×
Pandas数据分析快速上手500招(微课视频版)

Pandas数据分析快速上手500招(微课视频版)

1星价 ¥74.9 (7.5折)
2星价¥74.9 定价¥99.8
图文详情
  • ISBN:9787302624110
  • 装帧:简裝本
  • 册数:暂无
  • 重量:暂无
  • 开本:16开
  • 页数:420
  • 出版时间:2023-03-01
  • 条形码:9787302624110 ; 978-7-302-62411-0

本书特色

问题描述 解决方案 真实源码 效果截图 视频教学, 精选500案例,附赠36个可视化案例,提供完整源码,边看边做边学 。优化数据分析,提高工作效率 ;告别重复劳动,蜕变职场精英

内容简介

本书采用“问题描述+解决方案”模式,通过500个案例介绍了使用Pandas进行数据分析和数据处理的技术亮点。全书共分为8章,主要案例包括:读写CSV、Excel、JSON、HTML等格式的数据;根据行标签、列名和行列数字索引筛选和修改数据,使用各种函数根据数据大小、日期范围、正则表达式、lambda表达式、文本类型等多种条件筛选数据;统计NaN(缺失值)的数量、占比,根据规则填充和删除NaN;在DataFrame中增、删、查、改行列数据,计算各种行差、列差、极差以及直接对两个DataFrame进行加、减、乘、除运算和比较差异;将宽表和长表相互转换,创建交叉表和各种透视表;对数据分组结果进行求和、累加、求平均值、求极差、求占比、排序、筛选、重采样等多种形式的分析,将分组数据导出为Excel文件。本书还附赠36个数据可视化案例,如根据指定的条件设置行列数据的颜色和样式,根据行列数据绘制条形图、柱形图、饼图、折线图、散点图、六边形图、箱形图、面积图等。
    本书适于作为数据分析师、物流分析师、金融分析师、数据产品开发人员、人工智能开发人员、市场营销人员、办公管理人员、Python程序员等各行各业人员的案头参考书,无论对于初学者还是专业人士,本书都极具参考和收藏价值。

目录

第1章 DataFrame 1 001 使用随机数创建一个DataFrame 1 002 使用字母设置DataFrame的行标签 2 003 使用日期设置DataFrame的行标签 3 004 使用月份设置DataFrame的行标签 4 005 使用月初日期设置DataFrame的行标签 5 006 使用星期日设置DataFrame的行标签 6 007 使用日期范围设置DataFrame的行标签 7 008 使用等差日期设置DataFrame的行标签 8 009 使用时间差设置DataFrame的行标签 9 010 根据工作日移动DataFrame的行标签 10 011 使用shift()移动DataFrame的行标签 11 012 根据日期差修改DataFrame的行标签 11 013 在日期行标签中禁止使用法定节假日 12 014 在日期行标签中排除自定义的节假日 13 015 在日期行标签中增加或减少分钟数 14 016 指定DataFrame的列数据为行标签 15 017 在DataFrame中移除现有的行标签 16 018 使用列表设置DataFrame的行标签 17 019 使用字典修改DataFrame的行标签 17 020 使用lambda修改DataFrame的行标签 18 021 在多层索引的DataFrame中设置行标签 19 022 使用字典修改DataFrame的多层行索引 20 023 根据DataFrame创建笛卡儿积多层索引 20 024 使用rename()修改DataFrame的列名 22 025 使用strip()修改DataFrame的列名 22 026 使用set_axis()修改DataFrame的列名 23 027 使用字典修改DataFrame的列名 24 028 为DataFrame的列名添加前缀或后缀 24 029 根据DataFrame的列名获取列索引数字 25 第2章 读取数据 27 030 从CSV格式的字符串中读取数据 27 031 从CSV格式的文本文件中读取数据 28 032 从星号分隔的文本文件中读取数据 28 033 从制表符分隔的文本文件中读取数据 29 034 从空格分隔的文本文件中读取数据 29 035 读取文本文件的数据并自定义列名 30 036 读取文本文件的数据并重命名列名 31 037 根据列名读取文本文件的部分数据 31 038 从文本文件中读取lambda筛选的列 32 039 读取文本文件的数据并设置列名前缀 33 040 读取文本文件的数据并设置列类型 33 041 读取文本文件并使用lambda修改列 34 042 读取文本文件并使用自定义函数修改列 35 043 读取文本文件并设置True和False 36 044 读取文本文件的数据并跳过指定行 37 045 读取文本文件的数据并跳过奇数行 37 046 读取文本文件的数据并跳过倒数n行 38 047 读取文本文件并将列类型转为日期类型 39 048 