python/pandas数据挖掘 groupby,聚合

最新推荐文章于 2024-11-13 17:37:09 发布
转载 最新推荐文章于 2024-11-13 17:37:09 发布 · 1.2k 阅读 · 0

本文介绍Pandas库中groupby方法的使用技巧，包括基于不同类型的键进行分组、迭代分组结果、转换分组内容及应用自定义函数进行数据聚合等高级用法。

python/pandas数据挖掘（十四）-groupby,聚合，分组级运算

groupby

import pandas as pd
df = pd.DataFrame({'key1':list('aabba'),
                  'key2': ['one','two','one','two','one'],
                  'data1': np.random.randn(5),
                  'data2': np.random.randn(5)})
df
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

这里写图片描述

grouped=df['data1'].groupby(df['key1'])
grouped.mean()
  • 1
  • 2

以上的分组键均为Series，实际上分组键可以是任何长度适当的数组

states=np.array(['Ohio','California','California','Ohio','Ohio'])
years=np.array([2005,2005,2006,2005,2006])
df['data1'].groupby([states,years]).mean()
  • 1
  • 2
  • 3

这里写图片描述

df.groupby('key1').mean()
  • 1

这里写图片描述

可以看出没有key2列，因为df[‘key2’]不是数值数据，所以被从结果中移除。默认情况下，所有数值列都会被聚合，虽然有时可能被过滤为一个子集。

对分组进行迭代

for name, group in df.groupby('key1'):
        print (name)
        print (group)
  • 1
  • 2
  • 3

这里写图片描述

可以看出name就是groupby中的key1的值，group就是要输出的内容。 
同理：

for (k1,k2),group in df.groupby(['key1','key2']):
    print ('===k1,k2:')
    print (k1,k2)
    print ('===k3:')
    print (group)
  • 1
  • 2
  • 3
  • 4
  • 5

这里写图片描述

对group by后的内容进行操作，如转换成字典

piece=dict(list(df.groupby('key1')))
piece

{'a':       data1     data2 key1 key2
 0 -0.233405 -0.756316    a  one
 1 -0.232103 -0.095894    a  two
 4  1.056224  0.736629    a  one, 'b':       data1     data2 key1 key2
 2  0.200875  0.598282    b  one
 3 -1.437782  0.107547    b  two}


piece['a']
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

这里写图片描述

groupby默认是在axis=0上进行分组的，通过设置也可以在其他任何轴上进行分组.

grouped=df.groupby(df.dtypes, axis=1)
dict(list(grouped))

{dtype('float64'):       data1     data2
 0 -0.233405 -0.756316
 1 -0.232103 -0.095894
 2  0.200875  0.598282
 3 -1.437782  0.107547
 4  1.056224  0.736629, dtype('O'):   key1 key2
 0    a  one
 1    a  two
 2    b  one
 3    b  two
 4    a  one

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15

选取一个或者一组列

这里写图片描述 
对于大数据，很多情况是只需要对部分列进行聚合

df.groupby(['key1','key2'])[['data2']].mean()

  • 1
  • 2

这里写图片描述

通过字典或者series进行分组

people=pd.DataFrame(np.random.randn(5,5),
                   columns=list('abcde'),
                   index=['Joe','Steve','Wes','Jim','Travis'])

people.ix[2:3,['b','c']]=np.nan #设置几个nan
people
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

这里写图片描述

已知列的分组关系

mapping={'a':'red','b':'red','c':'blue','d':'blue','e':'red','f':'orange'}

by_column=people.groupby(mapping,axis=1)

by_column.sum()
  • 1
  • 2
  • 3
  • 4
  • 5

这里写图片描述

如果不加axis=1, 则只会出现 a b c d e

Series 也一样

map_series=pd.Series(mapping)
map_series

a       red
b       red
c      blue
d      blue
e       red
f    orange
dtype: object

people.groupby(map_series,axis=1).count()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

这里写图片描述

通过函数进行分组

相较于dic或者Series，python函数在定义分组关系映射时更有创意。任何被当做分组键的函数都会在各个索引上被调用一次，其返回值就会被用作分组名称。假设你按人名的长度进行分组，仅仅传入len即可


people.groupby(len).sum() a b c d e 3 -1.308709 -2.353354 1.585584 2.908360 -1.267162 5 -0.688506 -0.187575 -0.048742 1.491272 -0.636704 6 0.110028 -0.932493 1.343791 -1.928363 -0.364745
  • 1
  • 2

