前言
pandas是python的乙個資料分析庫，提供如dataframe等十分容易操作的資料結構，是近年做資料分析時不可或缺的工具之一。
但是pandas知識點繁多，同乙個操作可以用多種不同的方法實現，再加上網上滿坑滿谷的教學資料，質量參差不齊，導致很多初學者常常看完後不知所云，且很快就忘掉了。本系列正是從這點出發，將60個常用的pandas知識點由淺入深地分成4大類別：pandas基礎理論、三類操作（分組、變形、合併）、四類資料（缺失資料、文字資料、分類資料、時序資料）、綜合例子（帶你再次完整走一遍前面所有操作）。保證你看完後足以應付日常90%的情景。
廢話不多說啦，讓我們開始這趟pandas旅程吧！
文末放上**
時間資料是我們經常碰到的一類時間，相比python的datetime模組，pandas的時間資料型別更加豐富，搭配series、dataframe使用更加方便。
pandas一共有四類時間資料：
date times：和python datetime package下的datetime object類似，包含日期和時間
time deltas：和python datetime package下的timedelta object類似。絕對時間差
date offsets：相對時間差。當不包含時區的時候，和timedelta一樣
time spans：代表一段時間範圍
to_datetime：一次性建立乙個
data_range：一次性建立多個
date_range的freq引數選項：
timedelta絕對時間差，指無論是冬令時還是夏令時，增減1day都只計算24小時。有些地方施行夏令時、冬令時，一天不是24小時。dataoffset相對時間差，指無論一天是232425小時，增減1day都與當天相同的時間保持一致。
例如，英國當地時間 2023年03月29日，01:00:00 時鐘向前調整 1 小時 變為 2023年03月29日，02:00:00，開始夏令時
代表一段時間，兩種建立方法。第一行**代表20121月1日這一天，是乙個時間段。第二行代表12個月，12個時間段。
時間資料的索引和其他資料型別的索引是一樣的。只是時間資料會做更多優化，對於你傳進來的字串，它會盡可能轉化成時間。所以下面幾種索引方式都是可行的。
還可以通過屬性的方式，獲取當前日期的年、月、星期、天等資訊
所謂重取樣，就是指resample函式，它可以看做時序版本的groupby函式。大家可以參考我之前關於groupby的文章：
視窗函式也是類似於groupby，只不過groupby是根據條件進行聚合，視窗函式是根據劃定的視窗大小，對在這個視窗範圍內的資料進行聚合。都需要配合聚合函式才能計算結果。count/sum/mean/median/min/max/std/var/skew/kurt/quantile/cov/corr都是常用的聚合函式。
使用rolling函式，window代表視窗大小，若資料量小於這個數，就會被置為nan。可以通過min_periods來修改置為nan的閾值
基於時間的rolling
expanding函式等價與rolling(window=len(s),min_periods=1)
cumsum/cumprod/cummax/cummin是特殊expanding累計計算方法
**位址
參考
python for data analysiswes mckinney著
pandas cookbooktheodore petrou著
XP系統的Python3 4 4安裝pandas
要使用tushare庫，但這個庫需要其他庫的支援，如lxml和pandas 前幾個庫還好，pandas在pip的時候總是出現紅字報錯，歸結原因差不多是說你當前的系統 目前安裝的python版本和pip下來的這個pandas安裝包不相容。首先切換目錄 cd c python34 scriptspyth...
詭異的Group by函式
select 表2.name,count id 管理員from 表2 where 表2.name in select name from 表1 group by 表2.name 使用上面這個語句sql通常會報錯 訊息 8120，級別 16，狀態 1，第 1 行 列 表2.管理員 在選擇列表中無效，因...
group by 方法的使用
有時候，你也許需要將乙個陣列中的元素根據某種規則進行分組。那麼group by方法就是很好的選擇。先來看下面的例子 a 1.20 to a 1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20 a.group by 0,1,2,3,4 1,5,6,7,...