pandas

大家好，在数据分析圈子里摸爬滚打这么多年，最近大家见面打招呼的方式都变了。 以前是“你用 Pandas 处理那个 csv 了吗？”，现在变成了“你还没用 Polars 吗？那速度快得飞起！” 确实，在

时间序列数据是数据分析中经常遇到的类型，为了更多的挖掘出数据内部的信息，我们常常依据原始数据中的时间周期，将其转换成不同跨度的周期，然后再看数据是否会在新的周期上产生新的特性。 下面以模拟的K线数据为

最近在做交易数据的统计分析时，多次用到数据行之间的一些操作，对于其中的细节，简单做了个笔记。 1. shfit函数 shift函数在策略回测代码中经常出现，计算交易信号，持仓信号以及资金曲线时都有涉及

Numpy其实是最早的处理数据的Python库，它的核心ndarray对象，是一个高效的n维数组结构。 通过这个库，可以高效的完成向量和矩阵运算，由于其出色的性能，很多其他的数据分析，科学计算或者机器

在数据分析相关的工作中，Pandas无疑是一个强大的工具，它的易用性和灵活性广受青睐。然而，随着数据量的不断增长和计算需求的日益复杂，Pandas代码的性能问题也逐渐浮出水面。如何让Pandas代码运

我们在使用pandas处理完数据之后，最终总是要把数据作为一个文件保存下来，那么，保存数据最常用的文件是什么呢？我想大部分人一定会选择csv或者excel。 刚接触数据分析时，我也是这么选择的，不过，

Pandas无疑是我们数据分析时一个不可或缺的工具，它以其强大的数据处理能力、灵活的数据结构以及易于上手的API赢得了广大数据分析师和机器学习工程师的喜爱。 然而，随着数据量的不断增长，如何高效、合理

pandas的DataFrame可以通过设置参数使得在jupyter notebook中显示的更加美观，但是，将DataFrame的数据导出excel时，却只能以默认最朴素的方式将数据写入excel。

一般来说，我们先用pandas分析数据，然后用matplotlib之类的可视化库来显示分析结果。而pandas库中有一个强大的工具--plot函数，可以使数据可视化变得简单而高效。 1. plot 函

pandas中的cut函数可将一维数据按照给定的区间进行分组，并为每个值分配对应的标签。其主要功能是将连续的数值数据转化为离散的分组数据，方便进行分析和统计。 数据准备 下面的示例中使用的数据采集自王

处理大量数据时，经常需要对数据进行分组和汇总，groupby为我们提供了一种简洁、高效的方式来实现这些操作，从而简化了数据分析的流程。 分组聚合是什么 分组是指根据一个或多个列的值将数据分成多个组，每

数据过滤在数据分析过程中具有极其重要的地位，因为在真实世界的数据集中，往往存在重复、缺失或异常的数据。pandas提供的数据过滤功能可以帮助我们轻松地识别和处理这些问题数据，从而确保数据的质量和准确性

pandas的DataFrame功能强大自不必说，它可以帮助我们极大的提高统计分析的效率。 不过，使用DataFrame开发我们的分析程序的时候，经常需要打印出DataFrame的内容，以验证和调试数

使用 pandas 进行数据分析时，第一步就是读取文件。在平时学习和练习的过程中，用到的数据量不会太大，所以读取文件的步骤往往会被我们忽视。 然而，在实际场景中，面对十万，百万级别的数据量是家常便饭，

数据分析早已成为投资决策的关键工具，而Python，作为一种功能强大的编程语言，为金融分析提供了无限可能。 之前介绍了一些Python中常用的数据分析库，比如pandas，numpy等等，本文将实战演

数据读取是第一步，只有成功加载数据之后，后续的操作才有可能。 pandas可以读取和导入各种数据格式的数据，如CSV，Excel，JSON，SQL，HTML等，不需要手动编写复杂的读取代码。 1. 各

在进行统计分析时，pandas提供了多种工具来帮助我们理解数据。pandas提供了多个聚合函数，其中包括均值、标准差、最大值、最小值等等。此外，pandas还可以进行基于列的统计分析，例如通过grou

数据类型是计算机编程中将不同类型的数据值分类和定义的方式。 通过数据类型，可以确定数据的存储方式和内存占用量，了解不同类型的数据进行各种运算的能力。 使用pandas进行数据分析时，最常用到的几种类型

pandas 作为一种常用的数据分析工具，提供了广泛的数据修改方法。 既可以针对行或者列的数据进行修改，也可以对具体单个元素进行修改，还可以基于条件选择要修改的行或者列的数据。 1. 增加数据 1.1

pandas的数据排序可以帮助我们更好地理解和分析数据。 通过对数据进行排序，我们可以提取出特定的信息，例如最大值、最小值、中位数、众数等等，从而更准确地识别数据的特征和特点。 此外，数据排序还可以帮