Learning Path
浏览 Pandas 相关教程与章节。
AI Agent、机器学习、深度学习、数据分析与 Python 科学计算。
教程
124
Pandas df.groupby() 函数 Pandas 常用函数 groupby() 是 Pandas 中最强大的分组操作函数之一，它允许你根据一个或多个列的值将数据分成不同的组，然后对每个组进行各种操作。 简单来说，groupby() 实现了'拆分-应用-合并'（Split-Apply-Combine）的工作流程：先把数据按条件拆分，对每个组应用相应的函数，最后把结果合并起来。 这在数据分析中非常常见，比如..
Pandas df.head() 函数 Pandas 常用函数 head() 是 Pandas DataFrame 和 Series 中最常用的函数之一，用于快速查看数据集的开头部分。它返回前 n 行数据，让我们在不加载整个数据集的情况下，先了解数据的基本结构和内容。 这个函数在数据分析工作中使用频率极高，特别是在处理大型数据集时，我们通常先使用 head() 查看数据的前几行，确认数据结构是否符合预期，然后再进行进一步的分析和处理..
Pandas df.iloc[] 函数 Pandas 常用函数 iloc[] 是 Pandas 中基于整数位置（Integer Location）的索引方式，用于通过行号和列号来选择数据。它与 loc[] 不同，iloc[] 完全基于数据的位置（从 0 开始的整数索引），而不考虑数据本身设置的标签。 当你需要按位置选择数据，或者在不知道具体索引标签的情况下选择数据时，iloc[] 是最佳选择。它的工作方式与 Python 列表的索引..
Pandas df.loc() 函数 Pandas 常用函数 loc[] 是 Pandas 中基于标签（Label）的索引方式，用于通过行标签和列标签来选择数据。它是 DataFrame 索引中最直观、最常用的方式之一，能够精确地定位我们需要的数据。 与基于位置的索引（如 iloc[]）不同，loc[] 使用的是数据本身设置的索引标签。这意味着即使数据的位置发生变化，只要标签不变，我们依然能够准确地选择到目标数据。 基本语法与参..
Pandas DataFrame.pivot_table() 函数 Pandas 常用函数 df.pivot_table() 是 DataFrame 的成员方法，用于创建数据透视表。它是 pivot() 的增强版，支持聚合操作，可以处理重复的行索引和列索引组合。 数据透视表是数据分析中最常用的工具之一，可以从不同角度对数据进行分组、汇总和重塑，便于发现数据中的规律和趋势。 单词释义： pivot_table 意为'透视..
Pandas df.pivot() 函数 Pandas 常用函数 df.pivot() 是 DataFrame 的成员方法，用于创建透视表。它可以根据指定的行索引、列索引和值列，将数据重塑为新的布局形式。 与 pivot_table() 不同，pivot() 不支持聚合操作，要求行索引和列索引的组合是唯一的，否则会抛出错误。 单词释义： pivot 意为'旋转、枢轴'，这里指数据的'旋转'重塑..
Pandas df.query() 函数 Pandas 常用函数 query() 是 Pandas 中非常实用的数据筛选函数，它允许使用类似 SQL 的字符串表达式来筛选数据。相比于传统的布尔索引方式，query() 的语法更加简洁直观，特别适合处理复杂的筛选条件。 在数据分析工作中，经常需要根据各种条件筛选数据。query() 函数将筛选条件写成字符串形式，就像写 SQL 查询一样，这对于熟悉 SQL 的用户来说非常友好。同时，它..
Pandas df.rename() 函数 Pandas 常用函数 df.rename() 是 Pandas 中用于重命名 DataFrame 的列名或索引的函数。 在数据分析中，清晰的列名和索引对于代码的可读性和维护性非常重要。rename() 允许你灵活地修改列名和索引名称，使数据更加规范和易于理解。这在数据导入、清洗和报告生成时特别有用。 基本语法与参数 rename() 是 DataFrame 的成员函数，通过点运算符 ..
Pandas df.replace() 函数 Pandas 常用函数 df.replace() 是 Pandas 中用于替换 DataFrame 中数据的函数。 数据替换是数据清洗中的常见操作，replace() 可以帮助你将特定值替换为新值，支持单值替换、多值替换、正则表达式替换等多种灵活的方式。这在处理异常值、统一数据格式、编码转换等场景中非常有用。 基本语法与参数 replace() 是 DataFrame 的成员函数，通..
Pandas df.reset_index() 函数 Pandas 常用函数 df.reset_index() 是 Pandas 中用于重置 DataFrame 行索引的函数。 在数据处理过程中，索引可能会变得不连续或不符合你的需求。reset_index() 可以将索引重置为默认的整数索引（0, 1, 2, ...），或者将当前的索引转换为列。这在数据清洗、排序、筛选后整理数据时非常有用。 基本语法与参数 reset_i..
Pandas df.sort_values() 函数 Pandas 常用函数 df.sort_values() 是 Pandas 中用于对 DataFrame 的数据按照一个或多个列进行排序的函数。 排序是数据分析中的基础操作，可以帮助你更好地理解数据、发现规律。sort_values() 支持按单列或多列排序、升序或降序排序、可以处理缺失值，是数据处理中不可或缺的工具。 基本语法与参数 sort_values() 是 Data..
