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 常用函数 Pandas 提供了大量用于数据处理和分析的函数，以下是一些常用的函数： 通用函数 函数描述 pd.isna(obj)检查对象是否为缺失值。 pd.notna(obj)检查对象是否不为缺失值。 pd.concat(objs, axis)连接多个对象。 pd.merge(left, right, on)按列合并 DataFrame。 pd.get_dummies(data)分类变量 One-Hot 编码..
Pandas groupby.agg() 函数 Pandas 常用函数 groupby.agg() 是 Pandas 中功能最强大的聚合函数之一，它允许你对分组后的数据同时应用多个不同的聚合函数。 与 sum()、mean() 等单一聚合函数不同，agg() 可以一次性计算多个统计指标，比如同时计算每个分组的总和、平均值、最大值、最小值等。 在数据分析中，经常需要对数据同时进行多种统计分析，agg() 函数可以让这一过程变得简洁高效..
Pandas groupby.mean() 函数 Pandas 常用函数 groupby.mean() 是 Pandas 中用于分组后计算平均值的聚合函数。它与 groupby.sum() 配合使用，先将数据按某个列的值进行分组，然后计算每个分组中数值列的算术平均值。 在数据分析中，计算平均值是非常常见的需求。比如计算每个部门的平均工资、每个地区的平均销售额、每个班级的平均成绩等。mean() 函数能够快速完成这些任务。 基本语..
Pandas groupby.sum() 函数 Pandas 常用函数 groupby.sum() 是 Pandas 中用于分组后求和的聚合函数。它通常与 groupby() 函数配合使用，先将数据按某个列的值进行分组，然后对每个分组中的数值列进行求和计算。 在实际数据分析中，sum() 是最常用的聚合函数之一。比如计算每个部门的总工资、每个地区的总销售额、每个类别的总数量等。 基本语法与参数 sum() 是 GroupBy 对..
Pandas groupby-transform() 函数 Pandas 常用函数 groupby.transform() 是 Pandas 中用于分组后进行数据变换的函数。它与聚合函数不同，聚合会返回每个分组的汇总结果，而变换会返回与原数据同样长度的结果。 简单来说，transform() 将分组计算的结果'广播'回原数据的每一行。这在计算每个成员在组内的相对位置、组内标准化、与组平均值的差异等场景中非常有用。..
Pandas 分组操作（groupby） groupby 是 Pandas 最强大的功能之一，允许按照一个或多个列对数据进行分组，然后对每个分组进行聚合、转换或过滤操作。 groupby 基本用法 单列分组 实例[mycode4 type='python'] import pandas as pd # 创建示例数据 df = pd.DataFrame({ '部门': [�..
Pandas 读取 HTML 表格 Pandas 的 pd.read_html() 函数可以自动解析网页中的 HTML 表格数据，将其转换为 DataFrame。这在抓取网页数据、分析股价、获取金融信息等场景下非常有用。 基本用法 read_html() 函数会查找并读取网页中所有的 HTML 表格元素，返回一个 DataFrame 列表。 读取单个表格 实例[mycode4 type='python'..
Pandas Index 对象 Pandas 的 Index 对象是用于标识轴标签的基类，它提供了丰富的功能来表示和管理数据的索引。以下是 Index 对象的一些关键特性和用途： 唯一标识：Index 对象为数据提供唯一的标识符，这对于数据的选择和操作至关重要。 标签基础：与基于位置的索引（如 Python 列表的索引）不同，Index 允许基于标签的索引，这使得数据操作更加直观和灵活。 数据类型支持：I..
Pandas Index（索引） Index（索引）是 Pandas 数据结构的核心组成部分，它决定了数据的组织和访问方式。Pandas 支持多种类型的索引，从简单的 RangeIndex 到复杂的多层索引（MultiIndex），本节将详细介绍各种索引类型的使用方法。 Index 的基本概念 Index 类似于数据库的主键或 Excel 的行号，用于唯一标识每行数据。DataFrame 有行索引（index）和列索引（col..
Pandas 安装 安装 pandas 需要基础环境是 Python，Pandas 是一个基于 Python 的库，因此你需要先安装 Python，然后再通过 Python 的包管理工具 pip 安装 Pandas。 使用 pip 安装 pandas: pip install pandas 安装成功后，我们就可以导入 pandas 包使用： import pandas 实例 - 查看 pandas 版本 [mycode4 type..
Pandas 简介 Pandas 是一个开源的数据分析和数据处理库，它是基于 Python 编程语言的。 Pandas 提供了易于使用的数据结构和数据分析工具，特别适用于处理结构化数据，如表格型数据（类似于Excel表格）。 Pandas 是数据科学和分析领域中常用的工具之一，它使得用户能够轻松地从各种数据源中导入数据，并对数据进行高效的操作和分析。 Pandas 主要引入了两种新的数据结构：Series 和 DataFrame。 ..
Pandas Input/Output (输入输出) API 手册 Pandas 是一个强大的 Python 数据分析库，它提供了大量的数据操作工具，包括数据的输入和输出（I/O）。 以下是 Pandas Input/Output (输入输出) 常用的 API： 读取数据 方法 描述 ..