读取文本文件的数据并解析日期列数据 40 049 读取文本文件的数据并合并日期列数据 41 050 从压缩格式的文本文件中读取数据 42 051 把DataFrame的数据保存为文本文件 43 052 从Excel文件中读取单个工作表的数据 44 053 从Excel文件中读取多个工作表的数据 45 054 从Excel文件中读取工作表的前n行数据 46 055 从首行跳过n行读取Excel工作表的数据 47 056 从末尾跳过n行读取Excel工作表的数据 48 057 跳过指定行读取Excel工作表的部分数据 49 058 从Excel文件中读取工作表的偶数行数据 50 059 从Excel文件中读取工作表的偶数列数据 51 060 根据列号读取Excel文件的工作表数据 52 061 读取Excel工作表的数据且取消默认列名 53 062 读取Excel工作表的数据且自定义列名 53 063 读取Excel工作表的数据并指定行标签 54 064 在读取Excel工作表数据时解析千分位符 55 065 把DataFrame的数据保存为Excel文件 56 066 在保存Excel文件时不保留默认的行标签 57 067 使用read_json()函数读取JSON数据 58 068 将DataFrame的数据保存为JSON文件 59 069 从指定的网页中读取多个表格的数据 60 070 将DataFrame的所有数据转换为网页代码 62 071 将DataFrame的部分数据转换为网页代码 63 072 根据当前剪贴板的数据创建DataFrame 64 073 将DataFrame的所有数据保存到剪贴板 65 074 将DataFrame的部分数据保存到剪贴板 66 第3章 筛选数据 67 075 根据指定的列名筛选整列数据 67 076 使用eq()在指定列中筛选数据 68 077 使用ne()在指定列中筛选数据 68 078 使用lt()在指定列中筛选数据 69 079 在指定列中根据平均值筛选数据 70 080 使用le()在指定列中筛选数据 70 081 使用gt()在指定列中筛选数据 71 082 使用ge()在指定列中筛选数据 72 083 根据行标签的大小筛选数据 73 084 根据行标签的范围筛选数据 73 085 根据行标签步长筛选偶数行数据 74 086 根据指定的日期切片筛选数据 75 087 根据指定的日期范围筛选数据 76 088 根据指定的月份范围筛选数据 76 089 在日期类型的列中按日筛选数据 77 090 根据日期列的差值筛选数据 78 091 使用loc筛选并修改单个数据 79 092 使用loc筛选并修改多个数据 79 093 使用loc筛选并修改多行单列数据 80 094 使用loc筛选并修改单行多列数据 81 095 使用loc筛选并修改多行多列数据 82 096 使用loc根据切片筛选并修改数据 83 097 使用loc筛选并修改单行数据 84 098 使用loc筛选并修改多行数据 84 099 使用loc筛选并修改单列数据 85 100 使用loc筛选并修改多列数据 86 101 使用loc筛选并修改多层数据 87 102 使用loc筛选并输出DataFrame 87 103 使用loc根据大小筛选数据 88 104 使用loc根据字符串长度筛选数据 89 105 使用loc根据数值范围筛选数据 90 106 在loc中使用all()筛选多列数据 90 107 在loc中使用any()筛选多列数据 91 108 使用loc筛选数据且指定输出列 92 109 使用loc筛选IndexSlice结果 92 110 使用loc根据*后一行筛选列 93 111 在loc中使用lambda筛选列 94 112 使用loc根据负数步长倒序筛选列 94 113 使用loc根据负数步长倒序筛选行 95 114 使用iloc筛选并修改单个数据 96 115 使用iloc筛选并修改多个数据 96 116 使用iloc筛选并修改多行单列数据 97 117 使用iloc筛选并修改单行多列数据 98 118 使用iloc筛选并修改多行多列数据 99 119 使用iloc根据列表筛选并修改数据 99 120 使用iloc筛选并修改单列数据 100 121 使用iloc筛选并修改多列数据 100 122 使用iloc筛选并修改单行数据 101 123 使用iloc筛选并修改多行数据 102 124 使用iloc筛选并输出DataFrame 103 125 使用iloc根据指定的步长筛选数据 103 126 使用iloc筛选不连续的多行数据 104 127 在iloc中使用numpy筛选多行数据 105 128 在iloc中使用numpy筛选多列数据 106 129 在iloc中使用lambda筛选偶数行数据 106 130 使用at筛选并修改单个数据 107 131 使用iat筛选并修改单个数据 108 132 使用last()筛选*后几天的数据 108 133 使用truncate()根据行标签筛选数据 109 134 