def bubble_sort(arry):
n = len(arry) #获得数组的长度
for i in range(n):
for j in range(1,n-i):
if arry[j-1] > arry[j] : #如果前者比后者大
arry[j-1],arry[j] = arry[j],arry[j-1] #则交换两者
return arry
def select_sort(ary):
n = len(ary)
for i in range(0,n):
min = i #最小元素下标标记
for j in range(i+1,n):
if ary[j] < ary[min] :
min = j #找到最小值的下标
ary[min],ary[i] = ary[i],ary[min] #交换两者
return ary
def insert_sort(ary):
n = len(ary)
for i in range(1,n):
if ary[i] < ary[i-1]:
temp = ary[i]
index = i #待插入的下标
for j in range(i-1,-1,-1): #从i-1 循环到 0 (包括0)
if ary[j] > temp :
ary[j+1] = ary[j]
index = j #记录待插入下标
else :
break
ary[index] = temp
return ary
def shell_sort(ary):
n = len(ary)
gap = round(n/2) #初始步长 , 用round四舍五入取整
while gap > 0 :
for i in range(gap,n): #每一列进行插入排序 , 从gap 到 n-1
temp = ary[i]
j = i
while ( j >= gap and ary[j-gap] > temp ): #插入排序
ary[j] = ary[j-gap]
j = j - gap
ary[j] = temp
gap = round(gap/2) #重新设置步长
return ary
def merge_sort(ary):
if len(ary) <= 1 : return ary
num = int(len(ary)/2) #二分分解
left = merge_sort(ary[:num])
right = merge_sort(ary[num:])
return merge(left,right) #合并数组
def merge(left,right):
'''合并操作，
将两个有序数组left[]和right[]合并成一个大的有序数组'''
l,r = 0,0 #left与right数组的下标指针
result = []
while l<len(left) and r<len(right) :
if left[l] < right[r]:
result.append(left[l])
l += 1
else:
result.append(right[r])
r += 1
result += left[l:]
result += right[r:]
return result
def quick_sort(ary):
return qsort(ary,0,len(ary)-1)
def qsort(ary,left,right):
#快排函数，ary为待排序数组，left为待排序的左边界，right为右边界
if left >= right : return ary
key = ary[left] #取最左边的为基准数
lp = left #左指针
rp = right #右指针
while lp < rp :
while ary[rp] >= key and lp < rp :
rp -= 1
while ary[lp] <= key and lp < rp :
lp += 1
ary[lp],ary[rp] = ary[rp],ary[lp]
ary[left],ary[lp] = ary[lp],ary[left]
qsort(ary,left,lp-1)
qsort(ary,rp+1,right)
return ary
（上图为计划中的下一本书《Web Scraping with Python》）
这本 Flask 教材抱着啃了一个月，终于搞定了。标题里之所以说是『完成』而不是『学完』，是因为实际上我确实只是完成——所有的代码都手打了一遍。但是到底学没学会，对自己持悲观态度。这本书内容比较集中，但是细节很多，我又是第一次接触 web 框架甚至是第一次接触 web 开发，读完全书、打完全部代码，实际上也只是盲人摸象的对 web 开发有了大致印象，远远不能算『学会』。（Ps.本书中有若干小错，例如代码文件的路径等等，但是辨识后不影响学习。官方提供的代码有一些教材内的功能没有完成。）
不过我对这种感觉也并不陌生。在完成《笨方法学 Python》的时候，也有类似的体验，书中内容都学了，但合上书后并不知道自己能实现什么，深深的『啥都不会做』感，只是后面接触了更多的 Python 知识后，这种不安才慢慢消散。有了那一次的经验以后，我就不再担心这种『无力感』。相信这种感觉在短时间内可能还会重现多次，但并不代表我真的『啥都不会做』。
回顾一下从去年11月开始至今的学习，自己的速度并不快。学习过的书有：
郭老师发小的老公，在一家 Apple 手机电池供应商工作。这天在朋友圈抱怨，用 Excel 处理几十万条数据，i7 处理器 5 分钟进度 1% 。我一下反应过来，这玩意用 Python 处理起来应该很快啊！
于是留言给他说，用excel跑最起码几个小时，让他把文件和处理要求发给我。
过了一会，邮箱收到。其实比较简单，文件 A 有40万条电池数据，文件 B 有30万条良品电池数据，要用 A 减掉 B，剩下来的就是不良电池的数据。数据处理的目标即得到汇总了不良电池数据的文件 C 。
这里有个小插曲：文件 A 有40多万行数据，我用 Mac 的 Number 打开，仅能显示 65535 条。看来 Numbers 处理稍大一点的数据就完全不行了。为了能顺利检视数据结果，又下载了 OpenOffice。
虽然之前没接触过 Python 的数据处理，但是学习过用 Python 的 openpyxl 处理 Excel 表格，所以我的第一反应就是用 xlrd 这种第三方库来处理 Excel 无法快速处理的文件。但是在学习 xlrd 的过程中，发现 xlrd 可以比较好的读取文件，却不能很好的写入文件，于是 又下载了对 Excel 写入支持较好的 xlwt 。
折腾了半天，虽然实现读写，但是对表格的处理还是不满意。随便搜一搜，发现 pandas 也可以做这个工作。于是转向 pandas 。
pandas 支持读取/写入 XLSX 和 CSV 格式，由于我用的是 Mac ，因此将文件先统一转换成了 CSV 。
首先用 pandas 读取 CSV 文件并转化为 DataFrame：
df = pd.read_csv(workbook, low_memory = False)
然后将文件 B 复制到文件 A 需要去重的列下方（这里可以用代码操作，但是我没有查操作函数，因为感觉手动复制粘贴也很方便）。再用 drop_duplicates 函数去掉重复的项（这里需要注意，drop_duplicates 有好几个参数，可以选择留下重复项中的第一项、最后一项、或者全删掉，视需求而定）。
