Pandas DataFrame 数据增删改查实战指南
本文详细介绍 Python 中 Pandas DataFrame 的增删改查操作。涵盖按列/行添加数据、使用 loc/iloc 选取指定行列、修改标题与数值以及删除行/列的常用方法，并解析 inplace 参数对数据修改的影响，帮助开发者高效处理结构化数据。
2026-10-16
10
本文详细介绍 Python 中 Pandas DataFrame 的增删改查操作。涵盖按列/行添加数据、使用 loc/iloc 选取指定行列、修改标题与数值以及删除行/列的常用方法，并解析 inplace 参数对数据修改的影响，帮助开发者高效处理结构化数据。
本文详解Pandas中groupby函数的核心用法，通过电商行为数据实例，演示如何按用户或商品分组统计浏览量与购买量。重点讲解利用Series除法计算商品转化率、处理缺失值（NaN）及排序提取Top N商品的方法，帮助读者快速掌握分组聚合技巧。
本文介绍Python中查看数据类型的常用方法，涵盖Numpy数组与Pandas数据框的类型判断。重点解析bytes、bytearray与string的区别，演示数字、ASCII及汉字在bytes类型下的创建、转换、切片与迭代操作，帮助开发者准确处理二进制数据。
本文详细介绍使用Python的pandas和matplotlib库读取Excel文件并绘制折线图的完整流程。涵盖从环境配置、库安装到代码实现的每一步，重点解析数据读取、绘图参数设置（如颜色、标记、线宽）及图表美化技巧，帮助开发者快速掌握数据可视化基础。
本文介绍如何使用Python的pandas库将宽表转换为窄表。通过pd.melt函数重塑数据结构，并结合dropna处理空值，最终导出为Excel文件。该方法简化了数据分析流程，提升了办公效率。
本文详细介绍Python中Pandas库的两种核心排序方法：sort_index用于按索引或列名排序，sort_values用于按数值大小排序。涵盖单列与多列排序、升降序控制、inplace参数应用及缺失值处理策略，帮助开发者高效完成数据整理任务。
本文介绍了五个使用Python进行数据清理的实用脚本，涵盖从PDF提取表格、合并多个CSV文件、删除重复行、拆分列以及合并不同数据集等常见场景。通过Pandas库实现自动化处理，显著提升机器学习前的数据准备效率，适用于Tableau等可视化工具及各类模型训练前的数据预处理环节。
本文深入解析Python Pandas库中query函数的核心用法。涵盖基础值匹配、数学表达式运算、变量引用（@符号）、列表包含（in）及多条件逻辑组合（&和|）。通过具体代码示例展示如何处理含空格列名及筛选后列选取，帮助开发者实现更简洁高效的数据过滤操作。
本文详细介绍Python pandas库中apply函数的使用方法。涵盖其基本语法、axis参数对行列处理的影响，以及result_type等高级选项。通过DataFrame和Series的实际案例，演示如何结合lambda表达式、自定义函数及args/kwargs参数进行批量数据处理，帮助开发者高效实现数据转换与聚合。
本文介绍如何使用Python对月饼电商数据进行清洗与可视化分析。通过Pandas处理价格、销量及店铺信息，利用Pyecharts生成销量Top10店铺与商品柱状图、不同价格区间销量占比饼图以及各省销量分布地图，帮助直观了解市场趋势与热门产品。
本文详细介绍Python中Pandas库的核心数据结构Series和DataFrame。通过具体代码示例，演示如何利用标量、字典、Ndarray等数据源创建Series，以及如何基于字典、Series和二维数组构建DataFrame，帮助开发者快速掌握Pandas基础操作。
本文介绍如何使用Python的Pandas库读取和写入.xlsx格式文件。通过示例演示了如何指定Sheet名、表头及读取特定列，并展示了如何修改Excel数据后保存为新文件，确保原始数据不受影响。
