产品
别名：pandas library
Python数据分析库。
已跟踪 12 条高相关材料
最近变化
2026-06-26 · 数据科学家45%时间消耗在数据清洗，代理可自动化处理
为什么值得关注
pandas 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
7 Steps to Mastering Time Series Analysis with Python
KDnuggets · 8.7 分
掌握 Python 时序分析的关键在于理解时序数据的三大结构特性、熟练使用 pandas 的时间索引与窗口操作、以及针对缺失值、异常值等进行针对性清洗，随后再进行分解、平稳化与建模。
5 Agentic Workflows to Automate Your Data Science Pipeline
KDnuggets · 8.5 分
自动化数据科学流程的5种代理工作流可节省45%时间，Databricks已集成相关功能，核心依赖ReAct循环与LLM工具。
Stop Writing Loops in Pandas: 7 Faster Alternatives to Try
KDnuggets · 8.5 分
避免在 Pandas 中使用循环，采用 7 种更高效的数据处理方法，提升性能。
已收录 12 条与 pandas 相关的内容，按评分排序。
掌握 Python 时序分析的关键在于理解时序数据的三大结构特性、熟练使用 pandas 的时间索引与窗口操作、以及针对缺失值、异常值等进行针对性清洗，随后再进行分解、平稳化与建模。
入选理由：时序数据的三大结构特性：时间依赖、平稳性、季节性/趋势，直接决定模型选择与预处理方式。
自动化数据科学流程的5种代理工作流可节省45%时间，Databricks已集成相关功能，核心依赖ReAct循环与LLM工具。
入选理由：数据科学家45%时间消耗在数据清洗，代理可自动化处理
Pandas 的三种高效数据清洗技巧可显著提升数据准备效率，包括声明式方法链、内存和速度优化、分组感知插补。
入选理由：使用 .assign()、.query() 和 .pipe() 实现声明式方法链，提升代码可读性和安全性。
sktime 是一个专为时间序列建模设计的 Python 库，提供与 scikit-learn 兼容的 API，支持时间序列的预测、分类、回归和聚类。
入选理由：sktime 支持多种时间序列数据结构，包括 Series、Panel 和 Hierarchical。
避免在 Pandas 中使用循环，采用 7 种更高效的数据处理方法，提升性能。
入选理由：使用向量化操作替代循环，提升计算效率。
通过Python的pandas、matplotlib和seaborn分析美国人口普查数据，揭示年龄、教育、性别等因素对收入的影响，发现教育水平与收入呈强正相关，而性别差距依然显著。
入选理由：使用pandas处理Adult Census Income Dataset时，需清理缺失值和异常标签（如'?'）以确保分析准确性。
从数据分析师转型为数据工程师，作者分享了12个月的自学路线图。
入选理由：作者通过公开学习数据工程，提升自身技能并应对职业发展需求。
Pandas 仍是数据处理的首选工具，因其功能强大且社区支持广泛。
入选理由：Pandas 在数据清洗和转换方面具有显著优势。
本文介绍了五个实用的 Python 脚本，用于处理时间序列数据中的常见任务，包括重采样、异常检测、趋势分解等。
入选理由：提供了五个 Python 脚本，涵盖时间序列数据处理的常见任务。
Polars 在处理大规模数据集时比 Pandas 更快，特别是在并行计算和懒加载方面。
入选理由：Polars 使用 Rust 构建，支持并行计算和懒加载，性能优于 Pandas。
文章介绍了如何使用 Pingouin 库构建现代 EDA 流水线，通过统计检验验证数据的正态性、多变量正态性和方差齐性。
入选理由：Pingouin 提供了 Shapiro-Wilk 和 Henze-Zirkler 检验来验证数据正态性
本文介绍如何使用 Mimesis 工具结合数学模型生成一年期的 IoT 传感器时间序列数据，重点模拟温度随季节变化的波动模式，并包含设备元数据，适用于机器学习和数据分析场景。
入选理由：使用 Mimesis 生成随机设备元数据，包括 device_id、location、firmware_version 和 ip_address。
