pandas 给 dataframe 添加列名的两种方法
本文介绍了在 Python 的 Pandas 库中为 DataFrame 添加列名的两种常用方法。第一种是在创建 DataFrame 时通过 columns 参数直接指定；第二种是先创建无列名的 DataFrame，再使用 columns 属性进行赋值。文章提供了具体的代码示例和运行结果，帮助开发者快速掌握相关操作技巧。
2026-10-15
9
本文介绍了在 Python 的 Pandas 库中为 DataFrame 添加列名的两种常用方法。第一种是在创建 DataFrame 时通过 columns 参数直接指定；第二种是先创建无列名的 DataFrame，再使用 columns 属性进行赋值。文章提供了具体的代码示例和运行结果，帮助开发者快速掌握相关操作技巧。
本文详解pandas库中pd.groupby()函数的用法。通过与SQL groupby对比，阐述其核心逻辑，并结合城市天气数据示例，展示如何按城市分组统计温度与风速，帮助读者掌握数据聚合技巧。
本文详细介绍Python中pandas库的pd.cut()和pd.qcut()函数在数据分箱中的应用。pd.cut用于基于指定区间的离散化，支持自定义边界和标签；pd.qcut则根据分位数生成等频箱。文章通过代码示例演示了区间开闭控制、自定义标签及精度设置等关键参数，帮助开发者掌握数据预处理中的分箱技巧。
本文详细介绍如何使用Python的pandas库通过pd.read_csv()方法读取CSV文件。内容涵盖基础读取、去除表头、自定义列名、设置索引以及指定分隔符等关键参数用法，并展示如何处理缺失数据，帮助开发者高效处理标准化数据。
本文详细介绍Python pandas库中isnull()函数的使用方法。通过创建包含缺失值的DataFrame，演示isnull()如何返回布尔值矩阵，isnull().any()如何识别含缺失值的列，以及isnull().sum()如何统计每列缺失值数量。结合代码示例与结果分析，帮助开发者快速掌握缺失值检测技巧。
本文详解 Python Pandas 中时间序列数据的处理流程。涵盖 time 模块基础操作、DatetimeIndex 的创建与索引技巧，以及如何利用 pd.to_datetime 清洗日期数据。通过杭州天气数据集实例，演示如何按月份聚合统计并绘制温度变化趋势图，帮助开发者掌握时序数据分析的核心技能。
本文详解Pandas中8个常用的set_option配置，涵盖最大行数、列数、列宽、浮点精度、数字格式化及绘图后端等设置。通过调整display相关参数，可优化交互式数据展示效果，提升数据分析效率。
本文介绍如何使用Python脚本获取百度指数数据。通过提取登录Cookie，利用自定义类解析API返回的加密数据，生成Pandas DataFrame。文章包含获取Cookie的步骤、核心代码示例、数据保存为CSV的方法，以及使用Plotly进行时间序列可视化的完整流程，帮助开发者便捷地获取并分析关键词热度趋势。
本文总结了14个使用Python Pandas库实现的Excel常用操作，涵盖关联查询、数据透视、差异对比、去重、缺失值处理、多条件筛选、模糊匹配、分类汇总、条件计算、空格去除、数据分列、异常值替换、分组统计及业务标签定义。通过具体代码示例，展示如何用Python高效完成日常数据处理任务，帮助读者巩固Python技能并提升数据处理能力。
本文介绍如何利用Python Pandas库实现Excel文件的批量拆分与合并。首先演示如何将单个大型Excel按行数等分为多个子文件，并保存至指定目录；接着展示如何遍历文件夹读取多个小Excel，通过添加来源列并使用pd.concat进行合并，最终输出包含来源标记的完整大文件。
本文详细总结Pandas中对数值变量进行分箱（离散化）的四种常用方法。通过合成学生成绩数据，演示如何使用between结合loc、pd.cut、pd.qcut以及value_counts实现不同场景下的分箱需求，包括固定区间划分、等频分箱及基于统计量的分组，并对比各方法的参数设置与结果差异。
本文记录使用 Python pyecharts 库绘制 Boxplot 箱线图的完整过程。内容涵盖从 Excel 读取数据、利用 pandas 进行分组聚合与转置处理，到构建 y_data 列表并调用 pyecharts 的 Boxplot 类生成交互式图表。文中提供了详细代码示例，包括数据清洗、循环提取及最终渲染步骤，适用于需要展示电影票房等数据统计分布的场景。