使用truncate()根据日期范围筛选数据 110 135 使用between()根据日期范围筛选数据 110 136 使用between()根据数值范围筛选数据 111 137 使用between_time()根据时间筛选数据 112 138 使用contains()在指定列中筛选文本 113 139 使用contains()不区分大小写筛选文本 114 140 在contains()中使用或运算符筛选文本 115 141 在contains()中使用正则表达式筛选文本 115 142 使用endswith()根据结束字符筛选文本 116 143 使用startswith()根据开始字符筛选文本 117 144 使用match()根据多个开始字符筛选数据 118 145 使用isnumeric()筛选全部为数字的数据 119 146 使用isin()筛选在指定列表中的数据 120 147 使用isin()筛选未在指定列表中的数据 120 148 使用isin()筛选指定列*大的前n行数据 121 149 使用isin()筛选指定列*小的前n行数据 122 150 在apply()中调用自定义函数筛选数据 122 151 在链式语句中调用自定义函数筛选数据 123 152 在apply()中使用lambda筛选数据 124 153 在链式语句中调用lambda筛选数据 125 154 在applymap()中使用lambda筛选数据 126 155 使用apply()筛选指定列首次出现的数据 126 156 使用apply()根据日期范围筛选数据 127 157 使用apply()根据数值范围筛选数据 128 158 使用select_dtypes()根据类型筛选列 129 159 使用select_dtypes()根据类型反向筛选列 129 160 使用filter()根据指定的列名筛选列 130 161 使用filter()根据指定的条件筛选列 131 162 使用filter()根据正则表达式筛选列 131 163 使用filter()根据指定的行标签筛选行 132 164 使用filter()根据正则表达式筛选行 133 165 在query()中使用比较运算符筛选数据 134 166 在query()中使用多个运算符筛选数据 134 167 使用query()根据平均值筛选数据 135 168 使用query()根据两列差值筛选数据 136 169 使用query()根据多列数值大小筛选数据 136 170 使用query()筛选多列均存在的数据 137 171 使用query()根据指定列表筛选数据 138 172 使用query()根据外部变量筛选数据 139 173 使用query()根据日期范围筛选数据 139 174 使用query()筛选包含指定字符的数据 140 175 使用query()根据行标签筛选数据 141 176 使用query()组合多个条件筛选数据 142 177 使用query()以链式风格筛选数据 142 178 使用eval()组合多个条件筛选数据 143 179 使用rolling()根据样本筛选数据 144 180 使用sample()根据占比筛选随机子集 145 181 使用apply()根据指定条件筛选数据 146 182 在DataFrame中筛选所有数据 146 183 根据在列表中指定的多个列名筛选列 147 184 根据在集合中指定的多个列名筛选列 148 第4章 清洗数据 150 185 统计DataFrame每列的NaN数量 150 186 统计DataFrame每行的NaN数量 151 187 统计DataFrame每行的非NaN数量 151 188 统计DataFrame每列的NaN数量占比 152 189 统计DataFrame每行的NaN数量占比 153 190 统计DataFrame每行的非NaN数量占比 154 191 使用isna()在列中筛选包含NaN的行 155 192 使用notna()在列中筛选不包含NaN的行 155 193 使用is()在列中筛选包含NaN的行 156 194 使用is()在列中筛选不包含NaN的行 156 195 在DataFrame中筛选包含NaN的列 157 196 在DataFrame中筛选包含NaN的行 158 197 在DataFrame中筛选不包含NaN的列 158 198 在DataFrame中筛选不包含NaN的行 159 199 在DataFrame中删除包含NaN的行 160 200 在DataFrame中删除包含NaN的列 160 201 在DataFrame中删除全部是NaN的行 161 202 在DataFrame中删除全部是NaN的列 162 203 在DataFrame中根据NaN占比删除列 162 204 在指定的列中删除包含NaN的行 163 205 在指定的行中删除包含NaN的列 164 206 使用fillna()根据指定值填充NaN 164 207 使用fillna()在指定列中填充NaN 165 