利用Python进行数据分析(9) pandas基础: 汇总统计和计算 pandas 对象拥有一些常用的数学和统计方法。 例如，sum() 方法，进行列小计： sum() 方法传入 axis=1 指定

我有这样一个需求，按照'Gender'列的非重复值进行合并单元格，其他列都不变，网上都是教你合并，要把其他列进行操作。

系统：Windows 10 编辑器：JetBrains PyCharm Community Edition 2018.2.2 x64 pandas：1.1.5

系统：Windows 10 编辑器：JetBrains PyCharm Community Edition 2018.2.2 x64 pandas：1.1.5

freq：频率，bdate_range函数不带该参数时默认是'b'，即工作日。计算工作日时，这个freq固定为B或b或者不带这个参数可以

其中0.9913为初步计算得到的体彩抽水率，实际不准确，该数值仅供初步计算，之后需要根据计算所得的概率进行相应修正。

系统：Windows 11 编辑器：JetBrains PyCharm Community Edition 2018.2.2 x64

系统：Windows 11 编辑器：JetBrains PyCharm Community Edition 2018.2.2 x64

系统：Windows 10 编辑器：JetBrains PyCharm Community Edition 2018.2.2 x64 pandas：1.1.5

系统：Windows 10 编辑器：JetBrains PyCharm Community Edition 2018.2.2 x64 pandas：1.1.5

这是一个关于 pandas 从基础到进阶的练习题系列，来源于 github 上的 guipsamora/pandas_exercises 。这个项目从基础到进阶，可以检验你有多么了解 pandas。

日常处理销售相关的数据时，经常会遇到需要计算 同比、环比、定基比 的问题，计算方法是 「(当期 / 比较期 -1) * 100%」，在 Excel 中使用公式引用进行计算非常方便，其实使用 python 来做相应的计算也是非常简单的，本文就使用 python 来进行操作，计算出想要的结果。

但二者最大的不同是 pandas 是专门为处理表格和混杂数据设计的，比较契合统计分析中的表结构，而 numpy 更适合处理统一的数值数组数据。pandas数组结构有一维 Series 和二维 DataFrame 。

但二者最大的不同是 pandas 是专门为处理表格和混杂数据设计的，比较契合统计分析中的表结构，而 numpy 更适合处理统一的数值数组数据。pandas数组结构有一维 Series 和二维 DataFrame 。

1 import pandas as pd 2 import numpy as np 3 4 df = pd.DataFrame({ 5 'key1': [4, 5, 3, np.nan, 2], 6 'key2': [1, 2, np.nan, 4, 5], 7 'key3': [1, 2, 3, 'j', 'k'] 8 }, index=['a', 'b', 'c', 'd', 'e']) 9 print(df) 10 print(df['

上面的cumsum函数是逐列进行累加的，如果需要总累加，那么便可以使用apply函数。

尝试过 xlrd、xlwt、openpyxl、xlwings、pandas 来处理 Excel，如果说除了读写 Excel，还要做数据分析，还是 pandas 最好用，大多数情况下，你根本不需要把数据插入数据库，再用 SQL 去做数据分析。

尝试过 xlrd、xlwt、openpyxl、xlwings、pandas 来处理 Excel，如果说除了读写 Excel，还要做数据分析，还是 pandas 最好用，大多数情况下，你根本不需要把数据插入数据库，再用 SQL 去做数据分析。

作者 | Sanket Gupta 译者 | 王强 策划 | 刘燕 本文最初发布于 Medium 网站，经原作者授权由 InfoQ 中文站翻译并分享。 当你的数据集变得越来越大，迁移到 Spark 可以提高速度并节约时间。 多数数据科学工作流程都是从 Pandas 开始的。 Pandas 是一个很棒的库，你可以用它做各种变换，可以处理各种类型的数据，例如 CSV 或 JSON 等。我喜欢 Pandas — 我还为它做了一个名为“为什么 Pandas 是新时代的 Excel”的播客。 我仍然认为 Pandas

欢迎各位小伙伴一起继续学习，我们上期和大家简单的介绍了一下JupyterLab的使用，从今天开始我们就要正式开始pandas的学习了。我们尽量不长篇大论，争取每篇文章介绍几个知识点，主要还是需要各位小伙伴一起动手实践一下。