嗨我是花姐，老读我文章的都知道，我自己平时写策略、做数据清洗，Pandas 几乎是天天用。
咱们可能都学过 Pandas 的基础，但你知道吗？其实有不少小技巧，能让你干活快好几倍！ 今天，我给你挑了 20 个特别实用的 Pandas 操作，不夸张，学会它们真的能帮你省出好几个小时，让你处理数据效率翻倍。 想知道都有哪些？那就跟着我一起往下看吧！
1. 只读取你真正需要的列
你是不是经常这样？
python
df = pd.read_csv("big.csv")然后读个几百 MB 的 CSV，机器就开始嗡嗡响，人也开始烦躁......
其实你只需要它的几列，干嘛读全部？
更聪明的做法是：
python
df = pd.read_csv("big.csv", usecols=["id", "total", "date"], dtype_backend="pyarrow")咋回事？
usecols直接告诉 Pandas：别废话，就给我这三列。省事！dtype_backend="pyarrow"是个新东西，Pandas 2.0 后才有，用的是 Apache Arrow 的数据结构，速度快，内存占用也低。
适合啥场景？
像我做因子研究时，一份数据 1000 万行，但我可能只看其中 2 列。这时候这一招就太香了
2. 自动优化列类型，降低内存使用率
读完 CSV 之后你有没发现，明明整列是整数，Pandas 偏给你识别成 float64，还有一堆 object 类型，看着都头疼。
不改会咋样？
不仅占内存，而且后续 .groupby()、.merge() 都会拖慢速度，关键有时候还会出 bug......
聪明的你应该这样做：
python
df = df.convert_dtypes(dtype_backend="pyarrow")它干了啥？
- 自动帮你找出最合适的数据类型，比如 Int64、string 而不是 object
- Arrow 格式的字符串操作快得飞起（你
.str.contains()跑过你就懂了）
用我自己的项目举个例子：我之前处理一个上市公司年报表格，改用这个方法后，内存占用直接降了快一半。省得我电脑一跑就卡死
3. 一行搞定全表概况
你是不是也这么干过：
python
df.info()
df.describe()
df['某列'].value_counts()是不是写得你手疼眼花？
有更快的办法👇：
python
df.describe(include="all", datetime_is_numeric=True)这个指令真的有点牛：
include="all"：所有类型的列都分析，包括文本和时间datetime_is_numeric=True：把时间当成数字，能看到最大、最小、平均时间
你可能在想：这有啥特别的？其实它可以帮你秒发现很多问题，比如：
- 某列本该唯一，结果发现 unique 有 3 万？
- 某个时间列平均值是 1970？是不是数据错了？
4. 精准知道内存吃了多少
你电脑要是经常爆内存，那你一定要会这个操作：
python
df.memory_usage(deep=True).sum() / 1048576除以1048572（1024^2）是把字节转换成MB ，可以直接告诉你 DataFrame 实际用了多少 MB。
注意 deep=True 是关键，它会把 object 类型（比如 string）真正占用的空间算进去，不然你看到的只是个"假数字"。
有时候跑着跑着代码突然爆了个 MemoryError，我整个人都不好了...... 这时候就得看看到底是哪列吃内存吃得这么猛； 用这招还能帮你调优 Dask 或 Modin 的分布式任务，效果杠杠的。
5. 用 SQL 一样的语法筛选数据
有些朋友可能不习惯 Pandas 的 df[df.col == x] 这种写法，总觉得又长又绕。
你可以换种方式写得更清楚👇：
python
high_apac = df.query("sales > 1000 & region == 'APAC'")就像在写 SQL 一样。
为什么强？
- 支持动态字符串，适合做前端交互
- 内部用的是
numexpr引擎，计算快 - 写起来干净，读起来顺溜（尤其多条件时）
6. 只取 Top N，不用全排序
你还在用这种方式取前十吗？
python
df.sort_values("profit", ascending=False).head(10)这可是把整张表都排完了！浪费！
有个更高效的写法：
python
top10 = df.nlargest(10, "profit")这操作底层用的是快速选择算法，只排出前N大的行，速度更快，尤其数据量大的时候差距特别明显。
7. 列之间的运算写得更优雅
一般我们写这样：
python
df["revenue"] = df["quantity"] * df["price"]很正常对吧？但如果你操作复杂点，变量多，很容易乱套。
不如这样：
python
df["revenue"] = df.eval("quantity * price")支持字符串表达式，而且底层走的是 Pandas 内部的表达式计算引擎，比你手动算更快更省内存。
而且对链式操作特别友好，不用中途取值赋值再返回，非常干净。
8. 用 assign() 给 DataFrame 添加列（还能链式）
想新增一列，不想打断链式调用，写得优雅点？
用这个：
python
df = df.assign(gm=lambda x: x.gross - x.cogs)不影响原 DataFrame，还可以连着继续 .groupby()、.plot() 各种方法链。
我写 pipeline 时几乎必用这个，有种"写函数式"的爽感
9. 计算组内占比（比如每类产品销量占比）
你有没有被 .groupby().sum() + .merge() 弄得晕头转向？
其实只需要一行：
python
df["sales_share"] = df.groupby("product")["sales"].transform(lambda x: x / x.sum())一行解决组内占比问题，还能原地加回每行数据。真的是又短又强。
10. 多指标汇总（指定列+函数）
不想再被下面这种写法绑架了：
python
df.groupby("region")["sales"].agg(["sum", "mean"])多层索引真不太友好......
