趋近智
NumPy 和 Pandas 基本功
章节 1: Python 数据处理介绍
什么是 NumPy 和 Pandas？
对人工智能和数据科学的重要性
环境配置
运行你的第一个代码片段
Jupyter Notebook 简介
动手实践：设置与验证
章节 2: NumPy 数组入门
了解 NumPy N 维数组
从 Python 列表创建数组
内置数组创建函数
理解数组数据类型
数组基本属性
实践操作：创建和查看数组
章节 3: NumPy 数组的索引与切片
访问单个元素
一维数组切片
二维数组切片
布尔索引
花式索引
修改数组子集
动手实践：从数组中选择数据
章节 4: NumPy 基本操作
基本算术运算
通用函数（ufuncs）简介
数学和统计函数
数组上的逻辑运算
广播功能简介
动手实践：对数组进行计算
章节 5: Pandas 介绍
Pandas 是什么？
Pandas 数据结构：Series
创建 Series
Pandas 数据结构：DataFrame
创建 DataFrame
检查 DataFrames
实操：创建和查看 Series/DataFrame
章节 6: Pandas 数据加载与保存
从CSV文件读取数据
从Excel文件读取数据
从其他格式读取数据
将数据写入 CSV 文件
写入数据到Excel文件
动手实践：数据集的导入与导出
章节 7: Pandas 中的数据选取与索引
选取列
使用标签选择行 (.loc)
使用整数位置选择行 (.iloc)
混合标签和基于位置的索引
条件选择 (布尔索引)
设置 DataFrame 索引
重置 DataFrame 索引
动手实践：访问特定数据子集
章节 8: 使用 Pandas 进行数据基本处理
识别缺失数据
处理缺失数据：删除
处理缺失数据：填充
删除列和行
添加新列
修改现有列
重命名列
数据排序
实践练习：清理和修改数据框
章节 9: 数据分组与聚合
拆分-应用-组合方法
使用 groupby() 方法对数据进行分组
应用聚合函数
应用多种聚合操作
按多列分组
遍历分组
动手实践：使用 GroupBy 汇总数据
章节 10: 组合 DataFrames
数据合并介绍
连接 DataFrames (pd.concat)
数据库风格的合并 (pd.merge)
理解合并类型（连接）
基于索引的合并
基于索引的合并 (.join)
实践操作：组合数据集
处理缺失数据：删除
这部分内容有帮助吗？
- pandas.DataFrame.dropna, pandas development team, 2024 -
dropna方法的官方文档，详细说明了其参数、行为以及从DataFrame中删除缺失数据的各种方式。 - Python for Data Analysis, Wes McKinney, 2022 (O'Reilly Media) - 一本使用 Pandas 的实用参考书，其中有专门章节介绍缺失数据处理，包括删除行/列及其原因。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurélien Géron, 2022 (O'Reilly Media) - 本书包含数据预处理和清洗的章节，将缺失数据处理置于更广泛的机器学习工作流中。
- Data Mining: Concepts and Techniques, Jiawei Han, Micheline Kamber, Jian Pei, 2011 (Morgan Kaufmann) DOI: 10.1016/C2009-0-61819-5 - 一本学术教材，其中有数据预处理章节，解释了缺失数据的理论背景和各种方法，包括消除法。