208 使用fillna()根据列平均值填充NaN 166 209 使用fillna()填充指定列的首个NaN 167 210 使用fillna()实现自动向下填充NaN 168 211 使用fillna()实现自动向上填充NaN 169 212 使用applymap()填充DataFrame的NaN 169 213 使用mask()填充DataFrame的NaN 170 214 根据分组已存在的数据填充分组的NaN 171 215 使用transform()根据分组平均值填充NaN 171 216 将小数点前后有空格的数据修改为NaN 172 217 在format()中使用指定字符标注NaN 173 218 使用指定的颜色高亮显示所有的NaN 174 219 自定义函数设置NaN的颜色 174 220 自定义函数设置NaN的背景颜色 175 221 自定义函数设置非NaN的颜色 176 222 自定义函数设置非NaN的背景颜色 177 223 在DataFrame中强制NaN排在首位 177 224 读取Excel文件并设置NaN的对应值 178 225 读取Excel文件并按列设置NaN的对应值 179 226 读取文本文件并设置NaN的对应值 180 227 读取文本文件并按列设置NaN的对应值 181 第5章 整理数据 183 228 使用apply()转换指定列的数据类型 183 229 使用apply()转换所有列的数据类型 184 230 使用to_numeric()转换列的数据类型 184 231 使用astype()转换指定列的数据类型 185 232 使用astype()将百分数转换为浮点数 186 233 使用astype()转换千分位符的数字 186 234 使用astype()将其他时间转为北京时间 187 235 根据日期类型列的日期解析星期 188 236 根据日期类型列的日期解析季度 188 237 使用lower()将指定列的字母变为小写 189 238 使用rjust()在指定列左端补充字符 190 239 使用ljust()在指定列右端补充字符 191 240 使用center()在指定列两端补充字符 191 241 使用lstrip()删除指定列左端字符 192 242 使用rstrip()删除指定列右端字符 193 243 使用strip()删除指定列左右两端字符 193 244 使用get()提取指定列指定位置的字符 194 245 使用slice()提取指定列的多个字符 195 246 使用count()统计指定列的字符个数 195 247 使用repeat()在指定列中重复字符 196 248 使用replace()在指定列中替换文本 197 249 使用replace()在指定列中替换字母 197 250 在replace()中使用正则表达式替换 198 251 在replace()中使用lambda替换 199 252 使用slice_replace()替换指定切片 199 253 在apply()中调用自定义函数修改数据 200 254 在apply()中调用lambda修改数据 201 255 使用apply()删除%符号并转换数据 202 256 使用mask()根据指定条件修改数据 202 257 使用where()根据指定条件修改数据 203 258 使用replace()在指定列中替换数据 204 259 使用replace()在指定行中替换数据 205 260 在map()中使用字典修改数据 205 261 在map()中使用lambda修改数据 206 262 使用map()格式化指定列的数据 207 263 使用map()将浮点数转换为百分数 207 264 使用map()根据时间差计算天数 208 265 在DataFrame的末尾增加新行 209 266 在DataFrame的中间插入新行 209 267 根据行标签在DataFrame中删除行 210 268 根据条件在DataFrame中删除行 211 269 在多层索引的DataFrame中删除行 211 270 使用duplicated()筛选重复行 212 271 使用drop_duplicates()删除重复行 213 272 在指定列中使用drop_duplicates() 214 273 根据表达式初始化DataFrame的新增列 215 274 使用map()初始化DataFrame的新增列 215 275 计算DataFrame的单列数据并新增列 216 276 计算DataFrame的多列数据并新增列 217 277 使用assign()在DataFrame中新增列 218 278 使用assign()根据lambda表达式新增列 218 279 使用列表初始化DataFrame的新增列 219 280 使用apply()根据列表成员增加新列 220 281 使用apply()计算多列数据增加新列 220 282 使用apply()把列表成员扩展成多列 221 283 使用partition()将一列拆分成两列 