pandas 获取季度,月度,年度首尾日期的方法
本文介绍利用 pandas 库实现类似 SQL 中 dateadd 和 datesub 功能的日期处理方法。通过 DateOffset 对象，可分别计算当月、当季及当年的第一天与最后一天，并演示如何获取昨日日期、星期几以及生成自定义频率的时间序列。
2026-10-13
7
本文介绍利用 pandas 库实现类似 SQL 中 dateadd 和 datesub 功能的日期处理方法。通过 DateOffset 对象，可分别计算当月、当季及当年的第一天与最后一天，并演示如何获取昨日日期、星期几以及生成自定义频率的时间序列。
本文介绍如何使用pandas库将包含日期字符串的Series转换为表示星期几的Series。主要步骤包括利用pd.to_datetime将字符串序列转换为datetime格式，随后通过weekday()方法提取每个日期的星期信息，实现从日期字符串到星期几的高效转换。
本文介绍在pandas中将object类型数据转换为datetime时间类型的方法，并通过示例展示如何从转换后的时间对象中提取年份信息。通过pd.to_datetime函数指定格式，结合列表推导式遍历提取年份，适用于数据清洗和时间序列分析场景。
本文深入解析 pandas 中 DataFrame 的五种核心查询方法：方括号切片、loc、iloc、at 和 iat，并简要提及已弃用的 ix。重点对比各方法在行/列选择、索引与位置定位、单元素访问及赋值安全性的差异，帮助开发者避免 SettingWithCopyWarning 并提升代码执行效率。
针对Pandas处理亿行级大文件时内存溢出的问题，本文介绍了一种通过String中间格式降低内存占用的策略。虽然Pandas官方提供了to_string方法，但未直接提供反向转换。通过利用StringIO将字符串数据封装为文件对象，再配合read_csv函数，即可高效地将String还原为DataFrame，从而规避pickle保存时的额外内存开销。
本文介绍Python中利用Pandas库将DataFrame转换为Matrix的方法。通过示例展示如何创建DataFrame，并使用.values和as_matrix(columns=None)属性提取底层矩阵数据，供开发者参考。
本文详解Python Pandas中DataFrame的行列选择与切片方法。对比loc、iloc、at、iat及ix函数的用法，说明基于标签与位置索引的区别。通过实例展示正确与错误的代码写法，总结各方法的适用场景及常见错误，帮助开发者高效进行数据筛选。
本文介绍如何使用Python和Pandas库，将包含“类别：内容”格式的纯文本文件转换为结构化的DataFrame表格。通过遍历文件行、利用冒号分割键值对并构建字典，最终生成包含指定列名的DataFrame对象，实现从非结构化数据到表格数据的便捷转换。
本文详解Pandas中map、apply和applymap三个函数的区别。apply用于对Series或DataFrame的行/列应用函数；applymap专门针对DataFrame的每个元素执行操作；map则用于Series元素的逐元素转换。通过具体代码示例，帮助开发者准确选择合适的方法进行数据处理。
本文详细解析pandas库中apply函数的核心用法。该函数支持对DataFrame对象进行灵活操作，既可按行或按列处理元素，也能针对单个元素执行自定义逻辑。通过具体示例展示列元素、行元素及整体列/行的应用方式，帮助开发者掌握高效的数据处理技巧。
本文介绍在pandas中如何将DataFrame转换为Series，以及利用astype方法结合numpy模块修改列中值的数据类型。通过具体代码示例展示了创建Series时指定索引的技巧，以及使用np.int64等类型参数进行数据格式转换的实际操作，适用于需要处理数据格式的场景。
本文介绍在pandas中一次性删除DataFrame多个列的方法。通过对比使用index直接删除的错误尝试，引出利用df.drop结合df.columns索引的正确做法，演示如何指定axis=1并应用inplace=True参数，确保输出结果符合预期，帮助开发者避免常见误区。