Python查看数据类型与格式
本文介绍Python中查看数据类型的常用方法，涵盖Numpy数组与Pandas数据框的类型判断。重点解析bytes、bytearray与string的区别，演示数字、ASCII及汉字在bytes类型下的创建、转换、切片与迭代操作，帮助开发者准确处理二进制数据。
2026-10-16
0
本文介绍Python中查看数据类型的常用方法，涵盖Numpy数组与Pandas数据框的类型判断。重点解析bytes、bytearray与string的区别，演示数字、ASCII及汉字在bytes类型下的创建、转换、切片与迭代操作，帮助开发者准确处理二进制数据。
本文介绍如何使用Python的pandas库将宽表转换为窄表。通过pd.melt函数重塑数据结构，并结合dropna处理空值，最终导出为Excel文件。该方法简化了数据分析流程，提升了办公效率。
本文介绍如何利用C++语言处理文本数据，统计地铁站点名称中各汉字的出现频率。通过读取包含站名的文件，首先对数据进行去重处理，随后逐字遍历并记录字符次数，最后根据频次进行降序排序输出。该方法展示了基础的文件I/O、字符串操作及数组管理技巧。
本文介绍如何使用Python的Pandas库读取和写入.xlsx格式文件。通过示例演示了如何指定Sheet名、表头及读取特定列，并展示了如何修改Excel数据后保存为新文件，确保原始数据不受影响。
本文详细介绍如何使用Python pandas库中的read_json函数将JSON文件或字符串转换为数据框。文章通过具体示例演示了records、index、columns、values及split五种orient格式的参数配置与输出结果，并补充了compression压缩加载与encoding编码设置方法，帮助开发者高效处理结构化JSON数据。
本文深入解析Pandas库中的query()方法，通过Titanic数据集演示如何替代传统的方括号索引进行更简洁的数据筛选。涵盖字符串匹配、变量引用、多条件组合、缺失值处理、索引查询及列间比较等核心用法，帮助开发者提升数据处理效率。
本文深入解析Python处理大型数据集的性能优化方案。通过对比串行处理、多进程池（multiprocessing）、joblib并行处理及批处理技术，展示如何显著缩短280万行数据的清洗耗时。重点介绍利用tqdm实现可视化进度监控，并提供从基础到高级的并行处理代码示例与性能数据对比。
本文系统梳理R语言中常用的数据检验方法，包括正态性检验（W检验、K检验）、相关性检验（Pearson、Spearman）、均值与方差的t检验，以及卡方、Fisher和Wilcoxon等非参数检验。提供各检验的适用场景、R函数调用方式及P值解读，帮助读者快速掌握数据分析中的核心检验逻辑。
本文深入解析Python中的索引与切片机制，涵盖列表、NumPy多维数组及Pandas Series/DataFrame的访问方式。重点剖析一维至N维数组的切片规则、区间差异（闭区间与左闭右开），以及Pandas中ix弃用与iloc/loc的正确用法，结合工程实战中的常见错误与混合数据结构风险，提供完整的避坑指南。
本文介绍利用Python自动化处理年度民主评议表的完整方案。通过docx解析Word文档中的评价表格，使用pandas进行数据汇总与加权计分，最终将结果写入Excel文件。代码不足80行，涵盖从安装依赖、读取目录、解析表格、计算评分到导出文件的全流程，适用于批量处理员工评价数据。
本文介绍如何使用Python的docxtpl和pandas库，通过预设Word模板批量生成包含特定数据的文档。文章详细讲解了环境配置、库安装、CSV数据读取、模板渲染及文件保存的完整流程，并提供了常见错误（如乱码、权限问题）的解决方案，适用于需要处理大量重复性文档生成的场景。
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。