222 284 使用split()将一列拆分成多列 223 285 使用extract()将一列拆分成两列 224 286 使用extract()将一列拆分成多列 224 287 在extract()中根据正则表达式拆分列 225 288 使用cat()以拼接字符串方式合并列 226 289 根据字符串日期列拆分年月日列 227 290 根据日期类型的列拆分年月日列 227 291 使用加号运算符拼接年月日列 228 292 使用to_datetime()拼接年月日列 229 293 根据索引在DataFrame中插入列 230 294 根据列名在DataFrame中删除列 230 295 根据条件在DataFrame中删除列 231 296 使用concat()按行拼接DataFrame 232 297 使用append()按行拼接DataFrame 233 298 使用concat()分组拼接DataFrame 234 299 使用concat()按列拼接DataFrame 235 300 使用concat()提取两个DataFrame的交集 236 301 使用merge()根据同名列合并DataFrame 237 302 使用merge()根据指定列合并DataFrame 238 303 使用merge()以指定方式合并DataFrame 239 304 使用join()根据索引列按列合并DataFrame 240 305 使用combine_first()合并DataFrame 241 306 使用combine()根据参数合并DataFrame 242 307 使用Pandas的merge()合并DataFrame 243 308 使用merge_ordered()合并DataFrame 244 309 使用merge_asof()合并DataFrame 245 310 使用compare()比较两个DataFrame 246 311 使用align()补齐两个DataFrame的列 247 312 在DataFrame中垂直移动指定的行数 248 313 在DataFrame中水平移动指定的列数 248 314 使用round()设置DataFrame的小数位数 249 315 使用update()更新DataFrame的数据 250 316 使用clip()修剪DataFrame的数据 251 317 使用clip()根据列表按列修剪数据 251 318 使用replace()在DataFrame中替换数据 252 319 使用replace()执行多值对应替换 253 320 使用replace()替换所有行列的字母 253 321 在replace()中使用正则表达式替换 254 322 在replace()中使用多个正则表达式 255 323 使用apply()修改DataFrame的数据 256 324 使用applymap()修改DataFrame 256 325 使用transform()修改DataFrame 257 326 使用transform()按行修改DataFrame 258 327 在DataFrame中按列相加指定的列表 258 328 在DataFrame中按行相加指定的列表 259 329 在DataFrame中按列相减指定的列表 260 330 在DataFrame中按行相减指定的列表 261 331 在DataFrame中按列相乘指定的列表 261 332 在DataFrame中按行相乘指定的列表 262 333 在DataFrame中实现各行数据连乘 263 334 在DataFrame中按列除以指定的列表 263 335 在DataFrame中按行除以指定的列表 264 336 使用add()实现两个DataFrame相加 265 337 使用sub()实现两个DataFrame相减 265 338 使用mul()实现两个DataFrame相乘 266 339 使用div()实现两个DataFrame相除 267 340 使用sum()在DataFrame中按列求和 267 341 使用sum()在DataFrame中按行求和 268 342 使用apply()在DataFrame中按列求和 269 343 使用apply()在DataFrame中按行求和 270 344 使用agg()在DataFrame中按列求和 270 345 使用agg()在DataFrame中按行求和 271 346 使用select_dtypes()实现按列求和 272 347 使用select_dtypes()实现按行求和 272 348 使用expanding()累加前n个数据 273 349 使用apply()按行累加各列的数据 274 350 使用apply()按列累加各行的数据 275 351 使用apply()计算每列数据的平均值 275 352 使用apply()计算每行数据的平均值 276 353 使用apply()计算每行*大值的比值 276 354 