pandas中聚合函数agg的具体用法
本文详细介绍pandas中DataFrame.agg()聚合函数的使用方法。通过对比numpy聚合函数，解析func参数的多种格式（函数、列表、字典），并演示如何在指定轴上执行单个或不同列的多重聚合操作，包括处理NaN填充的逻辑。
2026-10-15
6
本文详细介绍pandas中DataFrame.agg()聚合函数的使用方法。通过对比numpy聚合函数，解析func参数的多种格式（函数、列表、字典），并演示如何在指定轴上执行单个或不同列的多重聚合操作，包括处理NaN填充的逻辑。
本文介绍如何利用Python的pandas库实现剪贴板数据的读取与写入。通过read_clipboard函数可快速将复制的表格数据转换为DataFrame，支持自定义分隔符与表头处理；利用to_clipboard方法可将DataFrame对象保存至系统剪贴板，便于粘贴至Excel或其他应用。
本文详解Python中True和False的使用陷阱，重点区分逻辑取反not与按位取反~的差异。解析if条件语句中非零值自动转为True的机制，以及pandas DataFrame.loc中布尔索引与Series取反行为的特殊性，帮助开发者避免常见错误。
本文介绍Python数据分析中常用的Matplotlib可视化库。通过具体代码示例，详细讲解直方图、堆叠图、饼图、散点图、箱线图及雷达图等多种图表的绘制方法。内容涵盖参数设置、中文显示处理及数据呈现技巧，帮助读者快速掌握数据可视化基础技能。
本文系统分享将千万级数据写入 MySQL 的两种场景及对应方案。针对非频繁写入，推荐使用 Navicat 导入向导；针对增量自动化写入，对比了 Pymysql 与 Pandas+SQLAlchemy 两种 Python 实现方式。测试显示，Pandas 方案仅需五行代码且耗时约 4 分钟，远优于 Pymysql 的 12 分 47 秒，且无需预先建表，推荐作为高效首选。
本文详细介绍Pandas中DataFrame的核心用法，涵盖从创建、索引选取、行列删除到数学运算与Groupby聚合的完整流程。通过具体代码示例，解析如何处理多维数据、执行映射与聚合操作，并演示导出CSV文件的注意事项，助力高效进行Python数据分析。
本文深入解析 Python Pandas 库中的三大核心数据结构：Series、DataFrame 和 Panel。详细讲解 Series 的一维数组特性、索引与标签的双重访问机制，以及基于字典和列表的创建方法。同时阐述 DataFrame 的表格型结构、列对齐与缺失值处理，并介绍 Index 对象的不可变性与常用属性查看方法，帮助开发者掌握 Pandas 数据处理基础。
本文详细介绍在pandas DataFrame中批量修改数据的四种常用方法。通过iloc进行行列定位赋值，利用where和mask函数根据条件替换数值，以及使用replace函数处理文本、字典映射及正则表达式。涵盖具体代码示例与参数说明，帮助开发者高效完成数据清洗与预处理任务。
本文介绍如何利用Python的Openpyxl库对Excel文件中的特定单元格进行颜色填充。通过结合Pandas读取数据与Openpyxl操作样式，实现自动识别并高亮显示大于50的数值。文章详细讲解了PatternFill的使用、Excel列名的动态生成逻辑以及完整的代码实现流程，帮助开发者解决Excel批量格式化处理需求。
本文介绍如何在Python中使用pandas的groupby函数结合apply和lambda提取每组数据的最大值与最小值。通过异或逻辑筛选极值，并演示如何重置索引及导出Excel，解决直接groupby无法保留完整行的问题。
本文深入解析pandas中查看库版本及依赖信息的四个核心API：__version__、__git_version__、_version.get_versions()及show_versions()。通过剖析pandas._version模块与__init__.py源码，阐明版本信息的存储机制、命名空间重构过程及show_versions()在不同参数下的输出逻辑，帮助开发者理解版本检查背后的实现原理。
本文详细解析pandas中DataFrame.iloc方法的五种索引方式，包括整数索引、列表索引、切片索引、布尔数组索引及可调用函数索引。通过具体代码示例演示如何精准提取行、列及子集数据，帮助开发者掌握高效的数据筛选技巧。