将函数和数组、列表、字典、Series混合使用也不是问题，因为任何东西都会最终转换为数组

 key_list=['one','one','one','two','two'] people.groupby([len,key_list]).sum()
  • 1

根据索引级别进行分组

层次化索引最方便的地方就在于他能够根据索引级别进行聚合。要实现该目的，通过level关键字出入级别编号或者名称即可:

columns=pd.MultiIndex.from_arrays([['US','US','US','JP','JP'],[1,3,5,1,3]],names=['cty','tenor'])
hier_df=pd.DataFrame(np.random.randn(4,5),columns=columns)
hier_df
  • 1
  • 2
  • 3

这里写图片描述

hier_df.groupby(level='cty',axis=1).count()
  • 1

这里写图片描述

数据聚合

调用自定义的聚合函数

这里写图片描述

这里写图片描述

面向列的多函数应用

对Series或者DataFrame列的聚合运算实际是使用aggregate或者调用mean，std等方法。下面我们想对不同的列使用不同的聚合函数，或者一次应用多个函数

grouped=tips.groupby(['sex','smoker'])
grouped_pct=grouped['tip_pct'] #tip_pct列
grouped_pct.agg('mean')#对与9-1图标中描述的统计，可以将函数名直接以字符串传入

#如果传入一组函数，得到的df的列名就会以相应的函数命名
  • 1
  • 2
  • 3
  • 4
  • 5

这里写图片描述

自动给出的列名辨识度低，如果传入的是(name, function)元组组成的列表，则各个元组的第一个元素将被用作df的列名

这里写图片描述

对于df，可以定义一组用于全部列的函数,或在不同的列应用不同的函数 
这里写图片描述

如果想对不同的列应用不同的函数, 具体的办法是想agg传入一个从列名映射到函数的字典 
这里写图片描述 
只有将多个函数应用到至少一列时，df才能拥有层次化的列

分组级运算和转换

聚合只是分组运算的一种，它是数据转换的特列。transform 和apply更牛叉.

transform会将一个函数应用到各个分组，然后将结果放在适当的位置. 如果各分组产生的标量值，则该标量值会被广播出去。

transform也是有严格条件的特殊函数：传入的函数只能产生两种结果，要么产生一个可以广播的标量值(如：np.mean), 要么产生一个相同大小的结果数组。

people=pd.DataFrame(np.random.randn(5,5),
                   columns=list('abcde'),
                   index=['Joe','Steve','Wes','Jim','Travis'])
people

  • 1
  • 2
  • 3
  • 4
  • 5

这里写图片描述

key=['one','two','one','two','one']
people.groupby(key).mean()
  • 1
  • 2

这里写图片描述

people.groupby(key).transform(np.mean)
  • 1

这里写图片描述

可以看到有很多与表2一样的值。

def demean(arr):
    return arr-arr.mean()

demeaned=people.groupby(key).transform(demean)
demeaned
  • 1
  • 2
  • 3
  • 4
  • 5
demeaned.groupby(key).mean()
  • 1

最一般化的groupby 方法是apply.

tips=pd.read_csv('C:\\Users\\ecaoyng\\Desktop\\work space\\Python\\py_for_analysis_code\\pydata-book-master\\ch08\\tips.csv')
tips[:5]
  • 1
  • 2

这里写图片描述

新生成一列

tips['tip_pct']=tips['tip']/tips['total_bill']
tips[:6]
  • 1
  • 2

这里写图片描述

根据分组选出最高的5个tip_pct值

def top(df,n=5,column='tip_pct'):
    return df.sort_index(by=column)[-n:]
top(tips,n=6)
  • 1
  • 2
  • 3

这里写图片描述

对smoker分组并应用该函数

tips.groupby('smoker').apply(top)
  • 1

这里写图片描述

多参数版本

tips.groupby(['smoker','day']).apply(top,n=1,column='total_bill')
  • 1

这里写图片描述

分位数和桶分析

cut and qcut与groupby结合起来，能轻松的对数据集的桶(bucket)或者分位数(quantile)分析。

frame=pd.DataFrame({'data1':np.random.randn(1000),
                   'data2': np.random.randn(1000)})
frame[:5]
  • 1
  • 2
  • 3

