Python groupby结合apply与lambda实现分组极值筛选
本文介绍如何利用Python pandas库的groupby函数，结合apply和lambda表达式，从分组数据中筛选出每组最大值与最小值所在的行。通过具体代码示例，演示如何处理多级索引并导出结果至Excel，解决直接使用groupby无法直接获取极值行的问题。
2026-10-12
6
本文介绍如何利用Python pandas库的groupby函数，结合apply和lambda表达式，从分组数据中筛选出每组最大值与最小值所在的行。通过具体代码示例，演示如何处理多级索引并导出结果至Excel，解决直接使用groupby无法直接获取极值行的问题。
本文详细介绍四种Python数据可视化图表的实现方法。首先展示如何绘制发散型柱状图以对比指标差异；其次演示带误差阴影的时间序列图，用于展示数据波动范围；接着讲解双坐标系时间序列图的绘制技巧，实现双变量同图展示；最后介绍金字塔图的构建，适用于漏斗模型或分组差异分析。
本文详细介绍Pandas库中df.fillna()函数的使用方法，涵盖固定值填充、前后向填充（ffill/bfill）及基于统计量的填充策略。通过具体代码示例解析value、method、inplace等关键参数的应用，并对比df.replace()替代方案，帮助开发者高效处理数据中的缺失值。
本文介绍Pandas中df.shape属性的使用方法，用于获取Dataframe的行数和列数。df.shape返回一个元组，第一个元素为行数，第二个为列数。通过示例代码展示如何提取具体行列数值，并说明Series对象的shape特性。
本文详解如何使用Python实现邮件自动下载功能。通过对比SMTP、POP3和IMAP协议，重点讲解基于IMAP协议的邮件登录与解析。代码示例展示了如何提取邮件主题、下载附件至指定路径，并解析HTML正文保存为文本文件，同时提及利用Pandas处理表格附件，提供完整的类封装与运行逻辑。
本文详解pandas中处理重复数据的两个核心方法：duplicated()与drop_duplicates()。通过DataFrame、Series及Index三种对象的示例，解析subset与keep参数的具体行为，并演示如何根据品牌或全部列识别重复项，以及如何直接删除重复数据以完成数据清洗。
本文系统梳理Python数学建模核心知识，详解预测、优化、评价三大模型及十大常用算法。结合Pandas库实战，演示CSV/Excel读取、Series与DataFrame数据结构操作，涵盖单值、批量、区间及条件查询技巧，并解决数据类型转换等常见报错，助力掌握建模与数据处理全流程。
本文介绍如何利用Python的pandas库读取CSV文件数据，并结合matplotlib进行基础绘图。重点演示使用seaborn库绘制Pearson相关系数热力图，详细解析data.corr()计算相关性、sns.heatmap()绘制图表及annot参数控制数值显示的方法，同时说明对空值np.nan的支持情况。
本文总结Python接口自动化测试中三种主流用例数据读取方法：xlrd、pandas和yaml。通过注册接口示例，详细解析各库的代码实现与优缺点。xlrd适合小规模数据，pandas擅长处理大型表格，而yaml凭借高可读性和模块隔离性成为复杂场景优选。文章提供完整代码片段及注意事项，帮助测试人员根据项目规模选择最佳方案。
本文深入解析pandas中pd.concat()函数的核心用法，详细讲解objs、axis、join等关键参数的含义与区别。通过上下堆叠与左右拼接两个实战案例，展示如何灵活处理Dataframe和Series的合并操作，帮助开发者掌握高效的数据合并技巧。
本文详解pandas读取Excel时的常见陷阱，重点解析converters参数用于强制类型转换（如学号转字符串）以解决空值问题，以及usecols参数的三种用法：列表指定列名、numpy切片区间及字母范围切片。强调sheet_name需显式指定，提供完整代码示例与注意事项。
本文深入解析Pandas中数据类型的转换方法。重点介绍使用astype进行基础类型转换，以及处理含缺失值数据时to_numeric函数的errors和downcast参数应用。同时讲解Categorical分类数据的创建、排序及CategoricalDtype自定义顺序排序的高级技巧，帮助开发者高效处理数据清洗与类型优化问题。
