<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
	<channel>
		<title>技术教程 on 苏然的博客</title>
		<link>https://bml.asia/tags/%E6%8A%80%E6%9C%AF%E6%95%99%E7%A8%8B/</link>
		<description>Recent content in 技术教程 on 苏然的博客</description>
		<generator>Hugo</generator>
		<language>zh-CN</language>
		
		
		
		
			<lastBuildDate>Thu, 17 Sep 2026 04:19:55 +0800</lastBuildDate>
		
			<atom:link href="https://bml.asia/tags/%E6%8A%80%E6%9C%AF%E6%95%99%E7%A8%8B/index.xml" rel="self" type="application/rss+xml" />
			<item>
				<title>Pandas 数据分析实战教程：13 步从数据读取到透视表</title>
				<link>https://bml.asia/posts/pandas-data-analysis-practice/</link>
				<pubDate>Fri, 28 Aug 2026 01:29:53 +0800</pubDate>
				<guid>https://bml.asia/posts/pandas-data-analysis-practice/</guid>
				<description>&lt;h2 id=&#34;1-实验背景&#34;&gt;1. 实验背景&lt;/h2&gt;&#xA;&lt;p&gt;　　拿到 Pandas 的那天起，处理数据就从&amp;quot;对着一堆乱七八糟的数字发愁&amp;quot;变成了&amp;quot;像操作一张会思考的 Excel&amp;quot;。它脱胎于 NumPy 的数组运算，但真正和你打交道的是两个数据结构：一维的 Series 像是给一串数字贴上了名字标签，二维的 DataFrame 则直接是一张完整的表。用过之后最大的感受是，它把 Excel 的直观和 SQL 的严谨揉在了一起——既能像点表格一样筛选切片，又能像写查询一样分组聚合。本实验以一份电商订单数据集为主线，通过动手操作掌握 Pandas 的构建、读取、切片、合并、聚合与透视等核心能力。&lt;/p&gt;</description>
			</item>
	</channel>
</rss>