这样写：
python
summary = df.groupby("region", as_index=False).agg(
total=("sales", "sum"), margin_avg=("margin", "mean")
)直接命名每一列，结果 DataFrame 就能直接拿来拼图表或者写报告，很干净。
11. 宽表变长表，画图/建模更方便
你做可视化时，是不是经常提示"long format required"？
一招搞定：
python
long = df.melt(id_vars="id", var_name="metric", value_name="value")比如原来列是 jan_sales, feb_sales，现在就成了：
| id | metric | value |
|---|---|---|
| 1 | jan_sales | 100 |
| 1 | feb_sales | 120 |
画图神器 seaborn 最喜欢这种格式，妥妥的打工效率利器
12. 列里嵌了个列表？一行展开！
有时你会遇到这种：
python
df["tags"] = [["A", "B"], ["A"], ["C", "D", "E"]]用 .explode() 简直是神器：
python
flat = df.explode("tags")每个 list 元素都会变成一行，其他列自动复制，超方便！
不用 .apply() + pd.Series 那种啰嗦操作，炸裂
13. 做交叉表，还能补0？
想看每天每个区域卖了多少？
一行搞定：
python
pivot = df.pivot_table(index="date", columns="region", values="sales", aggfunc="sum", fill_value=0)这操作结合了 groupby + unstack + fillna 的功能，直接给你输出热力图用的表格💥
14. 一行干掉缺得太多的列
是不是经常写：
python
for col in df.columns:
if df[col].isna().mean() > 0.2:
df.drop(col, axis=1, inplace=True)其实这一行就够了：
python
df = df.dropna(axis=1, thresh=len(df) * 0.8)保留非空比例超过 80% 的列，其他的直接扔掉。
做数据清洗的第一步，我基本上都是靠它。
15. 处理时间列+时区，一步到位
想把字符串转时间，还要加时区？
用这个：
python
df["date"] = pd.to_datetime(df.date).dt.tz_localize("UTC").dt.tz_convert("Asia/Shanghai")对全球交易数据、跨国日志特别重要。不然你比较时间的时候，很可能错几小时到几天，坑得很
16. 一行验证邮箱格式（用正则）
说出来你可能不信，我见过有数据里 email 是"1234@qq...com"。
这都能进数据库？离谱
一行检测出异常邮箱：
python
df["email_ok"] = df.email.str.contains(r"^[\w\.-]+@[\w\.-]+\.\w+$", na=False)用正则搞定，而且是矢量化操作 ，比 apply() 快非常多！
17. 补齐时间序列的缺失日期
如果你在做预测模型，时间断层可能直接让模型崩掉。
这样写
python
daily = df.set_index("timestamp").asfreq("D").ffill()一天一行，缺的就用前一个值补上。不用你自己生成时间序列再 merge，又麻烦又慢。
18. 一行搞定同比增长
同比计算老写错？别算错公式了兄弟：
python
df["yoy"] = df["sales"].pct_change(12).mul(100).round(2)算出来就是同比百分比，已经帮你处理了除以0的问题。
我写季度、年度报表时，每次都靠这句。
19. 开启 Copy-on-Write 模式，省内存大招
你可能经常会这样操作：
python
df1 = df[df["a"] > 0]
df1["b"] = df1["c"] * 2你以为改的是 df1，结果 df 也被影响了......
解决方式：
python
pd.options.mode.copy_on_write = TruePandas 2.0 的新功能，写入时才复制，平时共享内存。速度更快、代码更安全。
20. 用 .style 快速看异常值
做 EDA 想看看哪些值特别大特别小？不想写图？这就来：
python
df.style.background_gradient()自动加上颜色梯度，直接在 Jupyter Notebook 看效果。
你一眼就能看出"哪里不对劲"，尤其是有极端值时，一看就知道谁"搞事"了
最后唠几句：
聪明的你，肯定已经意识到：这些小技巧，其实能帮你在项目里少写几十行代码，而且更高效、更优雅、更不容易出错。
别小看这些"语法糖"，它们真的是工作中救命的工具。
希望你能挑几招带回去，立马实践一下。用在你自己日常的数据处理里，感受一下那种"嗯？怎么这么顺手？"的感觉