Pandas JSON JSON（JavaScript Object Notation，JavaScript 对象表示法），是存储和交换文本信息的语法，类似 XML。 JSON 比 XML 更小、更快，更易解析，更多 JSON 内容可以参考 JSON 教程。 Pandas 提供了强大的方法来处理 JSON 格式的数据，支持从 JSON 文件或字符串中读取数据并将其转换为 DataFrame，以及将 DataFrame 转换回 JSON..
Pandas 数据选取（loc / iloc / at） 数据选取是 Pandas 最常用的操作之一。理解 loc、iloc、at 的区别和应用场景，可以让你更高效地处理数据。 loc 与 iloc 的区别 特性 loc iloc 索引方式 ..
Pandas 数据可视化 数据可视化是数据分析中的重要环节，它帮助我们更好地理解和解释数据的模式、趋势和关系。通过图形、图表等形式，数据可视化将复杂的数字和统计信息转化为易于理解的图像，从而便于做出决策。Pandas 提供了与 Matplotlib 和 Seaborn 等可视化库的集成，使得数据的可视化变得简单而高效。 在 Pandas 中，数据可视化功能主要通过 DataFrame.plot() 和 Series.plot() 方法实..
Pandas 数据合并（merge / join） Pandas 提供了强大的数据合并功能，可以像 SQL 一样根据键将两个或多个 DataFrame 连接在一起。merge 和 join 是最常用的两种方法。 merge 基本用法 pd.merge() 函数用于将两个 DataFrame 按列进行合并，类似于 SQL 的 JOIN 操作。 简单合并 实例[mycode4 type='python'] ..
Pandas 缺失值处理 真实数据中往往存在缺失值（NaN），Pandas 提供了丰富的函数来处理缺失数据。本节详细介绍 fillna、dropna、interpolate 等方法的使用。 缺失值的表示 Pandas 中使用 NaN（Not a Number）表示缺失值，它来源于 NumPy 库。 实例[mycode4 type='python'] import pandas as pd import n..
Pandas 多层索引（MultiIndex） 多层索引（MultiIndex）是 Pandas 中强大的索引功能，允许在行或列上创建多级层次结构。这在处理高维数据、分组统计和面板数据时特别有用。 创建 MultiIndex 从列表创建 实例[mycode4 type='python'] import pandas as pd # 方法1：使用数组创建 arrays = [ ['A&#..
Pandas 与 NumPy 结合使用 Pandas 基于 NumPy 构建，两者紧密集成。理解它们的交互可以更高效地进行数据处理和科学计算。 相互转换 DataFrame/Series 与 NumPy 互转 实例[mycode4 type='python'] import pandas as pd import numpy as np # DataFrame 转 NumPy 数组 df = pd.Da..
Pandas 性能优化 Pandas 是一个非常强大的数据分析工具，但当数据集变得庞大时，常常会遇到性能瓶颈。为了提高 Pandas 在处理大规模数据时的效率，了解并应用一些性能优化技巧是非常必要的。 Pandas 性能优化涉及多个方面，包括数据类型优化、避免不必要的循环、使用向量化操作、优化索引以及分块加载大数据集等方法。下面我们将详细介绍 Pandas 性能优化的几种方法。 使用适当的数据类型 Pandas 中的数据类型（d..
Pandas 读取 Parquet / Feather 文件 Parquet 和 Feather 是两种高效的列式数据存储格式，专为大数据分析和快速读写场景设计。相比 CSV，它们具有更好的压缩比和查询性能。 为什么使用 Parquet 和 Feather 列式存储格式的主要优势： 特性 CSV Parquet ..
Pandas concat() 函数 Pandas 常用函数 pd.concat() 是 Pandas 库中用于连接（拼接）多个序列（Series）或数据框（DataFrame）的函数。它可以在行方向或列方向上将多个对象合并成一个新的对象。 这是数据处理中最常用的合并操作之一，无论是纵向追加数据还是横向合并字段，pd.concat() 都能胜任。 单词释义： concat 是 'concatenate'（连接、串..
Pandas pd.crosstab() 函数 Pandas 常用函数 pd.crosstab() 是 Pandas 库中用于计算交叉表（Cross Tabulation）的函数。它可以计算两个或多个变量的频次或聚合统计，生成类似 Excel 数据透视表的表格。 交叉表是统计分析中非常有用的工具，常用于分析两个或多个分类变量之间的关系，例如统计不同部门的男女员工数量。 单词释义： crosstab 是 'cross tab..
Pandas pd.cut() 函数 Pandas 常用函数 pd.cut() 是 Pandas 库中用于将连续数据分箱（Binning）的函数。它将数值数据按照指定的区间划分为离散的类别，非常适合用于数据分析中的分组统计和可视化。 分箱操作在数据分析中非常常见，例如将年龄划分为'青少年'、'中年人'、'老年人'，或将成绩划分为'不及格'、'及..