数据清洗进阶 🧼

  • 使用 dropna() 时可通过 subset 参数指定特定列
  • fillna() 支持复杂填充策略（如前向填充、插值等）
  • to_datetime() 可处理多种日期格式转换
  • replace() 支持正则表达式替换：df.replace({'列名': {'旧值': '新值'}}, regex=True)
数据清洗_示例

数据聚合技巧 📊

  • groupby() 支持多级分组：df.groupby(['列1', '列2'])
  • agg() 可自定义聚合函数：df.agg({'数值列': 'mean'})
  • pivot_table() 适用于复杂数据透视需求
  • resample() 实现时间序列数据重采样
数据聚合_方法

时间序列处理 📅

  • DatetimeIndex 支持日期范围生成：pd.date_range(start, end)
  • asfreq() 可转换时间频率：df.asfreq('D')
  • rolling() 实现滚动窗口计算：df.rolling(window=3).mean()
  • shift() 用于时间序列滞后分析
时间序列_处理

性能优化秘籍 ⚡

  • 使用 categorical 类型提升内存效率
  • query() 方法加速复杂筛选
  • join() 支持多表连接优化
  • cache() 实现计算结果缓存
性能优化_技巧

需要了解更多基础操作？点击这里前往Pandas入门指南 🚀