Python数据库查询：cur.fetchall与cur.fetchone提取及统计处理
本文详解Python中pymysql库的cur.fetchall与cur.fetchone方法。通过连接MySQL数据库，演示如何提取数据并利用pandas进行分组统计、映射编码、排序及格式转换，最终输出前端所需JSON格式。同时对比fetchone在单行查询中的应用，提供完整的代码示例与结果分析。
2026-10-12
7
本文详解Python中pymysql库的cur.fetchall与cur.fetchone方法。通过连接MySQL数据库，演示如何提取数据并利用pandas进行分组统计、映射编码、排序及格式转换，最终输出前端所需JSON格式。同时对比fetchone在单行查询中的应用，提供完整的代码示例与结果分析。
本文详细解析在Python Pandas中将包含列表的列拆分为多行的多种实现方法。通过对比apply、repeat、reindex及numpy组合等方案的性能与适用场景，帮助开发者选择最高效的数据处理策略。
在数据处理中，将 DataFrame 某一列的数据向下顺移一位是常见需求。直接通过 loc 赋值或使用循环替换不仅容易报错，且处理大量数据时效率极低。本文介绍利用 Pandas 内置的 shift 方法，以及通过 Numpy 数组切片转换实现高效顺移的正确方案，解决首行变为 NaN 的问题。
本文介绍如何使用 Python 的 Plotly 库绘制交互式饼状图。通过 Pandas 读取 CSV 数据，统计禁投池中 ST、指数成分股、退市及次新股等分类数量，并利用 go.Pie 生成可视化图表。文章涵盖数据预处理、标签映射及绘图参数配置，帮助开发者快速实现金融数据的直观展示。
本文详解 Python pandas 中自定义函数的应用，包括 apply、applymap 及 lambda 表达式。涵盖数据排序、多层索引重构、多表连接（内/外/左右连接）、数据合并及分组聚合（groupby、agg、transform）等核心操作，提供完整代码示例与逻辑解析。
本文详细介绍如何利用Python pandas库中的date_range函数生成指定频率的时间序列索引。通过设置start、end、periods及freq参数，可轻松创建日、小时、特定间隔甚至不规则频率（如每月第一个工作日）的DatetimeIndex，适用于数据清洗与时间序列分析场景。
本文介绍如何使用Python将多个结构一致的Excel文件进行横向合并。通过读取第一列作为索引，利用glob获取文件列表，并结合pandas与xlrd库提取数据，最终将所有工作表按列拼接为一个新文件。适用于月度数据分析等场景，提供完整代码示例及注意事项。
本文介绍在 Python 中将 DataFrame 转换为多维矩阵的方法。通过导入 pandas 和 numpy 库，创建示例 DataFrame，并使用 values 属性获取其多维矩阵表示。
本文详解Pandas在数据处理中的核心操作，涵盖缺失值（NaN）的检测与填充策略、基于多键的表关联合并（Merge）与纵向拼接（Concat），以及利用透视表进行多维统计。通过具体代码示例，展示如何高效完成数据清洗、多表关联及报表生成，解决日常数据分析中的常见痛点。
通过完整实战案例学习使用Python实现Excel自动化办公，包括读取Excel、批量处理数据、计算汇总、设置格式、生成报表以及批量处理多个工作簿，并说明常见问题和适用边界。
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。
