第 20 章 时间序列高级：工作日历、节假日、时区与频率转换
[第 14 章](14-时间序列分析.md)讲了时间序列的基础（resample/rolling/shift）。本篇深入进阶：**工作日与业务日历、节假日处理、时区与夏令时、Period 区间、频率转换、时间特征工程**。这些是金融、运营、排班等真实场景的高频需求。
发现值得阅读的好内容
来自一线开发者的实践、思考与复盘。
最新文章
469 篇
第 19 章 groupby 高级进阶：窗口、自定义聚合与链式操作
在[第 13 章](13-分组聚合：groupby.md)掌握了 groupby 基础后，本篇进入进阶：**分组+滚动窗口、分组内 shift/diff、自定义聚合对象、named agg 高级用法、链式流水线、分组时间序列重采样**。这些是数据分析实战中真正高频的高阶技巧。
第 18 章 视图、副本与 SettingWithCopyWarning 彻底理解
`SettingWithCopyWarning` 是 pandas 用户最常见的困惑之一。本篇文章从**底层内存机制**讲起，彻底弄清"视图（view）"与"副本（copy）"的区别，理解警告产生的原因，掌握安全修改数据的最佳实践，并介绍 pandas 2.0 的 **Copy-on-Write（写时复制）** 新机制。
第 17 章 高级索引与 MultiIndex 深度实战
在[第 6 章](06-数据选择与索引.md)掌握了 loc/iloc 的基础后，本篇带你深入 pandas 的索引高阶玩法：**MultiIndex（多层索引）的创建、访问、排序、层级变换**，以及 `IndexSlice`、`xs`、`get_level_values` 等高级索引器。多层索引是透视表、分组统计、面板数据的基石。
第 16 章 性能优化与实战案例
这是系列的最后一篇。前半部分讲 pandas 的性能优化技巧（向量化、内存优化、大数据处理），后半部分用一个完整的**实战项目**把前面 15 章的知识串起来：从读数据、清洗、分析到可视化出报告。
第 15 章 数据可视化
"一图胜千言"。pandas 内置了基于 Matplotlib 的绘图接口（`.plot`），几行代码就能生成折线图、柱状图、散点图、箱线图、直方图等常用图表。本篇文章带你掌握 pandas 绘图的全部常用技能，并能与 Matplotlib 无缝配合做细节美化。
第 14 章 时间序列分析
时间序列数据无处不在：股票、销量、日志、传感器……pandas 对时间序列的支持极其强大：**日期解析、日期索引、重采样、滚动窗口、时间偏移**。本篇文章系统讲解 pandas 的时间序列武器库。
第 13 章 分组聚合：groupby
`groupby` 是 pandas **最强大**的统计分析武器：按一个或多个键把数据分组，然后对每组做聚合、变换、过滤。它对应 SQL 的 `GROUP BY`，也是"拆分-应用-合并"（split-apply-combine）思想的典范。
第 12 章 数据重塑与透视表
数据有两种典型形态：**长格式**（一行一个观测）和**宽格式**（一行多个变量）。分析时经常需要在两者之间切换，并生成 Excel 式的**透视表**。本篇文章系统讲解 pandas 的重塑武器：**pivot / pivot_table / melt / stack / unstack / crosstab**。
第 11 章 数据合并：concat / merge / join
真实分析中，数据往往分散在多张表里：订单表、客户表、商品表……把它们合起来是必修课。本篇文章讲解 pandas 的三大合并武器：**concat（拼接）、merge（SQL 式连接）、join（索引连接）**。