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 pd.date_range() 函数 Pandas 常用函数 pd.date_range() 是 Pandas 库中用于生成日期范围的函数。它可以创建一个包含连续日期的 DatetimeIndex，常用于时间序列数据的创建、索引和对齐。 在时间序列分析中，经常需要生成固定频率的日期序列，例如每日、每月或每年的数据。pd.date_range() 提供了灵活的参数来满足各种频率需求。 单词释义： date_range..
Pandas pd.factorize() 函数 Pandas 常用函数 pd.factorize() 是 Pandas 库中用于编码分类变量的函数。它将分类数据转换为整数编码，同时返回唯一值列表。 这是机器学习预处理中的常用技术，将文本类别转换为数值，便于算法处理。与独热编码（pd.get_dummies()）不同，因子化编码不会增加数据维度。 单词释义： factorize 意为'因子化'，在这里指将分类变量..
Pandas pd.get_dummies() 函数 Pandas 常用函数 pd.get_dummies() 是 Pandas 库中用于分类变量独热编码（One-Hot Encoding）的函数。它将分类变量转换为二进制（0/1）列的形式，每个类别对应一列。 独热编码是机器学习预处理中的常用技术，因为大多数算法无法直接处理分类数据，需要将其转换为数值形式。 单词释义： get_dummies 中 'dummy'..
Pandas pd.isna() 函数 Pandas 常用函数 pd.isna() 是 Pandas 中最常用的缺失值检测函数，它会检查每个元素是否为缺失值，并返回一个布尔值（True 或 False）结构。 在数据分析中，缺失值处理是非常重要的第一步。pd.isna() 能帮助你快速识别数据中的缺失位置，为后续的填充、删除或其他处理操作提供依据。 基本语法与参数 语法格式 pandas.isna(obj) 参数说明..
Pandas pd.melt() 函数 Pandas 常用函数 pd.melt() 是 Pandas 库的顶级函数，用于宽表转长表。它将包含多个列的宽格式数据'融化'为长格式，类似于 Excel 中的逆透视操作。 这是数据重塑中最常用的函数之一，特别是在数据可视化之前需要将数据转换为长格式，或者将多列合并为一列时非常有用。 单词释义： melt 意为'融化、熔化'，在这里指将宽表结构'..
Pandas pd.merge() 函数 Pandas 常用函数 pd.merge() 是 Pandas 库中用于按列连接两个 DataFrame的函数。它类似于 SQL 中的 JOIN 操作，可以基于一个或多个公共列将两个数据表合并成一个。 这是数据分析和处理中最常用的合并方式之一，特别适合处理关系型数据，将分散在不同表中的相关信息整合到一起。 单词释义： merge 意为'合并、融合'，在这里指将两个数据表根..
Pandas pd.notna() 函数 Pandas 常用函数 pd.notna() 是 Pandas 库中用于检测缺失值的函数。它会检查输入对象中的每个元素，判断是否为非缺失值，并返回一个布尔值（True/False）组成的结果。 这是数据清洗中最常用的函数之一，可以帮助我们快速识别数据中的有效值，为后续的数据处理和分析做好准备。 单词释义： not 是否定，na 是 'not available'（不可用）..
Pandas pd.pivot_table() 函数 Pandas 常用函数 pd.pivot_table() 是 Pandas 库中用于创建数据透视表的函数。数据透视表是电子表格中的常用功能，可以对数据进行分组、聚合和重塑，便于从不同角度分析数据。 与 pd.crosstab() 相比，pivot_table() 更加强大，支持多种聚合函数、处理缺失值、以及更复杂的数据重塑。 单词释义： pivot_table 意为'透..
Pandas pd.qcut() 函数 Pandas 常用函数 pd.qcut() 是 Pandas 库中用于按分位数进行分箱的函数。它将数据划分为相等数量的样本，每个箱子包含大约相同数量的数据点。 与 pd.cut()（等宽分箱）不同，pd.qcut() 确保每个区间内的数据量相等，非常适合处理偏态分布的数据，或者需要按照数据的自然分位数来划分的情况。 单词释义： qcut 中 'q' 代表 'qua..
Pandas pd.ead_csv() 函数 Pandas 常用函数 read_csv() 是 pandas 库中最常用的数据读取函数，用于从 CSV（逗号分隔值）文件中读取数据并创建 DataFrame。 CSV 文件是一种简单且广泛使用的数据交换格式，它以纯文本形式存储表格数据，每行代表一条记录，字段之间用逗号分隔。read_csv() 能够智能解析 CSV 文件，自动识别列名、数据类型，并处理各种分隔符和编码问题。 基本语..
Pandas pd.read_excel() 函数 Pandas 常用函数 read_excel() 是 pandas 库中用于读取 Excel 文件的函数，支持读取 .xlsx 和 .xls 格式的 Excel 文件。 Excel 是企业数据分析中最常用的文件格式，它支持多个工作表、丰富的单元格格式、公式等。read_excel() 能够读取 Excel 文件中的数据，并将其转换为 pandas 的 DataFrame 格式，方便..
Pandas pd.read_html() 函数 Pandas 常用函数 read_html() 是 pandas 库中用于解析 HTML 表格的函数，能够从网页或 HTML 文件中读取表格数据并转换为 DataFrame。 网页中的表格数据是非常重要的数据来源，很多公开数据（如股票信息、统计数据等）都以 HTML 表格的形式呈现。read_html() 利用 lxml 和 BeautifulSoup 库来解析 HTML，可以自动提..
