓展，在搜索框中输入插件名点击安装后，等待安装好即可点击重新加载重启vscode使得插件生效。

当你不需要某个插件时只需要进入扩展，点击对应插件右下角的齿轮按钮即可选择禁用或卸载该插件。

2. 前端常用插件 (ps: 必备 > 推荐 > 了解)

必备的一定要装, 推荐的看自己需要, 了解的可不装 !!!

　　1.Auto Close Tag (必备)

　　自动闭合HTML/XML标签

2.Auto Rename Tag (必备)

自动完成另一侧标签的同步修改

　3.Beautify (必备)

格式化 html ,js,css

另一款 Prettier

格式化JavaScript / TypeScript / CSS

　4.Bracket Pair Colorizer (必备)

　　给括号加上不同的颜色，便于区分不同的区块，使用者可以定义不同括号类型和不同颜色

　5.Debugger for Chrome (推荐)

　　映射vscode上的断点到chrome上，方便调试

作者：懂懂kkw
平台：csdn

者：Roman Orac
鱼羊 编译整理
量子位 报道 | 公众号 QbitAI

数据分析，如何能错过 Pandas 。

现在，数据科学家 Roman Orac 分享了他在工作中相见恨晚的 Pandas 使用技巧。

了解了这些技巧，能让你在学习、使用 Pandas 的时候更加高效。

话不多说，一起学习一下~

Pandas实用技巧

用 Pandas 做数据分析，最大的亮点当属 DataFrame。不过，在展示成果的时候，常常需要把 DataFrame 转成另一种格式。

Pandas 在这一点上其实十分友好，只需添加一行代码。

DataFrame 转 HTML

如果你需要用 HTML 发送自动报告，那么 to_html 函数了解一下。

比如，我们先设定这样一个 DataFrame：

import numpy as np
import pandas as pd
import random

n = 10
df = pd.DataFrame(
    {
        "col1": np.random.random_sample(n),
        "col2": np.random.random_sample(n),
        "col3": [[random.randint(0, 10) for _ in range(random.randint(3, 5))] for _ in range(n)],
    }
)

用上 to_html，就可以将表格转入 html 文件：

df_html = df.to_html()
with open(‘analysis.html’, ‘w’) as f: f.write(df_html)

与之配套的，是 read_html 函数，可以将 HTML 转回 DataFrame。

DataFrame 转 LaTeX

如果你还没用过 LaTeX 写论文，强烈建议尝试一下。

要把 DataFrame 值转成 LaTeX 表格，也是一个函数就搞定了：

df.to_latex()

DataFrame 转 Markdown

如果你想把代码放到 GitHub 上，需要写个 README。

这时候，你可能需要把 DataFrame 转成 Markdown 格式。

Pandas 同样为你考虑到了这一点：

print(df.to_markdown())

注：这里还需要 tabulate 库

DataFrame 转 Excel

说到这里，给同学们提一个小问题：导师/老板/客户要你提供 Excel 格式的数据，你该怎么做？

当然是——

df.to_excel(‘analysis.xlsx’)

需要注意的是，如果你没有安装过 xlwt 和 openpyxl 这两个工具包，需要先安装一下。

另外，跟 HTML 一样，这里也有一个配套函数：read_excel，用来将excel数据导入pandas DataFrame。

DataFrame 转字符串

转成字符串，当然也没问题：

df.to_string()

5个鲜为人知的Pandas技巧

此前，Roman Orac 还曾分享过 5 个他觉得十分好用，但大家可能没有那么熟悉的 Pandas 技巧。

1、data_range

从外部 API 或数据库获取数据时，需要多次指定时间范围。

Pandas 的 data_range 覆盖了这一需求。

import pandas as pd
date_from = “2019-01-01”
date_to = “2019-01-12”
date_range = pd.date_range(date_from, date_to, freq=”D”)
print(date_range)

freq = “D”/“M”/“Y”，该函数就会分别返回按天、月、年递增的日期。

2、合并数据

当你有一个名为left的DataFrame：

和名为right的DataFrame：

想通过关键字“key”把它们整合到一起：

实现的代码是：

df_merge = left.merge(right, on = ‘key’, how = ‘left’, indicator = True)

3、最近合并（Nearest merge）

在处理股票或者加密货币这样的财务数据时，价格会随着实际交易变化。

针对这样的数据，Pandas提供了一个好用的功能，merge_asof。

该功能可以通过最近的key（比如时间戳）合并DataFrame。

举个例子，你有一个存储报价信息的DataFrame。

还有一个存储交易信息的DataFrame。

现在，你需要把两个DataFrame中对应的信息合并起来。

最新报价和交易之间可能有10毫秒的延迟，或者没有报价，在进行合并时，就可以用上 merge_asof。

pd.merge_asof(trades, quotes, on=”timestamp”, by=’ticker’, tolerance=pd.Timedelta(‘10ms’), direction=‘backward’)

4、创建Excel报告

在Pandas中，可以直接用DataFrame创建Excel报告。

import numpy as np
import pandas as pd

df = pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), columns=["a", "b", "c"])

report_name = 'example_report.xlsx'
sheet_name = 'Sheet1'
writer = pd.ExcelWriter(report_name, engine='xlsxwriter')
df.to_excel(writer, sheet_name=sheet_name, index=False)

不只是数据，还可以添加图表。

# define the workbook
workbook = writer.book
worksheet = writer.sheets[sheet_name]
# create a chart line object
chart = workbook.add_chart({'type': 'line'})
# configure the series of the chart from the spreadsheet
# using a list of values instead of category/value formulas:
#     [sheetname, first_row, first_col, last_row, last_col]
chart.add_series({
    'categories': [sheet_name, 1, 0, 3, 0],
    'values':     [sheet_name, 1, 1, 3, 1],
})
# configure the chart axes
chart.set_x_axis({'name': 'Index', 'position_axis': 'on_tick'})
chart.set_y_axis({'name': 'Value', 'major_gridlines': {'visible': False}})
# place the chart on the worksheet
worksheet.insert_chart('E2', chart)
# output the excel file
writer.save()

注：这里需要 XlsxWriter 库

5、节省磁盘空间

Pandas在保存数据集时，可以对其进行压缩，其后以压缩格式进行读取。

先搞一个 300MB 的 DataFrame，把它存成 csv。

df = pd.DataFrame(pd.np.random.randn(50000,300))
df.to_csv(‘random_data.csv’, index=False)

压缩一下试试：

df.to_csv(‘random_data.gz’, compression=’gzip’, index=False)

文件就变成了136MB。

gzip压缩文件可以直接读取：

df = pd.read_csv(‘random_data.gz’)

这一份Pandas技巧笔记，暂且说到这里。各位同学都做好笔记了吗？

Talk is cheap, show me the code。学会了，就用起来吧

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态