这里写图片描述

factor=pd.cut(frame.data1,4)
factor[:10]

0    (0.281, 2.00374]
1    (0.281, 2.00374]
2    (-3.172, -1.442]
3     (-1.442, 0.281]
4    (0.281, 2.00374]
5    (0.281, 2.00374]
6     (-1.442, 0.281]
7     (-1.442, 0.281]
8     (-1.442, 0.281]
9     (-1.442, 0.281]
Name: data1, dtype: category
Categories (4, object): [(-3.172, -1.442] < (-1.442, 0.281] < (0.281, 2.00374] < (2.00374, 3.727]]
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
def get_stats(group):
    return {'min':group.min(),'max':group.max(),'count':group.count(),'mean':group.mean()}
grouped=frame.data2.groupby(factor)
grouped.apply(get_stats).unstack()
  • 1
  • 2
  • 3
  • 4

这里写图片描述

这些都是长度相等的桶，要根据样本分为数得到大小相等的桶，使用qcut即可.

长度相等的桶：区间大小相等 
大小相等的桶：数据点数量相等

grouping=pd.qcut(frame.data1,10,labels=False)#label=false即可值获取分位数的编号
grouped=frame.data2.groupby(grouping)
grouped.apply(get_stats).unstack()
  • 1
  • 2
  • 3