使用apply()计算每列*大值的比值 277 355 使用apply()计算每列数据的极差 278 356 使用apply()计算每行数据的极差 278 357 使用diff()计算DataFrame的行差 279 358 使用diff()计算DataFrame的列差 280 359 使用diff()计算指定列的差值 281 360 使用diff()计算差值并筛选数据 281 361 使用shift()按行计算移动平均值 282 362 使用shift()按列计算移动平均值 283 363 使用rolling()按行计算移动平均值 284 364 使用rolling()居中计算移动平均值 284 365 使用rolling()计算移动极差 285 366 在rolling()中设置*小观测期 286 367 使用pct_change()计算增减百分比 287 368 使用apply()获取每列数据的*大值 288 369 使用apply()获取每列数据的中位数 288 370 使用describe()获取指定列的*大值 289 371 使用agg()获取所有列的*大值 290 372 使用tolist()获取DataFrame的数据 291 373 根据行标签顺序排列DataFrame 292 374 根据行标签大小排列DataFrame 292 375 倒序排列DataFrame并重置行标签 293 376 在DataFrame中根据单个列名排序 294 377 在DataFrame中根据多个列名排序 294 378 在DataFrame中根据文本长度排序 295 379 在DataFrame中降序排列所有的列 296 380 在DataFrame中倒序排列所有的列 297 381 在DataFrame中自定义所有列顺序 297 382 在DataFrame中根据列表调整列顺序 298 383 使用rank()根据大小生成排名序号 299 384 使用value_counts()统计列成员数量 300 385 使用value_counts()统计列成员占比 300 第6章 透视数据 302 386 使用melt()将宽表转换为长表 302 387 使用pivot()将长表转换为宽表 303 388 使用stack()将宽表转换为长表 304 389 使用unstack()将长表转换为宽表 304 390 使用stack()将多行数据转换成一行 305 391 使用crosstab()根据行列创建交叉表 306 392 使用crosstab()创建交叉表并计算合计 307 393 使用explode()将列表成员扩展为多行 307 394 使用explode()筛选互为好友的数据 308 395 使用explode()在组内容之前插入组名 309 396 使用pivot_table()根据指定列进行分组 310 397 使用pivot_table()获取分组平均值 311 398 使用pivot_table()获取多级分组平均值 312 399 使用pivot_table()实现多级分组并求和 313 400 使用pivot_table()对不同列执行不同函数 314 401 使用transpose()实现行列数据交换 315 第7章 分组聚合 316 402 使用groupby()根据单列数据分组求和 316 403 使用groupby()根据多列数据分组求和 317 404 使用groupby()分组并对指定列数据求和 317 405 在groupby()中设置分组键为非索引列 318 406 重命名在使用groupby()分组之后的列名 319 407 自定义在使用groupby()分组之后的列名 320 408 使用groupby()分组并统计各组的个数 321 409 使用groupby()分组并获取各组的明细 321 410 使用groupby()分组并获取多级分组明细 322 411 使用groupby()分组并遍历各组的明细 323 412 使用groupby()分组并计算各组移动平均值 324 413 使用groupby()分组并计算各组累加值 325 414 使用groupby()分组并获取各组*大值 326 415 使用groupby()分组并获取各组第二大值 327 416 使用groupby()分组并添加各组合计 328 417 使用groupby()分组并添加分组占比 329 418 使用groupby()分组求和并禁止排序 330 419 使用groupby()根据lambda进行分组 331 420 使用groupby()根据行标签进行分组 332 421 使用groupby()根据索引年份进行分组 333 422 使用groupby()根据年份月份进行分组 334 423 使用groupby()根据星期进行分组 335 424 使用groupby()根据日期进行分组 336 425 使用groupby()根据列名进行分组 336 426 使用groupby()根据字典进行分组 337 427 