pandas将DataFrame的几列数据合并成为一列
本文介绍在pandas中将DataFrame多列合并为一列的两种主要方法：使用+运算符直接拼接和使用str.cat方法。重点解析str.cat函数的参数sep、na_rep和join，处理数据类型转换、缺失值填充及长度不一致时的合并策略，并提供具体代码范例。
2026-10-15
7
本文介绍在pandas中将DataFrame多列合并为一列的两种主要方法：使用+运算符直接拼接和使用str.cat方法。重点解析str.cat函数的参数sep、na_rep和join，处理数据类型转换、缺失值填充及长度不一致时的合并策略，并提供具体代码范例。
本文深入解析pandas中缺失值的三种表示形式（np.nan、None、pd.NA）及其对数据类型的影响。详细讲解isnull/isna判断、缺失率统计、基于loc的筛选方法，以及fillna填充（含ffill/bfill）、dropna删除和缺失值参与计算的逻辑，提供完整代码示例与参数说明。
本文介绍Pandas中query()函数的优雅用法，涵盖基础筛选、多条件组合、外部变量引用、多级索引处理及特殊字符列名处理。通过对比常规写法，展示query()在代码简洁性与内存效率上的优势，帮助开发者提升数据查询效率。
本文详解Python中异常值的定义及两种主流检测方法：基于正态分布的3σ原则和基于四分位距的箱型图法。通过Pandas库对啤酒数据集进行实战演练，展示如何定位并处理如abv字段中的极端离群值，提供完整的代码实现与索引定位技巧，帮助开发者掌握数据清洗核心技能。
本文详解Pandas中Lambda函数的多种应用场景，包括结合apply方法创建复杂新列、处理多条件数据筛选、解决特定数据类型转换报错，以及使用tqdm提升大数据处理时的可视化体验。通过具体代码示例，展示如何高效利用Lambda优化数据处理流程。
本文详细介绍如何利用Python的pandas、xlwings和matplotlib库，自动化处理原始销售数据并生成包含数据表与可视化图表的Excel报表。通过读取CSV数据，使用xlwings创建Excel工作簿及Dashboard工作表，利用pandas进行数据透视与分组汇总，最后通过matplotlib绘制图表并嵌入Excel，实现从数据清洗到报表输出的全流程自动化，显著提升数据处理效率。
本文详细介绍Python中Pandas库的apply函数，涵盖其函数原型、参数含义及核心用法。通过具体代码示例，演示如何对DataFrame的指定列、整体列及行进行自定义函数计算，并展示其与groupby函数结合使用的场景，帮助开发者高效处理数据。
本文详细介绍Python Pandas中访问和修改DataFrame数据的四种方法：at, iat, loc, iloc。对比标签与索引的使用场景，解析单个与批量元素操作，探讨重复标签处理及性能差异，并通过实例演示如何高效获取和更新数据。
本文详细讲解Python中使用Pandas进行数据预处理的核心步骤。通过read_csv读取数据，利用duplicated和drop_duplicates处理重复项，使用notnull筛选非空记录，并基于3σ原则（拉依达准则）识别正态分布下的异常值，为后续分析提供高质量数据基础。
本文深入解析Python中datetime模块的核心类，包括date、time、datetime、timedelta及tzinfo。详细演示如何将日期转为字符串、字符串解析为日期，以及处理Excel中常见的数值型时间格式。结合信贷催收场景，展示如何利用pandas进行数据排序与去重，提取客户最后一次通话记录，解决实际业务中的时间处理难题。
本文介绍如何使用Python结合PyQt5和pandas库，开发一个简易的桌面文档格式转换应用。该工具支持将TXT文本文件转换为CSV和Excel格式，通过图形界面实现文件读取、路径设置及格式转换功能，旨在提供无广告、轻量级的本地转换解决方案。
本文介绍Python中利用Numpy和Pandas库读取各类数据文件的方法。涵盖CSV、Excel及剪贴板数据的读取技巧，详细解析read_csv、read_excel等核心函数的参数与用法，帮助初学者快速掌握数据加载基础操作。