这里写图片描述

shd377143934
关注
pandas使用groupby函数基于指定分组变量对dataframe数据进行分组、使用mean函数计算每个分组中的所有数值变量的聚合平均值
data+scenario+science+insight
10-13 728
pandas使用groupby函数基于指定分组变量对dataframe数据进行分组、使用mean函数计算每个分组中的所有数值变量的聚合平均值
79 | Python数据分析篇 —— Pandas中groupby聚合操作和透视表基础
微信号：RunsenLiu
08-06 1007
'C' : my_mean }) print(mean) # 输出 # C # A # bar 2.0 # foo 4.0本文介绍了Pandas中groupby聚合操作和透视表的基础知识，包括groupby操作、透视表的创建和使用。groupby操作可以将数据按照指定的列进行分组，并对每组数据进行聚合计算，常用的聚合函数包括count、sum、mean、median、min、max等。透视表是一种数据汇总工具，它可以将数据按照指定的列进行分组，并对每组数据进行聚合计算。
python groupby用法_Pandas之超好用的Groupby用法详解
weixin_39627390的博客
12-08 1599
在日常的数据分析中，经常需要将数据根据某个(多个)字段划分为不同的群体(group)进行分析，如电商领域将全国的总销售额根据省份进行划分，分析各省销售额的变化情况，社交领域将用户根据画像(性别、年龄)进行细分，研究用户的使用情况和偏好等。在Pandas中，上述的数据处理操作主要运用groupby完成，这篇文章就介绍一下groupby的基本原理及对应的agg、transform和apply操作。为了...
python/pandas数据挖掘（十四）-groupby,聚合，分组级运算
热门推荐
python|大数据爱好者Alvin
01-09 21万+
groupby,聚合，分组级运算，python 数据分析
Python Dataframe Groupby Mean和Std
06-16 587
在这个输出中，我们可以看到每种类别（Category）下'Value1'和'Value2'的平均值（mean）和标准差（std）。注意，我们使用了agg()函数中的字典来指定我们想要计算哪些聚合函数，这里同时计算了均值（mean）和标准差（std）。这可以通过使用pandas库的groupby()函数结合agg()方法来实现。# 使用groupby()函数按'Category'列进行分组，然后计算每组的'Value1'和'Value2'的平均值（mean）和标准差（std）
pandas dataframe对象的分组机制groupby
跬步Python股票数据量化分析
05-11 4073
groupby的操作可以被分为3部分： 第一步，存储于series或DataFrame中的数据，根据不同的keys会被split（分割）为多个组。（这个分组可以按照不同的轴进行划分，axis=0按照行；axis=1按照列） 第二步，我们可以把函数例如mean等，apply在每一个组上，产生一个新的值。 第三步，函数产生的结果被combine(结合)为一个结果对象（result object）。 使用例子来看一下，创建一个dataframe对象： df = pd.DataFrame({'key1'
Python数据分析NumPy和pandas（三十一、数据聚合）
FreedomLeo1的博客
11-13 1353
聚合是指从数组生成标量值的数据转换。常见的聚合见下图列表，但是，不仅限于列表中的这组方法。通过使用 DataFrame，我们可以指定要应用于所有列的函数列表或每个列的不同函数。在到目前为止的所有示例中，聚合数据都返回了一个索引，该索引可能是分层的，由唯一的组键组合而成。当然，通过对结果调用 reset_index 方法也可以实现去除索引，但是会需要一些计算，因此在分组的时候使用 as_index=False 参数可避免一些不必要的计算。可以使用自己的设计的聚合方法，也可以调用分组的对象上定义的任何方法。
【python】Pandas 数据分析之分组聚合操作|代码讲解|建议在Jupyter Notebook 中运行
weixin_57336987的博客
09-21 794
建议在Jupyter Notebook 中运行。
python里pandas模块之groupby
lhbo_bo的博客
08-18 1002
利用python进行数据处理的时候，经常会使用到pandas这一强大的数据处理模块。将数据存储为DataFrame形式，进行一系列的操作。 有些时候我们需要对DataFrame对象进行像sql里面group by聚合操作，pandas也提供了非常好用的api。 在pandas中，聚合操作主要由groupby来完成。该篇文章讲述groupby常用方法以及怎么处理groupby产生的MultiIndex。 利用groupby进行分组 # 先构造一组数据 import pandas as pd df = pd.
Python pandas 数据清洗 基础教程
01-15
* groupby() 方法：对数据进行分组聚合 * aggregate() 方法：对数据进行聚合计算 Pandas 数据缺失值处理 Pandas 库提供了多种方式来处理数据缺失值，包括： * dropna() 方法：删除缺失值 * fillna() 方法：填充...
【Python】Pandas GroupBy 深度总结
fengdu78的博客
06-10 2486
今天，我们将探讨如何在 Python 的 Pandas 库中创建 GroupBy 对象以及该对象的工作原理。我们将详细了解分组过程的每个步骤，可以将哪些方法应用于 GroupBy 对象上，以及我们可以从中提取哪些有用信息不要再观望了，一起学起来吧使用 Groupby 三个步骤首先我们要知道，任何 groupby 过程都涉及以下 3 个步骤的某种组合：根据定义的标准将原始对...
python中groupby函数详解（非常容易懂）
ahmcwt的专栏
