import pandas as pd

file = pd.read_csv('people.csv',encoding='gbk')  #数据加默认索引
file
地点名字职位工资在职情况
0北京小红渠道合作经理15000在职
1北京小明行政专员8000离职
2北京小白行政专员9000在职
3上海小绿商户经理12000在职
4上海小黄商户经理10000离职
5上海小黑团队长12000在职
6广州小紫渠道合作主管20000在职
7广州小粉渠道合作主管20000在职
8广州小青经理10000离职
9广州小蓝团队长13000在职
file.iloc[2,0] = '深圳'
file
地点名字职位工资在职情况
0北京小红渠道合作经理15000在职
1北京小明行政专员8000离职
2深圳小白行政专员9000在职
3上海小绿商户经理12000在职
4上海小黄商户经理10000离职
5上海小黑团队长12000在职
6广州小紫渠道合作主管20000在职
7广州小粉渠道合作主管20000在职
8广州小青经理10000离职
9广州小蓝团队长13000在职
file.to_csv('people2.csv')  #将修改保存至文件
# python
Logo
NVIDIA DRIVE 智能汽车专区

更多推荐

基于5090D服务器的NVIDIA Alpamayo实验

本文介绍了在NVIDIA 5090D服务器上部署和运行Alpamayo自动驾驶大模型的全过程。Alpamayo是由NVIDIA社区开发的开源VLA（视觉-语言-动作）模型，具有10B参数规模，支持可解释的驾驶决策和多模态轨迹规划。实验环境搭建包括：创建Python 3.12虚拟环境、安装git/uv工具、配置Hugging Face访问权限，并从ModelScope下载模型权重。通过修改推理脚本路

avatar NVIDIA DRIVE 智能汽车专区
cover

NVIDIA智能汽车技术实战营笔记——Alpamayo

avatar NVIDIA DRIVE 智能汽车专区

看完 Alpamayo 的施工区案例，我想起了园区里的那些车

园区物流项目做久了，会发现视频告警最不缺的就是“异常”。真正费时间的，是弄清楚异常为什么发生，以及接下来该怎么处理。一段十几秒的行车视频里，可能同时有施工锥、作业车辆、行人和正在减速的前车。普通视觉模型可以把它们一一框出来，却未必能回答那个更接近业务的问题：这些东西和当前车辆有什么关系？此刻应该继续走、先减速，还是向旁边让一点？

avatar NVIDIA DRIVE 智能汽车专区