Pandas pd.read_json() 函数 Pandas 常用函数 read_json() 是 pandas 库中用于读取 JSON（JavaScript Object Notation）文件的函数，支持多种 JSON 格式的数据导入。 JSON 是一种轻量级的数据交换格式，易于人类阅读和编写，也易于机器解析和生成。在 Web API、配置文件等场景中广泛应用。read_json() 能够将 JSON 数据转换为 pan..
Pandas pd.read_sql() 函数 Pandas 常用函数 read_sql() 是 pandas 库中用于从数据库读取数据的函数，支持 SQL 查询和数据库表的直接读取。 数据库是企业级应用的核心组件，存储着大量业务数据。read_sql() 能够连接各种类型的数据库（如 MySQL、PostgreSQL、SQLite 等），执行 SQL 查询并将结果转换为 DataFrame，方便后续的数据分析和处理。 基本语法..
Pandas pd.Series() 函数 Pandas Series API 手册 pd.Series() 是 Pandas 库中的一个核心函数，用于创建一维数组（类似于列表或 NumPy 数组），但它比普通数组更强大。Series 可以存储任何数据类型（如整数、字符串、浮点数等），并且每个元素都有一个与之关联的索引（index），这使得数据操作更加灵活。 pd.Series() 的基本语法 pd.Series(data, ..
Pandas pd.Timedelta() 函数 Pandas 常用函数 pd.Timedelta() 是 Pandas 库中用于创建时间差的函数。它表示两个时间点之间的持续时间，可以用于日期时间的加减运算。 Timedelta 是处理时间Duration的有力工具，常用于计算两个日期之间的差值、添加或减去特定的时间长度等场景。 单词释义： Timedelta 是 'time'（时间）和 'delt..
Pandas pd.Timestamp() 函数 Pandas 常用函数 pd.Timestamp() 是 Pandas 库中用于创建时间戳的函数。它可以接受多种格式的日期时间输入，并返回一个精确的 Timestamp 对象。 Timestamp 是 Pandas 中用于表示单一时间点的数据类型，它是 Python 标准库 datetime.datetime 的增强版本，提供了更丰富的功能和更好的性能。 单词释义： Timest..
Pandas pd.to_datetime() 函数 Pandas 常用函数 pd.to_datetime() 是 Pandas 库中用于将数据转换为日期时间类型的函数。它可以将字符串、Unix 时间戳等多种格式的数据转换为 Pandas 的 datetime64 类型。 日期时间处理是数据分析中的常见任务，转换为 datetime 类型后，可以方便地进行日期提取、时间运算、时区处理等操作。 单词释义： to_datetime ..
Pandas pd.to-numeric() 函数 Pandas 常用函数 pd.to_numeric() 是 Pandas 库中用于将数据转换为数值类型的函数。它可以将各种格式的数据（如字符串、混合类型列）转换为整数、浮点数等数值类型。 这是数据清洗中的常用函数，特别是在处理从文件或数据库导入的数据时，经常需要将看似数值但实际是字符串的列转换过来。 单词释义： to_numeric 意为'转换为数值'，即将数据..
Pandas pd.unique() 函数 Pandas 常用函数 pd.unique() 是 Pandas 库中用于获取数组中的唯一值的函数。它返回输入数组中所有不重复的值，去除重复项。 这是数据分析中的常用操作，例如统计一列中有多少个不同的值，或者获取某个分类变量的所有类别。 单词释义： unique 意为'唯一的、独特的'，在这里指返回数组中不重复的值。 基本语法与参数 pd.unique() 是 Pa..
Pandas pd.value_counts() 函数 Pandas 常用函数 pd.value_counts() 是 Pandas 库中用于统计各值出现频次的函数。它会计算数组中每个唯一值出现的次数，并按频次降序排列返回。 这是分类数据分析中最常用的函数之一，可以快速了解数据的分布情况，例如统计投票结果、产品类别分布等。 单词释义： value_counts 意为'统计值'，即统计每个值出现的次数。 基本语..
Pandas 数据重塑（pivot / melt / stack / unstack） 数据重塑是数据分析中的常见操作，用于改变数据的布局结构。Pandas 提供了 pivot、melt、stack、unstack 等函数来实现长格式和宽格式之间的转换。 pivot 透视表 pivot 将长格式数据转换为宽格式，类似于 Excel 的透视表功能。 基本用法 实例[mycode4 type='python'..
Pandas 窗口函数（rolling / expanding / ewm） 窗口函数用于对时间序列或有序数据进行滑动窗口计算，是金融分析、信号处理等领域的重要工具。 rolling 滚动窗口 基本用法 实例[mycode4 type='python'] import pandas as pd import numpy as np # 创建时间序列数据 np.random.seed(42) dates ..
Pandas 抽样与随机数据 Pandas 提供了丰富的随机抽样功能，可以从数据集中按要求随机选取样本，也支持生成随机数据。 随机抽样 sample 方法 实例[mycode4 type='python'] import pandas as pd import numpy as np # 创建大数据集 df = pd.DataFrame({ 'ID': range(1, 10..