列表推導式vs生成器表達式：Python數據處理效率對比
Python中列表推導式與生成器表達式是生成序列的常用工具，核心差異在內存與效率。列表推導式用中括號，直接生成完整列表，一次性加載所有元素，內存佔用大，可多次遍歷、支持隨機訪問，適合小數據或需重複使用的場景。生成器表達式用小括號，惰性計算，僅在迭代時逐個生成元素，內存友好，只能遍歷一次且無法隨機訪問，適合大數據量或單次處理。關鍵區別：列表內存佔用大、可多次遍歷，生成器惰性生成、內存小、單向迭代。總結：小數據用列表，大數據用生成器，按需選擇更高效。
閱讀全文迭代器與生成器：Python高效處理數據的基礎技巧
Python迭代器和生成器用於處理大數據或無限數據，避免一次性加載內存，提升效率。迭代器是實現`__iter__`和`__next__`方法的對象，只能向前迭代（不可重複），可通過`iter()`從列表等可迭代對象轉換，用`next()`獲取元素。生成器是特殊迭代器，更簡潔高效，分生成器函數（`yield`關鍵字）和表達式（圓括號）。生成器函數如生成斐波那契數列，表達式如`(x**2 for x in range(10))`，均不一次性生成所有元素，內存效率遠高於列表推導式。二者核心區別：迭代器需手動實現迭代邏輯，生成器自動；生成器內存效率更高。適用於大數據流、無限序列等場景。掌握它們可優化內存使用，是Python處理數據的關鍵技巧。
閱讀全文pandas數據統計：5個常用函數幫你快速掌握基礎分析
pandas是Python處理表格數據的強大工具，文章介紹5個基礎統計函數，助初學者快速掌握數據分析技能。 **sum()**：計算總和，自動忽略缺失值（NaN），`axis=1`可按行求和，用於統計總量（如總分）。 **mean()**：求平均值，反映集中趨勢，但易受極端值影響，適合無極端值場景。 **median()**：計算中位數，抗極端值干擾，更能反映“大多數數據真實水平”。 **max()/min()**：分別返回最大/最小值，用於統計極值（如最高分、最低分）。 **describe()**：一站式統計，輸出count（數量）、mean（均值）、std（標準差）、分位數等，全面瞭解數據分佈與波動。 這些函數可回答“總量、平均、中間水平、極值”等基礎問題，是數據分析的“基本功”。後續可進階學習分組統計（groupby）等技能。
閱讀全文pandas Series入門：從理解到實戰操作，新手也能懂
pandas的Series是帶標籤的一維數組，包含數據與索引，是數據處理基礎結構。創建方式多樣：從列表（默認0,1...索引）、字典（鍵爲索引）、標量+長度（重複值），也可自定義索引（如日期、字符串）。核心屬性有values（數據數組）、index（標籤）、name（名稱）、shape（形狀）。索引操作支持標籤訪問（loc）、位置訪問（iloc），切片時標籤切片含結束標籤，位置切片不含。數據操作含sum、mean等統計方法，及布爾條件篩選。實戰中可用於時間序列或標籤化數據（如客流量分析），通過索引快速定位、統計與篩選，掌握索引操作是數據處理的關鍵。
閱讀全文