来自一线开发者的实践、思考与复盘。
本篇把前 29 章里最容易被面试官追问的基础考点整理成一套"面试题精讲"：Series/DataFrame 的创建与结构、loc/iloc/布尔索引/query 的选择、缺失值处理、数据类型与转换、map/apply/applymap 的区别，以及视图与副本、链式赋值、axis 混淆三大经典坑。每道题按"题目 → 考点分析 → 参考答案代码（带丰富中文注释）→ 追问与延伸"组织，文末配速查表与易错点总结。前置知识：读完第 1~18 章即可。学完后你能在面试中快速、准确地写出 pandas 基础题答案，并知道每个 API 的适用边界。
文本数据（评论、反馈、工单）是了解用户声音的宝库。本案例综合运用 pandas 的文本能力（结合[第 9 章](09-文本数据处理.md)），完成中文评论分析全流程：**清洗 → 分词 → 词频统计 → 情感判定 → 主题归类 → 可视化 → 洞察**。
A/B 测试（实验）是数据驱动决策的标准工具：把用户随机分到对照组和实验组，比较指标差异。本案例用 pandas + scipy 完整实现：**实验设计检查、指标对比、显著性检验（t 检验/卡方检验）、置信区间、样本量**，并规范地给出结论。
本案例用 pandas 分析**网站访问日志**：计算 **PV/UV/人均浏览、来源渠道、时段分布**，并构建经典的**转化漏斗**（浏览 → 详情 → 加购 → 下单 → 支付），找出流失最严重的环节。
本案例用 pandas 完整走一遍**金融时间序列分析**流程：**日收益率、移动平均、布林带、滚动波动率、最大回撤、简单策略回测与风险指标**。全部基于 pandas 的向量化能力，展示时间序列分析的工程化写法。
**Cohort（同期群）分析**是互联网运营最核心的分析方法之一：把用户按"首次行为时间"分组（如注册月份），追踪每个群组在后续每个周期的留存表现。本案例用 pandas 完整实现：**群组划分 → 留存矩阵 → 留存曲线 → 洞察结论**。
从本篇开始进入**完整案例分析**系列。每个案例都遵循真实项目的完整流程：**数据模拟 → 清洗 → 探索 → 分析建模 → 可视化 → 结论与行动建议**。本篇做电商订单分析，重点展示 **GMV 指标拆解、复购分析、RFM 用户分层**。
[第 16 章](16-性能优化与实战案例.md)介绍了性能优化总原则。本篇给出**最全的 apply→向量化 对照手册**：`np.where`、`np.select`、`np.clip`、字符串向量化、分组向量化、`numba` 加速，以及性能剖析方法。学完本篇，你的 pandas 代码将又快又优雅。
[第 4 章](04-数据读取与写入.md)讲了基础读写。本篇进阶：**Excel 样式与复杂写盘、多层嵌套 JSON 展开（json_normalize）、大文件分块/追加、数据库优化、Parquet 工程化、网页表格抓取**，覆盖真实项目中的高频读写场景。
[第 15 章](15-数据可视化.md)讲了 pandas 内置绘图。本篇进阶：**Seaborn 联动、热力图、分布组合图、双轴图、专业主题与样式、大数据绘图性能**，让你做出能直接进报告的专业图表。
