Python pandas实战：索引设置、日期过滤与分组统计详解
本文通过解析HTML并保存CSV文件的实例，演示如何使用Python pandas进行数据预处理。重点讲解将列设为索引、转换日期类型、利用索引进行高效数据过滤，以及通过分组统计找出特定指标（如基金日增长率）下跌频率最高的月份，提供完整的代码实现与逻辑分析。
2026-10-13
6
本文通过解析HTML并保存CSV文件的实例，演示如何使用Python pandas进行数据预处理。重点讲解将列设为索引、转换日期类型、利用索引进行高效数据过滤，以及通过分组统计找出特定指标（如基金日增长率）下跌频率最高的月份，提供完整的代码实现与逻辑分析。
本文详细记录了在Linux无外网环境下安装Python库Numpy和Pandas的完整过程。针对pip下载慢的问题，推荐使用豆瓣PyPI源加速安装。若无法联网，则提供源码编译安装方案，并重点解决Cython依赖、python-dateutil版本过低及libstdc++.so.6 ABI报错等常见错误，确保环境顺利配置。
本文详细解析Python中numpy和pandas库的axis参数用法。通过具体代码实例，说明axis=0和axis=1在二维数组及DataFrame中的横纵轴操作差异，并简要介绍三维Panel数据的轴处理逻辑，帮助开发者准确进行数据计算。
本文详细介绍在pandas中如何高效过滤数据集中的特定值或范围。通过isin()方法结合逻辑非操作，可精确剔除指定列的特定数值；利用逻辑与(&)运算符，能实现多列多条件的组合过滤。同时涵盖基于数值范围的筛选技巧，帮助开发者快速完成数据清洗任务。
本文通过不到40行Python代码，详解如何构建一个简单的电影推荐系统。文章介绍了基于内容和协同过滤（用户与物品）的推荐原理，利用Pandas处理ratings.csv和movies.csv数据，通过计算皮尔逊相关系数并过滤低评分电影，实现个性化推荐。适合希望理解推荐系统底层逻辑的初学者。
本文详细介绍Python中pandas库如何高效导入Excel、CSV及SQL数据库文件，涵盖read_excel、read_csv及read_sql等核心函数的参数配置。同时系统讲解shape、info、astype、isnull、dropna、fillna、drop_duplicates等常用数据清洗与处理方法，帮助开发者快速掌握数据预处理技巧。
本文详细介绍Python3.5中Pandas模块DataFrame的用法。涵盖通过二维数组和字典创建DataFrame的方法，演示如何获取单列、单行数据，以及如何修改数据值。此外，还讲解了从CSV文件读取数据、更改列索引、筛选特定行列以及删除NaN值行的基本功能，适合Python初学者参考。
本文详细介绍Python3.5中Pandas模块Series的核心用法。涵盖通过numpy数组、字典及直接赋值创建Series的方法，演示索引与数据类型的自定义设置。深入解析Series值的获取、算术运算、缺失值检测（isnull/notnull）以及基于索引的自动对齐机制，并提供完整代码示例与运行结果分析，帮助开发者掌握Series数据结构的基础操作。
本文介绍10个Python中pandas库的高效使用技巧，涵盖数据读取、类型选择、深拷贝、映射转换、apply性能优化、值计数、缺失值处理、ID筛选、分箱及CSV导出等核心场景，帮助开发者提升数据处理效率。
本文详细介绍如何在Python中结合使用pandas和xlsxwriter库来处理.xlsx文件。通过pandas实现读取指定行数、特定行列数据、获取行列索引及将数据转换为字典；利用xlsxwriter创建新工作簿、写入单元格、行和列数据。涵盖从读取现有Excel到生成新Excel的完整操作流程，适用于需要自动化处理Excel数据场景的开发人员。
本文详解在pandas DataFrame中如何高效筛选和删除指定行。通过isin()方法传入列表或字典可实现精确匹配，同时介绍针对包含特定字符串行的处理技巧，帮助开发者快速完成数据清洗与过滤操作。
本文介绍在pandas中如何高效删除DataFrame中包含特定字符串的行。通过示例演示利用str.contains()结合逻辑取反或query()方法，快速筛选并剔除含有固定字符的数据行，适用于数据预处理与清洗场景。