至尊技术网

统计

登录

标签搜索

搜索到 2 篇与的结果

Python数据变形实战：用melt实现宽表转长表的三大场景

Python数据变形实战：用melt实现宽表转长表的三大场景

正文：在数据分析中，我们常遇到这样的困境：业务系统导出的Excel表格列宽到需要横向滚动十几次，而统计工具却要求"一维化"的数据格式。这时就需要将宽表（Wide Format）转为长表（Long Format），而Pandas的melt函数正是解决这个问题的瑞士军刀。场景一：电商订单属性展开假设有一张包含用户ID和多个订单属性的宽表：import pandas as pd wide_df = pd.DataFrame({ 'user_id': [101, 102], 'order_2023Q1': [2, 1], 'order_2023Q2': [3, 0], 'avg_amount': [150, 200] }) 要将季度订单列转为"时间段-订单数"的长格式，只需：long_df = pd.melt( wide_df, id_vars=['user_id', 'avg_amount'], # 保留的固定列 value_vars=['order_2023Q1', 'order_2023Q2'], # 要转换的列 ...

2025年12月22日

36 阅读

0 评论

Pandas分组数据中跨行计算差异的3个实战技巧

Pandas分组数据中跨行计算差异的3个实战技巧

正文：在数据分析工作中，我们常遇到这样的需求：需要按部门计算销售额环比增长，或按用户分组统计连续登录天数差值。这类分组跨行计算场景，传统的循环处理效率低下，而Pandas的向量化操作能优雅解决。下面通过三个典型案例，拆解实用技巧。一、时间序列下的组内差值计算处理带有时间戳的日志数据时，常需计算同组相邻记录的时间差。例如电商用户两次访问间隔： # 构造测试数据 import pandas as pd df = pd.DataFrame({ 'user_id': [1,1,2,2,2], 'visit_time': ['2023-01-01 09:00', '2023-01-03 11:00', '2023-01-02 14:00', '2023-01-02 18:00', '2023-01-05 10:00'] }) df['visit_time'] = pd.to_datetime(df['visit_time']) # 按用户分组计算时间差 df['time_diff'] = df.groupby('user_id')[...

2025年12月20日

34 阅读

0 评论

悠悠楠杉

37,388 文章数

92 评论量

人生倒计时

今日已经过去小时

这周已经过去天

本月已经过去天

今年已经过去个月

最新回复

强强强
2025-04-07

强的一批
jesse
2025-01-16

有whmcs接口吗？
sowxkkxwwk
2024-11-20

博主太厉害了！
zpzscldkea
2024-11-20

博主太厉害了！
bruvoaaiju
2024-11-14

博主太厉害了！

标签云

强的一批
有whmcs接口吗？
博主太厉害了！
博主太厉害了！
博主太厉害了！
怎么收藏这篇文章？
怎么收藏这篇文章？
想想你的文章写的特别好
想想你的文章写的特别好
不错不错，我喜欢看