本文详解 Python 中的探索性数据分析（EDA）流程。通过 Pandas 的 describe() 和 value_counts() 快速获取数据分布与分类计数，利用 matplotlib 绘制箱线图识别异常值。进一步使用 groupby 进行分组统计，结合 scipy 的 f_oneway() 执行 ANOVA 方差分析，并通过 Pearson 相关系数评估变量间的相关性，帮助数据分析师深入理解数据特征与变量关系。
本文详细介绍pandas库中DataFrame.set_index方法的具体使用。涵盖key、drop、append、inplace及verify_integrity等核心参数的含义与配置，通过实例演示如何指定单列或多列作为索引，以及如何构建多级索引和原地修改数据框，帮助开发者高效处理数据索引。
本文详细介绍pandas中DataFrame.fillna()函数的具体用法。涵盖value、method、axis、inplace及limit等核心参数的配置，通过标量、字典填充及ffill/bfill前后向填充的实例，演示如何处理数据中的NaN值，帮助开发者高效完成数据清洗任务。
本文介绍pandas中round方法的使用，包括如何对数据框进行四舍五入保留指定小数位数。通过传入整数统一所有列精度，或传入字典对指定列分别设置精度，实现灵活的数据处理。
本文详细介绍Python pandas中处理缺失值的三种核心方法：删除含缺失值的样本或特征列，以及使用具体数值或前后值进行填充。通过dropna、drop和fillna函数的参数详解与代码示例，帮助开发者快速掌握数据清洗技巧。
本文详解Python Pandas中dropna()方法删除特定行与列的参数用法，包括axis、how、thresh和subset。针对仅基于单列缺失值删除行的需求，提供通过fillna填充后索引定位删除的替代方案，帮助精准过滤数据。
本文深入解析pandas库中df.iloc[]索引器的核心用法。与df.loc[]基于标签不同，iloc[]严格依据数据在DataFrame中的位置坐标进行提取。文章详细说明了其支持的参数类型，包括整数、列表及切片操作，并通过具体代码示例展示了如何获取特定单元格、整行数据、子集以及实现行列倒序排列，帮助开发者高效进行数据筛选与处理。
![详解pandas df.iloc[]的典型用法](https://img.ipython.cn/uploads/20261011/821c952ae711dd8c5611eff150a7b7f5.webp)
本文详细介绍 pandas 中 DataFrame.sample() 函数的用法，涵盖 n、axis、weights 和 frac 等关键参数。通过具体代码示例演示如何随机获取行、列、指定数量或按比例抽样，帮助开发者快速掌握数据随机采样技巧。
本文详细介绍pandas中DataFrame.rename()方法的使用。该方法用于更改行列标签（索引），支持传入字典或函数。文章解析了mapper、index、columns、axis、copy、inplace、level及errors等关键参数，并通过代码示例演示了如何修改行索引、列名以及处理多层索引和错误情况。
本文介绍在pandas中修改DataFrame列名的两种主要方法：直接重新赋值columns属性和使用rename方法。重点解析rename方法中inplace参数的作用，演示未使用与使用该参数时的结果差异，并展示如何指定修改特定列名。
本文详细介绍如何利用Python的Pandas库高效读写Excel文件。涵盖read_excel函数的核心参数如sheet_name、header、usecols及skiprows的使用方法，演示ExcelFile类对多Sheet的高效读取。同时讲解to_excel写入逻辑，包括自动创建文件、覆盖数据及关闭文件的注意事项，并通过ExcelWriter实现多Sheet一次写入及追加模式操作，提供完整代码示例。
本文详解Pandas中固定时间点（Timestamp）与时长（Timedelta）对象的创建、属性访问及常用方法。涵盖通过字符串、数字及偏移量构建时间对象，提取年月日等丰富属性，处理缺失值NaT，以及利用dt访问器操作时间序列。同时介绍时间差的计算、Timedelta的多种构造方式及时长运算，帮助掌握Pandas核心时间数据处理技巧。
