pandas

pandas进行数据整理的意义在于，它是数据分析、数据科学和机器学习的前置步骤。 通过数据整理可以提前了解数据的概要，缺失值、重复值等情况，为后续的分析和建模提供更为可靠的数据基础。 本篇主要介绍利用

在pandas中，索引（index）是用于访问数据的关键。它为数据提供了基于标签的访问能力，类似于字典，可以根据标签查找和访问数据。 而pandas的轴（axis）是指数据表中的一个维度，可以理解为表

pandas的数据检索功能是其最基础也是最重要的功能之一。 pandas中最常用的几种数据过滤方式如下： 行列过滤：选取指定的行或者列 条件过滤：对列的数据设置过滤条件 函数过滤：通过函数设置更加复杂

数据集拆分是将一个大型的数据集拆分为多个较小的数据集，可以让数据更加清晰易懂，也方便对单个数据集进行分析和处理。 同时，分开的数据集也可以分别应用不同的数据分析方法进行处理，更加高效和专业。 数据集合

时间序列数据是数据分析中一类常见且重要的数据。 它们按照时间顺序记录，通常是从某些现象的观察中收集的，比如经济指标、气象数据、股票价格、销售数据等等。 时间序列数据的特点是有规律地随着时间变化而变化，

最近github上发现了一个库（plottable），可以用简单的方式就设置出花哨的 DataFrame 样式。 github上的地址：https://github.com/znstrider/plo

上一篇介绍了DataFrame的显示参数，主要是对DataFrame中值进行调整。 本篇介绍DataFrame的显示样式的调整，显示样式主要是对表格本身的调整，比如颜色，通过颜色可以突出显示重要的值，

我们在jupyter notebook中使用pandas显示DataFrame的数据时，由于屏幕大小，或者数据量大小的原因，常常会觉得显示出来的表格不是特别符合预期。 这时，就需要调整pandas显示

category类型在pandas基础系列中有一篇介绍数据类型的文章中已经介绍过。category类型并不是python中的类型，是pandas特有的类型。 category类型的优势那篇文章已经介绍

这次介绍的小技巧不是统计，而是把统计结果作为新列和原来的数据放在一起。pandas的各种统计功能之前已经介绍了不少，但是每次都是统计结果归统计结果，原始数据归原始数据，没有把它们合并在一个数据集中来观

所谓数据转置，就是是将原始数据表格沿着对角线翻折，使原来的行变成新的列，原来的列变成新的行，从而更方便地进行数据分析和处理。 pandas中DataFrame的转置非常简单，每个DataFrame对象

日期处理相关内容之前pandas基础系列中有一篇专门介绍过，本篇补充两个常用的技巧。 1. 多列合并为日期 当收集来的数据中，年月日等信息分散在多个列时，往往需要先合并成日期类型，然后才能做分析处理。

映射列值是指将一个列中的某些特定值映射为另外一些值，常用于数据清洗和转换。 使用映射列值的场景有很多，以下是几种常见的场景： 将字符串类型的列中的某些值映射为数字。例如，将“男”和“女”分别映射为 0

字符串转数字的用途和场景很多，其中主要包括以下几个方面： 数据清洗：在进行数据处理时，经常会遇到一些数据类型不匹配的问题，比如某些列中的字符串类型被误认为是数字类型，此时需要将这些字符串类型转换为数字

在实际应用中，数据集中经常会存在缺失值，也就是某些数据项的值并未填充或者填充不完整。缺失值的存在可能会对后续的数据分析和建模产生影响，因此需要进行处理。 pandas提供了多种方法来处理缺失值，例如删

拆分列是pandas中常用的一种数据操作，它可以将一个包含多个值的列按照指定的规则拆分成多个新列，方便进行后续的分析和处理。拆分列的使用场景比较广泛，以下是一些常见的应用场景： 处理日期数据：在日期数

反转pandas DataFrame的行列顺序是一种非常实用的操作。在实际应用中，当我们需要对数据进行排列或者排序时，通常会使用到Pandas的行列反转功能。这个过程可以帮助我们更好地理解数据集，发现

重命名 pandas 数据中列的名称是一种常见的数据预处理任务。这通常是因为原始数据中的列名称可能不够清晰或准确。例如，列名可能包含空格、大写字母、特殊字符或拼写错误。 使用 pandas 的 ren

本篇介绍的是pandas选择列数据的一个小技巧。之前已经介绍了很多选择列数据的方式，比如loc，iloc函数，按列名称选择，按条件选择等等。 这次介绍的是按照列的数据类型来选择列，按类型选择列可以帮助

在 pandas 中，如果遇到数据量特别大的情况，随机挑选 DataFrame 的子集可以帮助我们更深入地了解数据，从而更好地进行数据分析和决策。 随机挑选子集的用途主要有： 评估数据质量：随机挑选