《Pandas 数据分析：5 个实战案例带你快速上手》

本书通过五个典型数据分析场景，帮助读者快速掌握 Pandas 核心技能。以下是案例概览：

案例 1：销售数据清洗与统计

• 目标：处理缺失值与异常值，计算关键指标
• 核心技能：

  # 缺失值处理
  df.fillna(method='ffill', inplace=True)
  
  # 分组统计
  monthly_sales = df.groupby('月份')['销售额'].sum()
  

案例 2：用户行为漏斗分析

• 目标：追踪用户转化路径，计算各环节转化率
• 核心技能：

  # 转化率计算
  funnel_rate = df[['注册', '下单', '支付']].apply(lambda x: x/x.iloc[0], axis=1)
  
  # 可视化漏斗
  funnel_rate.plot(kind='bar', stacked=True)
  

案例 3：时间序列预测

• 目标：基于历史数据预测未来趋势
• 核心技能：

  # 重采样与滑动窗口
  df_resampled = df.resample('W').mean()
  df_rolling = df_resampled.rolling(window=4).mean()
  

案例 4：多维度客户分群

• 目标：通过 RFM 模型划分用户价值等级

• 核心公式：

  $$RFM_Score = 0.5 \times R + 0.3 \times F + 0.2 \times M$$

  其中 $R$ (最近购买), $F$ (购买频次), $M$ (消费金额) 标准化值

案例 5：文本数据情感分析

• 目标：结合文本处理与数值分析
• 核心技能：

  # 文本向量化
  from sklearn.feature_extraction.text import TfidfVectorizer
  tfidf = TfidfVectorizer().fit_transform(df['评论'])
  
  # 情感分合并
  df['情感分'] = tfidf.dot(sentiment_weights)
  

学习路径建议：

1. 先掌握基础操作：DataFrame创建、索引、切片
2. 重点练习数据清洗技巧：处理缺失值、重复值、异常值
3. 熟练使用分组聚合：groupby + agg 组合
4. 实践数据可视化：df.plot() 快速探索数据分布

提示：所有案例提供完整数据集和代码，建议配合 Jupyter Notebook 边学边练！