详解pandas.DataFrame中删除包含特定字符串所在的行
本文介绍在pandas中如何高效删除DataFrame中包含特定字符串的行。通过示例演示利用str.contains()结合逻辑取反或query()方法，快速筛选并剔除含有固定字符的数据行，适用于数据预处理与清洗场景。
2026-10-13
7
本文介绍在pandas中如何高效删除DataFrame中包含特定字符串的行。通过示例演示利用str.contains()结合逻辑取反或query()方法，快速筛选并剔除含有固定字符的数据行，适用于数据预处理与清洗场景。
本文详细介绍利用Python3对拉勾网招聘数据进行可视化分析的全过程。从数据清洗、薪资区间预处理到使用jieba进行中文分词，最终通过环状图、柱状图及词云图展示学历、经验与职位要求的分布特征，为数据分析师岗位提供直观的数据洞察。
本文介绍如何使用pandas将多个DataFrame写入Excel的不同Sheet。重点指出常见错误：误用ExcelFile导致文件保存路径问题，并解析源码揭示其基于xlrd的实现机制。通过正确使用ExcelWriter可避免文件丢失，确保数据持久化。
本文详细介绍如何使用Python的Pandas库绘制移动平均线。通过读取数据文件，利用rolling_mean函数计算指定周期的移动平均值，并结合Matplotlib进行可视化展示。文章包含完整代码示例及运行方法，适合希望掌握金融数据分析或时间序列处理的用户参考。
本文介绍如何在Python Pandas中使用fillna方法结合ffill参数实现DataFrame的向下填充，以及使用bfill进行向上填充。通过构建包含姓名、日期和房产数量的示例数据，演示如何将稀疏数据转换为连续时间序列，并处理缺失值，适用于需要基于最近已知值进行数据补全的场景。
本文介绍在Python中使用Pandas库处理DataFrame时，如何高效重置或修改列名。通过两个实例演示了使用rename方法结合inplace参数，以及直接对columns属性进行赋值这两种常用操作，帮助开发者快速掌握数据预处理中的关键技巧。
本文详解如何在 Pandas DataFrame 中检测列是否存在空值，并通过 isnull() 与 any() 组合返回 Series 结果。介绍将检测结果转化为 DataFrame 以筛选非空列的方法，以及针对特定列如 nkill 提取含空值记录的技巧。最后演示使用 fillna() 进行原地填充，支持指定数值或统计量（如中位数），并强调 inplace=True 参数对原数据直接修改的作用。
本文详细介绍在 Python 中导入 CSV 文件的三种常用方法。首先通过标准库 csv 结合 NumPy 数组处理基础数据；其次利用 NumPy 的 loadtxt 函数处理无表头且类型统一的数据；最后重点推荐 Pandas 库的 read_csv 函数，因其返回 DataFrame 结构，便于后续数据清洗与机器学习建模，是实际开发中的首选方案。
本文介绍在Python数据挖掘中，如何利用Pandas库将出生日期Series转换为年龄。通过pd.to_datetime格式化日期，结合datetime获取当前年份并相减，生成age特征变量，有效降低数据维度并提升算法训练效果。
Python 3.x 已不再支持 MySQLdb，推荐使用 PyMySQL 库进行数据库交互。本文介绍了通过 pip3 install PyMySQL 安装库的方法，并展示了利用 pymysql 建立连接、执行 SQL 查询并将结果转换为 Pandas DataFrame 的完整代码示例，解决 No module named 'MySQLdb' 报错问题。
本文详解Python中离散变量One-Hot编码的两种主流实现方式。通过对比pandas的get_dummies与sklearn的LabelEncoder结合OneHotEncoder，解析字符串与数值型变量的处理差异。文章包含具体代码示例，展示从数据导入、特征查看到编码生成的完整流程，帮助开发者根据数据类型选择合适方案。
本文介绍在pandas中利用get_dummies函数对离散特征进行one-hot编码的方法。针对无序分类特征如颜色，可直接使用get_dummies生成独热向量；针对有序特征如尺码，则建议先通过字典映射转换为数值。文章提供了具体的DataFrame构建、映射及编码代码示例，帮助开发者高效完成数据预处理。
