学习编程语言、开发工具与工程实践，按技术专题查阅原创教程、可运行示例和常见问题。
pandas 2.0（2023 年 4 月发布）是 pandas 十年来最大的一次版本跃迁，引入了 Copy-on-Write 写时复制、PyArrow 后端、可空字符串 dtype 等一系列底层改造。本篇结合本机 pandas 3.0.6 实跑数据，讲清这些特性在 2.x 引入、3.x 延续并成为默认的来龙去脉，包括 CoW 的链式赋值行为差异、PyArrow 后端的内存与耗时实测、字符串 dtype 从 object 到 str 的演进，以及 value_counts、groupby observed 等细节变化。学完你能判断自己的代码在 2.x/3.x 下会不会踩坑，并在新项目中正确选择 PyArrow 后端。 本篇是系列从"pandas 日常用法"走向"版本演进与生态选型"的过渡章。前面 01~54 章的示例都可以在 pandas 3.0 上直接运行；本章开始，你会看到 pandas 与 Polars（下一章）在设计哲学上的分野。
本篇用一份**模拟的电商订单数据**，完整演示经营分析的标准流程：模拟两表数据（orders + customers）→ 缺失/异常/类型清洗 → RFM 用户分层 → 月/周几/一天中的时段分析 → 品类×区域透视 → 复购率与首次回购间隔 → 高价值用户画像对比。前置知识：第 15 章分组聚合、第 17 章透视表、第 21 章时间序列重采样。学完后你能独立给一份订单数据做经营复盘并输出可落地的运营动作。
本篇用机器学习界的"Hello World"——Kaggle 泰坦尼克号竞赛数据集，完整走一遍**真实项目的数据分析流程**：数据加载与兜底、字段理解、缺失值诊断与清洗、单变量/多变量探索、scipy 统计显著性检验、特征工程，最后用数据讲一个"什么样的人更容易幸存"的故事。前置知识：第 6~8 章的缺失值处理、第 15 章的分组聚合、第 19 章的分组变换。学完后你能把前面所有零散知识点串成一条可复用的分析流水线。
本篇从 LeetCode 数据库板块选 14 道 SQL↔pandas 经典题，覆盖条件筛选、反连接（left join + indicator）、groupby 分组聚合、首次登录日期、排序与奇数行过滤、座位交换、性别互换、作者自阅、pivot 透视重建、字典替换、按日聚合字符串拼接、机器耗时自连接、薪资分档、外连接找缺失信息。每道题按"题目概括 → 思路 → 带中文注释的参考答案 → 复杂度与考点"四步走，所有答案在本机 pandas 3.0.6 下实跑通过。前置知识是本系列第 06、07、11、12、13、14 章。学完后你就能把 LeetCode 数据库板块 Easy 题全部翻译成 pandas。
本篇从 LeetCode 官方 "Introduction to Pandas" 板块选 14 道入门题，覆盖 DataFrame 创建、形状探查、head/loc 筛选、新增列、去重、缺失值删除与填充、列重命名、类型转换、concat 拼接、pivot 透视、melt 反透视等最核心的日常操作。每道题按"题目概括 → 思路 → 带中文注释的参考答案 → 复杂度与考点"四步走，所有答案在本机 pandas 3.0.6 下实跑通过。前置知识是本系列第 02、03、05、06、07、08、11、12 章。学完后你可以直接在 LeetCode 上把 Introduction 板块刷到 100% 通过率。
上一篇讲了 Excel"功能按钮"与 pandas 的对照，本篇讲"公式"的对照——把 SUMIF、SUMIFS、COUNTIF、COUNTIFS、IF、IFS、INDEX/MATCH、LEFT/RIGHT/MID、IFERROR、RANK、ROUND、CONCATENATE 这些天天写的 Excel 公式，逐一翻译成 pandas 表达式。每节先给 Excel 公式写法，再给 pandas 等价代码（已实跑），最后列注意事项。前置知识：[第 49 章 Excel 常用功能与 pandas 对照](49-Excel常用功能与pandas对照.md)、[第 13 章 分组聚合：groupby](13-分组聚合：groupby.md)、[第 48 章 NumPy 与 pandas 协同](48-NumPy与pandas协同.md)。学完后你拿到一张带公式的 Excel 报表，能立刻用 pandas 复现全部计算逻辑。
本篇把 Excel 里你天天在用的操作——VLOOKUP、透视表、筛选、排序、去重、条件格式、分列、查找替换——逐一翻译成 pandas 写法。每节先给一张"Excel 操作 | pandas 代码 | 说明"三栏对照表，再给一段可运行示例，并指出 Excel 里有、pandas 里没有（或反过来）的能力边界。前置知识：[第 04 章 数据读取与写入](04-数据读取与写入.md)、[第 11 章 数据合并：concat-merge-join](11-数据合并：concat-merge-join.md)、[第 12 章 数据重塑与透视表](12-数据重塑与透视表.md)。学完后你看到任何一张 Excel 表，都能立刻想到对应的 pandas 一行代码。
本篇讲 pandas 与底层引擎 NumPy 的"无缝互操作"：Series/DataFrame 与 ndarray 如何互转（含 `to_numpy` 的 copy 语义、pandas 3.0 字符串 dtype）、`np.where`/`np.select` 做向量化条件列、`np.nan`/`np.inf` 的传播与清洗、`np.sqrt`/`np.log` 等 ufunc 整列广播、以及 dtype 视角下什么时候该把数据"降回"NumPy。前置知识：[第 46 章 NumPy 数组基础与创建](46-NumPy数组基础与创建.md) 与 [第 47 章 NumPy 广播与向量化计算](47-NumPy广播与向量化计算.md)。学完后你能在 pandas 里熟练调用 NumPy 算子做高性能列处理，并避开 NaN/inf/object 数组的经典坑。
本篇承接第 46 章的 ndarray，讲透两个让 NumPy 既强大又高效的机制：广播（broadcasting）与向量化计算。我们会逐条拆解广播的三条规则，用逐例图解表格说明形状如何从右对齐、维度为 1 时如何扩展、什么时候会抛 ValueError；然后系统介绍 ufunc 通用函数、聚合函数与 axis 参数、布尔掩码与 np.where；最后用本机在 1e6~1e7 元素上实跑对比"向量化 vs Python 循环"，给出真实耗时表。前置知识是第 46 章的 ndarray 创建与索引。学完后你会理解 pandas 整列运算为什么快、形状报错该怎么读，并为第 48 章 NumPy 与 pandas 协同打好基础。
本篇正式进入 pandas 的"地基"——NumPy ndarray。我们会对比 ndarray 与 Python list 的本质区别，讲清 dtype/shape/ndim/size/itemsize 五大属性，系统演示 np.array、arange、linspace、zeros、ones、eye、full、empty 八种创建方式与 random 随机数套件，再覆盖 reshape/ravel/flatten/转置、正负索引、步长切片、布尔索引、花式索引以及"视图 vs 副本"这一最容易踩坑的主题。前置知识是本系列前 45 章的 pandas 基础操作。学完后你会真正看懂"pandas 底层到底是什么"，并为第 47 章广播与向量化、第 48 章 NumPy 与 pandas 协同打好基础。
