### Pandas 数据运算、分组聚合及可视化 示例代码 以下是基于所提供的参考资料构建的一个完整的示例代码，涵盖了数据加载、清洗、分组聚合以及可视化的过程： #### 示例代码说明 该代码首先加载了一个假设的销售数据集，并进行了必要的数据清理工作。随后通过 `pandas` 的 `groupby` 方法按月份对数据进行分组并计算每个月份的价格总和与数量总和。最后使用 `seaborn` 库绘制折线图以展示趋势。 ```python import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # 假设有一个CSV文件名为 sales_data.csv data = pd.read_csv('sales_data.csv') # 移除含有缺失值的行 data.dropna(inplace=True) # 将日期列转换为 datetime 类型以便后续处理 data['date'] = pd.to_datetime(data['date']) # 提取月份信息作为新的列 data['month'] = data['date'].dt.month # 使用 groupby 对数据按月分组，并分别计算价格总额和数量总额 aggregated_data = data.groupby('month').agg({ 'price': 'sum', # 计算每月价格总额 'quantity': 'sum' # 计算每月数量总额 }).reset_index() # 绘制折线图显示每月销售额和销量的变化趋势 plt.figure(figsize=(10, 6)) sns.lineplot(x='month', y='price', data=aggregated_data, label='Total Price') sns.lineplot(x='month', y='quantity', data=aggregated_data, label='Total Quantity') # 设置图表标题和标签 plt.title('Monthly Sales Trends') plt.xlabel('Month') plt.ylabel('Amount') plt.legend() plt.show() ``` 上述代码实现了从原始数据到最终可视化的完整流程[^1]。其中，`groupby` 和 `agg` 函数用于实现高效的分组聚合操作，而 `seaborn` 则提供了强大的绘图功能[^2]。 --- ### 关键知识点解析 1. **数据读取与预处理** - 使用 `pd.read_csv()` 加载 CSV 文件中的数据。 - 调用 `dropna()` 删除包含缺失值的记录，确保数据质量。 2. **时间序列处理** - 将日期字段转换为标准的时间戳格式 (`datetime`)。 - 提取日期中的特定部分（如年份、月份），便于进一步分析。 3. **分组与聚合** - 使用 `groupby()` 方法指定分组依据（这里是月份）。 - 结合 `agg()` 定义每组内的汇总逻辑（此处分别为求和）。 4. **数据可视化** - 使用 `seaborn.lineplot()` 创建清晰的折线图，帮助理解数据变化规律。 - 添加图例、标题和坐标轴标签提升可读性。 ---