pandas数据合并：merge与concat基础操作，新手也能学
本文介绍pandas的`merge`和`concat`两个数据合并工具，适合新手快速掌握。 **concat**：无关联键，直接拼接，分行/列方向。行拼接（`axis=0`）适合结构相同表（如多月份数据），需注意用`ignore_index=True`重置索引避免重复；列拼接（`axis=1`）需行数一致，用于按行标识合并（如学生信息+成绩表）。 **merge**：基于共同键（如姓名、ID）合并，类似SQL JOIN，支持四种方式：`inner`（默认，保留共同键）、`left`（保留左表）、`right`（保留右表）、`outer`（保留所有）。键名不同时用`left_on`/`right_on`指定，默认合并方式为`inner`。 **关键区别**：concat无键直接拼接，merge按键匹配。新手需注意：concat列拼接行数需一致，merge用`how`参数控制合并范围，避免索引重复和键名不匹配问题。
阅读全文pandas索引（Index）入门：轻松搞定数据排序与重命名
### pandas索引（Index）详解 索引是pandas中标识数据位置和内容的关键，类似Excel的行号/列标题，是数据的“身份证”，核心作用包括快速定位数据、支持排序和合并操作。 **数据排序**： - **Series排序**：按索引排序用`sort_index()`（默认升序，可设`ascending=False`降序）；按值排序用`sort_values()`（默认升序，同理可降序）。 - **DataFrame排序**：按列值排序用`sort_values(by=列名)`，按行索引排序用`sort_index()`。 **重命名索引**： - 用`rename()`方法修改行/列标签，如`df.rename(index={旧名:新名})`或`df.rename(columns={旧名:新名})`； - 直接赋值修改：`df.index = [新索引]`或`df.columns = [新列名]`，需保证长度一致。 **注意事项**： - 区分行索引（`df.index`）和列索引（`df.columns`）； - 修改索引时
阅读全文pandas保姆级教程：缺失值处理从入门到实践
这篇文章介绍了数据分析中缺失值的处理方法。缺失值指数据集中无有效值，pandas中以`NaN`表示。处理前需先检查：`isnull()`标记缺失值，`isnull().sum()`统计各列缺失数，`info()`查看整体缺失分布。 处理策略分删除和填充：删除用`dropna()`，按行（默认）或列删除含缺失值的记录；填充用`fillna()`，包括固定值（如0）、统计量（均值/中位数适合数值，众数适合分类）、向前/向后填充（`ffill/bfill`，适用于时间序列）。 案例以电商订单数据为例，先检查缺失值，再用均值填充“金额”列，众数填充“支付方式”列。处理核心步骤为：检查缺失→选策略（极少值删除，多值或关键数据填充）→验证结果，需结合数据特点灵活选择方法。
阅读全文