以下是基于 Pandas 库操作 Excel 文件的具体实现方案。假设我们有一个存储在 D 盘的名为 `data.xlsx` 的 Excel 文件，里面有一张工作表包含了以下字段：`id`, `name`, `education`, `salary`, 和 `createTime`。 ### 步骤解析 #### (1) **读取本地Excel数据** 首先需要导入 pandas 库，并指定路径加载该 excel 表格的数据到 DataFrame 中。 ```python import pandas as pd df = pd.read_excel(r'D:\data.xlsx') ``` #### (2) **查看DataFrame前5行** 显示 dataframe 最前面的部分记录以便初步了解数据结构。 ```python print(df.head()) ``` #### (3) **将 salary 列数据转换为最大值与最小值的平均值** 找到工资的最大和最小值求得均数后再赋给整个列。 ```python avg_salary = df['salary'].max() + df['salary'].min() df['salary'] = avg_salary / 2 ``` #### (4) **根据学历分组并计算平均薪资** 利用 groupby 函数按 education 分层再算各层次下薪水期望值得多少。 ```python grouped_df = df.groupby('education')['salary'].mean() print(grouped_df) ``` #### (5) **将 createTime 列时间转换为月-日格式** 借助 datetime 模块重新设定日期格式展示形式。 ```python df['createTime'] = pd.to_datetime(df['createTime']).dt.strftime('%m-%d') ``` #### (6) **查看索引、数据类型和内存信息** 获取关于当前表格基本信息如使用的空间大小等细节。 ```python print(df.info(memory_usage='deep')) ``` #### (7) **查看数值型列的汇总统计** 得到对于数字类型的变量描述性的统计数据报告包括计数、极差等等指标。 ```python summary_stats = df.describe(include=[np.number]) print(summary_stats) ``` #### (8) **新增一列，根据 salary 将数据分为三组** 依据特定规则创建新分类标签附加至原始资料集中成为额外维度特征之一。 ```python def categorize_salary(salary): if salary < threshold_low: return 'Low' elif threshold_low <= salary < threshold_high: return 'Medium' else: return 'High' threshold_low = ... # 自定义阈值 threshold_high = ... df['category'] = df['salary'].apply(categorize_salary) ``` #### (9) **按照 salary 列对数据进行降序排列** 通过 sort_values 方法调整排序次序使得高薪者排于前列位置上。 ```python sorted_df = df.sort_values(by='salary', ascending=False) print(sorted_df[['id','salary']]) ``` #### (10) **取出第33行数据** 选取某一行的所有元素呈现出来供参考查阅之需。（注意这里是基于零开始编号） ```python row_33_data = df.iloc[32] print(row_33_data) ``` 以上就是在 Jupyter Notebook 内部运行过程中每个环节对应代码片段示意说明；为了更直观清楚地表达每步效果变化情况，在实际练习时还可以配合生成相关图表或者做适当注解辅助理解流程走向哦！ ---