03-05 2万+
为便于学习,转载自:https://www.cnblogs.com/Yanjy-OnlyOne/p/11217802.html python中groupby函数详解（非常容易懂） 一、groupby 能做什么？ python中groupby函数主要的作用是进行数据的分组以及分组后地组内运算！ 对于数据的分组和分组运算主要是指groupby函数的应用，具体函数的规则如下： df[](指输出...
Python数据分析 | (28) GroupBy机制
sdu_hao的博客
10-08 2093
对数据集进行分组并对各组应用一个函数(无论是聚合还是转换)，通常是 数据分析工作中的重要环节。在将数据集加载、融合、准备好之后，通常就 是计算分组统计或生成透视表。pandas提供了一个灵活高效的gruopby功 能，它使你能以一种自然的方式对数据集进行切片、切块、摘要等操作。 关系型数据库和SQL(Structured Query Language，结构化查询语言)能够 如此流行的原因之一就是...
讲解python中groupby()的应用及groupby案例分析
weixin_46713695的博客
07-09 1万+
讲解python中groupby()的应用
python groupby 的基本操作
chang995196962的博客
03-25 6864
一、groupby的基础操作 In [2]: df = pd.DataFrame({'A': ['a', 'b', 'a', 'c', 'a', 'c', 'b', 'c'], ...: 'B': [2, 8, 1, 4, 3, 2, 5, 9], ...: 'C': [102, 98, 107, 10...
pandas.core.groupby.GroupBy.mean
黄佳俊的博客
03-13 9764
解释：dataframe按某一列属性分组求其他属性的平均值 finalGroupBy.mean(numeric_only=NoDefault.no_default,engine='cython',engine_kwargs=None)[source] Computemeanof groups, excluding missing values. Parameters numeric_onlybool, default True Include only float, int, boo...
Pandas分组：df.groupby()
qq_38147044的博客
08-17 2852
关于分类汇总
Pandas 模块-操纵数据(10)-数据分组 .groupby()
一分耕耘一分收获
12-19 6151
大家如果用过数据库，肯定对 group by 命令很熟悉，Pandas 的 .groupby() 函数作用和数据库中的 group by 非常相似。它会将 DataFrame 数据根据一定的规则进行分组，返回给用户一个 groupby 对象，这个对象包括了不同组的相关信息。
基础数据分析（Python/Pandas）
最新发布
05-03
<think>好的，用户现在想了解如何使用Python和Pandas进行基础数据分析的方法和技巧。首先，我需要回顾一下之前的对话历史，看看用户之前问过什么，以及我之前给出的回答。之前用户询问了工业物联网的技术排序，而我在回答中提到了Pandas在数据分析中的应用，引用了多个相关的资料。现在用户明确转向了基础数据分析，特别是使用Python和Pandas的操作方法和技巧。 用户提供的引用内容主要集中在Pandas的数据结构、数据读取、清洗、分析以及可视化等方面。例如，引用[1]提到如何用Pandas读取和写入MySQL数据，引用[2]和[4]讨论了Pandas的核心数据结构和实战分析，引用[3]和[5]则涉及数据预处理和可视化工具。这些内容都是基础数据分析的关键部分，因此需要整合这些信息来构建回答。 接下来，我需要确定用户的需求层次。用户可能是一个刚开始学习数据分析的新手，想要了解从数据加载到分析的基本流程。他们可能需要具体的代码示例和步骤说明，而不仅仅是理论解释。因此，回答需要结构清晰，分步骤讲解，每个步骤提供实际的代码示例，并解释每个操作的目的和效果。 同时，用户提到“方法和技巧”，这意味着除了基础操作外，还需要包含一些提升效率的技巧或最佳实践。比如，使用向量化操作代替循环，合理设置数据类型节省内存，或者如何利用Pandas的内置函数进行高效分析。这些内容可以增强回答的实用性。 另外，需要参考之前提供的引用内容。例如，引用[3]中提到了数据处理的标准化流程，如处理缺失值、变量筛选等，这应该在数据清洗部分详细说明。引用[4]提到的数据透视表也是一个重要技巧，应该包含在数据分析的方法中。引用[5]中的可视化部分可以使用pyecharts或matplotlib来展示结果，但考虑到用户是新手，可能更倾向于使用Pandas内置的绘图功能，或者结合简单的可视化库如Seaborn。 在组织内容时，应该按照数据分析的典型流程：数据加载、数据观察、数据清洗、数据分析、数据可视化，最后是一些实用技巧。每个部分都需要结合代码示例，并引用相关的资料来支持说明。例如，在数据加载部分，可以引用[1]中的方法从MySQL读取数据，同时提到其他格式如CSV的读取方式。在数据清洗时，引用[3]提到的缺失值处理和变量筛选方法。 还需要注意用户可能的痛点，比如如何处理大型数据集，避免内存不足，或者如何提升处理速度。这时候可以提到使用适当的数据类型，分块读取数据，或者使用Dask库进行并行处理。这些技巧虽然稍微进阶，但对新手来说是有用的信息。 最后，要确保回答的语言简洁明了，避免使用过于专业的术语，或者在必要时进行解释。例如，解释什么是DataFrame，或者什么是向量化操作，以便用户能够更好地理解。此外，提供相关的参考资料链接或引用标识，如[^1]、[^2]等，增强回答的可信度。 总结来说，回答的结构应包括以下几个部分： 1. 环境准备与数据加载 2. 数据观察与统计 3. 数据清洗（处理缺失值、重复值、异常值） 4. 数据分析（聚合、分组、透视表） 5. 数据可视化 6. 实用技巧与优化建议 每个部分都需要具体的代码示例，并结合引用内容中的知识点进行说明。