使用groupby()根据字典类型进行分组 338 428 使用groupby()根据自定义函数进行分组 339 429 使用groupby()根据指定字符进行分组 340 430 使用groupby()根据返回值进行分组 341 431 使用groupby()根据Grouper进行分组 341 432 在分组指定列中查找互为相反数的数据 342 433 使用resample()实现日期重采样分组 343 434 使用resample()实现先分组再重采样 344 435 使用cut()根据连续型数据进行分组 346 436 使用cut()进行分组并设置分组的标签 347 437 使用cut()进行分组并计算各组平均值 348 438 使用qcut()根据指定的个数进行分组 348 439 根据索引层对多层索引的DataFrame分组 349 440 使用agg()获取分组指定列的*大值 351 441 使用agg()获取分组某几列的*大值 351 442 使用agg()自定义分组之后的新列名 352 443 使用agg()根据字典自定义分组新列名 353 444 使用agg()转换分组之后的合计数据 354 445 使用agg()转换分组之后的列数据类型 355 446 使用agg()通过lambda计算分组极差 356 447 使用agg()通过自定义函数计算分组极差 357 448 在agg()中调用带多个参数的自定义函数 358 449 使用pipe()计算各个分组指定列的极差 359 450 使用filter()筛选分组指定列的合计 359 451 使用filter()筛选分组指定列的*大值 360 452 使用filter()筛选分组指定列的平均值 361 453 使用filter()筛选分组指定列的所有值 362 454 使用filter()筛选分组指定列的某个值 363 455 使用filter()筛选分组成员的个数 364 456 使用filter()筛选分组大于某值的数据 365 457 使用apply()获取分组某列的*大值 366 458 使用apply()获取分组数值列的*大值 366 459 在apply()中使用lambda计算分组列差 367 460 在apply()中使用lambda计算分组差值 368 461 在apply()中使用DataFrame返回分组差值 369 462 在apply()中调用自定义函数统计分组指标 370 463 使用apply()将分组数据导出为Excel文件 371 464 使用unstack()以宽表风格输出多级分组 372 465 使用quantile()计算各个分组的分位数 373 466 使用rank()获取各个成员在分组中的序号 374 467 使用transform()计算平均值并筛选分组 375 468 使用drop_duplicates()删除分组重复数据 376 第8章 可视化数据 377 469 使用format()自定义列的数据格式 377 470 使用format()将浮点数转为百分数 377 471 在format()中使用lambda重置列 378 472 使用指定的颜色设置所有列的背景颜色 379 473 使用自定义函数设置指定列的背景颜色 379 474 使用自定义函数设置指定行的背景颜色 380 475 使用自定义函数设置交错的行背景颜色 381 476 使用自定义函数设置列切片的背景颜色 382 477 使用applymap()根据条件设置背景颜色 383 478 使用指定的颜色设置所有列的数据颜色 383 479 使用自定义函数设置指定列的数据颜色 384 480 使用自定义函数设置指定行的数据颜色 385 481 使用自定义函数设置交错的行数据颜色 386 482 使用自定义函数设置列切片的数据颜色 387 483 在所有列中根据值的大小设置背景颜色 387 484 在指定列中根据值的大小设置背景颜色 388 485 在所有列中根据值的大小设置数据颜色 389 486 在指定列中根据值的大小设置数据颜色 390 487 使用指定颜色高亮显示分位包含的数据 390 488 使用指定颜色高亮显示所有列的*大值 391 489 使用指定颜色高亮显示指定列的*大值 392 490 使用指定颜色高亮显示所有列的*小值 393 491 使用指定颜色高亮显示指定列的*小值 393 492 使用自定义函数设置每列的*大值颜色 394 493 使用自定义函数设置每列的*小值颜色 395 494 使用指定颜色高亮显示所有行的*大值 396 495 使用指定颜色高亮显示指定行的*大值 396 496 使用指定颜色高亮显示所有行的*小值 397 497 使用指定颜色高亮显示指定行的*小值 398 498 根据大小使用渐变色按列设置数据颜色 398 499 根据大小使用渐变色按行设置数据颜色 399 500 根据大小使用渐变色按列设置背景颜色 400 IV V
展开全部

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航