Pandas数据分析快速上手500招

图书标准信息

• 作者 罗帅；罗斌
• 出版社 清华大学出版社
• 出版时间 2023-03
• 版次 1
• ISBN 9787302624110
• 定价 99.80元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 420页
• 字数 705千字

【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根据最后一行筛选列 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()筛选最后几天的数据 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()筛选指定列最大的前n行数据 121

149  使用isin()筛选指定列最小的前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isnull()在列中筛选包含NaN的行 156

194  使用isnull()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()计算每行最大值的比值 276

354  使用apply()计算每列最大值的比值 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()中设置最小观测期 286

367  使用pct_change()计算增减百分比 287

368  使用apply()获取每列数据的最大值 288

369  使用apply()获取每列数据的中位数 288

370  使用describe()获取指定列的最大值 289

371  使用agg()获取所有列的最大值 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()分组并获取各组最大值 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()获取分组指定列的最大值 351

441  使用agg()获取分组某几列的最大值 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()筛选分组指定列的最大值 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()获取分组某列的最大值 366

458  使用apply()获取分组数值列的最大值 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最大值 391

489  使用指定颜色高亮显示指定列的最大值 392

490  使用指定颜色高亮显示所有列的最小值 393

491  使用指定颜色高亮显示指定列的最小值 393

492  使用自定义函数设置每列的最大值颜色 394

493  使用自定义函数设置每列的最小值颜色 395

494  使用指定颜色高亮显示所有行的最大值 396

495  使用指定颜色高亮显示指定行的最大值 396

496  使用指定颜色高亮显示所有行的最小值 397

497  使用指定颜色高亮显示指定行的最小值 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