同时，在最后提出相关问题，引导用户深入学习和探索更高级的主题，如处理大数据集或时间序列分析，这样可以扩展他们的学习路径。</think>### 如何使用 Python 和 Pandas 进行基础数据分析 #### 一、环境准备与数据加载 1. **安装与导入库** ```python import pandas as pd import numpy as np ``` 2. **数据加载** - **从 CSV 文件读取**： ```python df = pd.read_csv('data.csv') ``` - **从 MySQL 数据库读取**（引用[1]）： ```python import pymysql conn = pymysql.connect(host='localhost', user='root', password='123456', database='test') df = pd.read_sql('SELECT * FROM sales', conn) ``` - **从 Excel 读取**： ```python df = pd.read_excel('data.xlsx', sheet_name='Sheet1') ``` --- #### 二、数据观察与统计 1. **初步查看数据** ```python df.head() # 查看前5行 df.info() # 数据类型与非空值统计 df.describe() # 数值型字段统计（均值、标准差、分位数等） ``` 2. **筛选与排序** ```python df[['列A', '列B']] # 选择特定列 df[df['销售额'] > 1000] # 条件筛选 df.sort_values('日期') # 按日期排序 ``` --- #### 三、数据清洗（关键步骤） 1. **处理缺失值**（引用[3]） ```python df.dropna() # 删除含缺失值的行 df.fillna(0) # 用0填充缺失值 df['列C'].fillna(df['列C'].mean(), inplace=True) # 用均值填充 ``` 2. **处理重复值** ```python df.drop_duplicates() # 删除完全重复的行 ``` 3. **处理异常值** ```python df = df[(df['年龄'] > 0) & (df['年龄'] < 100)] # 过滤年龄异常值 ``` --- #### 四、数据分析 1. **聚合计算** ```python df.groupby('地区')['销售额'].sum() # 按地区统计销售额总和 ``` 2. **数据透视表**（引用[4]） ```python pivot_table = df.pivot_table( values='销量', index='地区', columns='季度', aggfunc='mean' ) ``` 3. **时间序列分析** ```python df['日期'] = pd.to_datetime(df['日期']) # 转换为时间格式 df.set_index('日期', inplace=True) # 设为索引 df.resample('M')['销售额'].sum() # 按月汇总销售额 ``` --- #### 五、数据可视化 1. **内置绘图** ```python df['销售额'].plot(kind='line') # 折线图 df['地区'].value_counts().plot(kind='bar') # 柱状图 ``` 2. **使用 pyecharts**（引用[5]） ```python from pyecharts.charts import Line line = Line().add_xaxis(df['日期'].tolist()).add_yaxis("销售额", df['销售额'].tolist()) line.render("sales_trend.html") # 生成交互式图表 ``` --- #### 六、实用技巧 1. **向量化操作替代循环** ```python # 错误方式（逐行循环） for index, row in df.iterrows(): df.loc[index, '利润'] = row['销售额'] - row['成本'] # 正确方式（向量化计算） df['利润'] = df['销售额'] - df['成本'] ``` 2. **优化内存占用** ```python df['类别'] = df['类别'].astype('category') # 将文本列转换为分类类型 ``` 3. **高效筛选** ```python df.query('销售额 > 1000 & 地区 == "华东"') # 使用query方法简化条件 ``` --- ### 示例代码：完整分析流程 ```python # 数据加载与清洗 df = pd.read_csv('sales.csv') df.dropna(subset=['销售额'], inplace=True) df['日期'] = pd.to_datetime(df['日期']) # 数据分析 monthly_sales = df.resample('M', on='日期')['销售额'].sum() top_products = df.groupby('产品')['销量'].sum().nlargest(5) # 可视化 monthly_sales.plot(title='月度销售额趋势', figsize=(10,6)) ``` --- ### 相关问题 1. 如何处理 Pandas 中的大型数据集内存不足问题？ 2. 如何用 Pandas 实现时间序列预测分析？ 3. Pandas 与 SQL 在数据处理上的效率对比？ 以上方法覆盖了数据加载、清洗、分析和可视化的核心操作，结合引用[1]-[5]的实践技巧，可快速掌握基础数据分析能力[^1][^2][^3][^4][^5]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值