### 为什么要用 `idxmax/min()` 而不是 `argmax/min()` 在 Pandas 的新版本中，`argmax` 和 `argmin` 方法已不建议使用，建议使用 `idxmax` 和 `idxmin` 方法。这是因为 `argmax` 和 `argmin` 返回的是整数索引位置，而 `idxmax` 和 `idxmin` 返回的是自定义索引。当使用自定义索引时，`idxmax` 和 `idxmin` 能更直观地显示最大值或最小值所在的索引标签，避免了使用整数索引可能带来的混淆。在 DataFrame 中，`argmax` 与 `argmin` 已被逐渐淘汰，使用 `idxmax` 和 `idxmin` 可以提高代码的可读性和兼容性[^2][^4]。 示例代码如下： ```python import pandas as pd import numpy as np # 创建 DataFrame df = pd.DataFrame(np.arange(12, 32).reshape((5, 4)), index=["a", "b", "c", "d", "e"], columns=["WW", "XX", "YY", "ZZ"]) # 使用 idxmax 找到 YY 列最大值的索引 max_index = df["YY"].idxmax() print("最大值的索引:", max_index) ``` ### 为什么要用 `nunique()` 而不是 `len(set(df['列名'].tolist()))` `len(set(df['列名'].tolist()))` 在统计去重时并非不准确，但存在一些问题。这种方法首先将 Pandas 的 Series 转换为 Python 列表，再使用 `set` 去重，最后计算长度。这个过程涉及多次数据类型转换，在数据量较大时，性能会受到影响。而 `nunique()` 是 Pandas 内置的方法，专门用于统计 Series 或 DataFrame 列中唯一值的数量，它在处理数据时更加高效，能直接在 Pandas 的数据结构上操作，避免了不必要的数据类型转换，从而提高了性能[^1]。 示例代码如下： ```python # 使用 nunique 统计 YY 列的唯一值数量 unique_count = df["YY"].nunique() print("唯一值的数量:", unique_count) ```