Pandas df.stack() 函数 Pandas 常用函数 df.stack() 是 DataFrame 的成员方法，用于将列索引转换为行索引。它将宽格式数据的列'堆叠'到行中，产生一个具有层次化索引的 Series 或 DataFrame。 这是数据重塑的重要操作，通常与 unstack() 配合使用，实现数据的互转。 单词释义： stack 意为'堆叠、堆积'，在这里指将列数据..
Pandas df.tail() 函数 Pandas 常用函数 tail() 是 Pandas DataFrame 和 Series 中的重要函数，用于查看数据集的末尾部分。它返回最后 n 行数据，让我们在不遍历整个数据集的情况下，快速了解数据的结尾情况和最新记录。 在时间序列数据分析中，tail() 特别有用，因为通常我们关心的是最新的数据，比如最近的股价、销量或传感器读数。这个函数与 head() 互为补充，一起构成了数据探索的..
Pandas df.to_csv() 函数 Pandas 常用函数 to_csv() 是 DataFrame 的方法，用于将数据导出为 CSV（逗号分隔值）格式的文件。 CSV 是最常用的数据导出格式之一，它以纯文本形式存储表格数据，兼容性强，几乎所有数据分析工具都可以读取。to_csv() 功能丰富，支持自定义分隔符、编码方式、索引处理等选项，能够满足各种导出需求。 基本语法与参数 语法格式 DataFrame.to_csv..
Pandas df.to_excel() 函数 Pandas 常用函数 to_excel() 是 DataFrame 的方法，用于将数据导出为 Excel 格式的文件，支持 .xlsx 和 .xls 格式。 Excel 是企业办公中最常用的数据分析工具，to_excel() 能够将 pandas DataFrame 导出为格式规范的 Excel 文件。它支持多个工作表、单元格格式设置、公式插入等高级功能，非常适合数据报告和数据分析结..
Pandas df.to_json() 函数 Pandas 常用函数 to_json() 是 DataFrame 的方法，用于将数据导出为 JSON（JavaScript Object Notation）格式。 JSON 是 Web 应用和 API 数据交换的标准格式，to_json() 支持多种 JSON 格式的输出，包括记录格式、索引格式、列格式等。它能够将 pandas DataFrame 转换为 JSON 字符串或写入文件，..
Pandas df.to_parquet() 函数 Pandas 常用函数 to_parquet() 是 DataFrame 的方法，用于将数据导出为 Parquet 格式的文件。 Parquet 是一种列式存储的文件格式，专门为大数据分析场景设计。它具有高压缩比、高读写性能、支持复杂数据类型等优点，是 Apache Hadoop、Apache Spark 等大数据框架的标准格式。 基本语法与参数 语法格式 DataFr..
Pandas df.unstack() 函数 Pandas 常用函数 df.unstack() 是 DataFrame 的成员方法，用于将行索引转换为列索引。它将具有层次化索引的数据'展开'，将行级别的一个或多个层级移动到列中。 这是数据重塑的重要操作，通常与 stack() 配合使用，实现数据的互转。 单词释义： unstack 意为'拆开、展开'，在这里指将行索引'展开'..
Pandas 数据类型（dtype 与类型转换） Pandas 提供了丰富的数据类型系统，正确理解和使用数据类型是高效数据分析的基础。本节详细介绍 Pandas 的数据类型体系、类型推断和类型转换方法。 Pandas 数据类型概览 dtype 说明 Python 类型 示例 ..
Pandas 重复数据处理 重复数据是数据分析中常见的问题，会影响统计结果的准确性。Pandas 提供了检测和处理重复数据的完整功能。 检测重复数据 duplicated 方法 实例[mycode4 type='python'] import pandas as pd # 创建包含重复行的 DataFrame df = pd.DataFrame({ '姓名': ['..
Pandas 电商数据分析实战 本节通过一个完整的电商数据分析案例，综合运用 Pandas 的各种功能进行数据分析。 案例概述 分析电商平台的订单数据，包括销售趋势、产品表现、客户分析等维度。 数据准备 实例[mycode4 type='python'] import pandas as pd import numpy as np # 模拟电商订单数据 np.random.seed(42) n_ord..
Pandas Excel 文件操作 Pandas 提供了丰富的 Excel 文件操作功能，帮助我们方便地读取和写入 .xls 和 .xlsx 文件，支持多表单、索引、列选择等复杂操作，是数据分析中必备的工具。 操作 方法 说明 读取 Excel 文件 p..
Pandas 过滤与条件查询 数据过滤是数据分析中最常用的操作之一。Pandas 提供了丰富的条件查询功能，可以根据各种条件筛选数据。本节详细介绍各种数据过滤方法。 基础条件过滤 单一条件过滤 实例[mycode4 type='python'] import pandas as pd # 创建示例数据 df = pd.DataFrame({ '姓名': ['张三&#..
Pandas 常用函数 以下列出了 Pandas 常用的一些函数及使用实例： 读取数据 函数说明 pd.read_csv(filename)读取 CSV 文件； pd.read_excel(filename)读取 Excel 文件； pd.read_sql(query, connection_object)从 SQL 数据库读取数据； pd.read_json(json_string)从 JSON 字符串中读取数据； pd.read_..