Pandas DataFrame中inf值的处理与替换方法
本文介绍在Pandas DataFrame计算中产生inf（无穷大）值的原因及处理方法。通过Numpy库提供的isinf、isposinf等函数定位inf位置，并演示如何将Series或整个DataFrame中的正负无穷大替换为指定数值或NaN，以适配机器学习算法对数据完整性的要求。
2026-10-16
0
本文介绍在Pandas DataFrame计算中产生inf（无穷大）值的原因及处理方法。通过Numpy库提供的isinf、isposinf等函数定位inf位置，并演示如何将Series或整个DataFrame中的正负无穷大替换为指定数值或NaN，以适配机器学习算法对数据完整性的要求。
本文详细介绍在Python中使用pandas库计算环比和同比数据的方法。通过示例演示了利用shift、diff及pct_change函数处理时间序列数据的技巧，涵盖月度、季度及年度周期设置，并解析了处理缺失值和不同轴向计算的参数配置，帮助开发者高效完成业务数据分析。
本文介绍在Pandas中修改DataFrame值时如何避免链式索引（Chained Indexing）导致的SettingWithCopyWarning。通过对比直接链式访问与使用loc方法的差异，说明直接标签访问的潜在问题，并推荐正确的赋值方式以确保数据修改生效。
本文详细介绍Python Pandas库中的基本数据操作，涵盖索引选取、赋值修改及排序功能。通过股票数据示例，演示如何使用直接索引、loc、iloc及ix进行数据提取，讲解DataFrame与Series的赋值方法，并深入解析按值与按索引排序的参数设置与实现细节。
本文详解Python pandas库中数据合并与拼接的三种核心方法：merge、join和concat。重点解析merge基于列的内、外、左、右连接参数，join基于索引的连接方式，以及concat对Series和DataFrame的行/列拼接操作，涵盖多列连接、索引处理及常见报错解决方案。
本文详细介绍pandas库中DataFrame.set_index方法的具体使用。涵盖key、drop、append、inplace及verify_integrity等核心参数的含义与配置，通过实例演示如何指定单列或多列作为索引，以及如何构建多级索引和原地修改数据框，帮助开发者高效处理数据索引。
本文详细介绍Python pandas中处理缺失值的三种核心方法：删除含缺失值的样本或特征列，以及使用具体数值或前后值进行填充。通过dropna、drop和fillna函数的参数详解与代码示例，帮助开发者快速掌握数据清洗技巧。
本文详解Python Pandas中dropna()方法删除特定行与列的参数用法，包括axis、how、thresh和subset。针对仅基于单列缺失值删除行的需求，提供通过fillna填充后索引定位删除的替代方案，帮助精准过滤数据。
本文详细介绍如何利用Python的Pandas库高效读写Excel文件。涵盖read_excel函数的核心参数如sheet_name、header、usecols及skiprows的使用方法，演示ExcelFile类对多Sheet的高效读取。同时讲解to_excel写入逻辑，包括自动创建文件、覆盖数据及关闭文件的注意事项，并通过ExcelWriter实现多Sheet一次写入及追加模式操作，提供完整代码示例。
本文详解Pandas中固定时间点（Timestamp）与时长（Timedelta）对象的创建、属性访问及常用方法。涵盖通过字符串、数字及偏移量构建时间对象，提取年月日等丰富属性，处理缺失值NaT，以及利用dt访问器操作时间序列。同时介绍时间差的计算、Timedelta的多种构造方式及时长运算，帮助掌握Pandas核心时间数据处理技巧。
本文详细介绍Pandas中fillna()函数处理缺失值的多种方法。涵盖inplace参数对原对象的影响、method参数（ffill/bfill）的前后填充逻辑，以及limit和axis参数的控制技巧。通过常数填充、字典映射及具体代码示例，帮助开发者高效完成数据清洗任务。
本文详细介绍Pandas中计算相关性系数的corr()方法。涵盖相关性的定义、正负相关判断及系数范围[-1,1]。重点解析method参数的三种选项：pearson（线性）、kendall（分类/无序）和spearman（非线性），并通过一元二次方程示例对比各系数在非线性数据下的表现差异，强调相关性与因果性的区别。
