pandas

用途

pandas 是 Python 中用于数据分析与数据处理的库。本技能将其应用于客户支持运营领域，专注于工单管理、SLA 跟踪与绩效报表，覆盖 DataFrame 操作、数据转换、时间序列分析、数据库集成以及面向支持运营的生产级数据管道。

主要能力

DataFrame 操作与数据结构

• 从字典、列表、CSV、数据库、JSON、Excel 等多种来源创建 DataFrame。
• 理解 DataFrame 结构：索引、列、值、dtypes。
• 使用合适的数据类型优化内存（category、int32、datetime64）。
• 为时间序列数据设置合适的索引。

数据选择与索引

• 使用 .loc[] 进行基于标签的索引。
• 使用 .iloc[] 进行基于位置的索引。
• 布尔索引按条件过滤数据。
• 使用 query 方法进行类 SQL 过滤，例如 df.query('priority == "high" and status == "open"')。
• 面向层级数据（团队 > 坐席 > 工单）的多级索引。

列操作

• 高效地选择、重命名和重排列。
• 使用向量化运算创建计算列。
• 对列应用函数：.apply()、.map()、.transform()。
• 使用 .assign() 进行方法链式调用并创建新列。
• 使用 .astype() 处理列的数据类型转换。

客户支持分析模式

• SLA 跟踪与合规：计算首次响应时间与解决时间，判断响应与解决是否满足 SLA，并按优先级统计合规率。
• 工单量与趋势分析：按日、周、月、季度重采样聚合，计算滚动平均与百分比变化。
• 坐席绩效指标：按坐席分组统计工单量、响应与解决时间、CSAT 分数、SLA 达成率、重开工单数，并计算每日工单量与重开率。

数据集成与 ETL

• 通过 SQLAlchemy 连接 PostgreSQL，使用参数化查询加载工单数据并解析日期列。
• 将处理后的指标写回数据库，支持 replace、append、fail 模式与多行插入。
• 数据清洗与校验：处理缺失值、去重、校验数据类型与范围、校验业务逻辑（如解决时间应为正）、标准化分类值、检测响应时间离群值，并生成校验报告。

分组与聚合

• 面向团队分析的多级分组：团队级指标、团队+优先级拆分、团队+坐席明细。
• 自定义聚合函数，例如计算 P95、P99 分位数。
• 计算团队排名（按工单量、按 CSAT）。

合并与连接

• 将工单、客户、坐席、CSAT 多源数据合并为综合数据集，并校验合并结果。
• 使用 concat 合并多个时间段或来源的数据，添加来源标识并去重。

时间序列分析

• 重采样与滚动窗口：按日聚合，计算滚动平均、滚动标准差，并据此计算控制上限与下限用于异常检测。

使用方式

资料中提供了大量可直接参考的代码示例，涵盖上述各项能力，包括 SLA 合规分析函数、工单趋势分析函数、坐席指标计算函数、数据库连接与读写函数、数据清洗函数、多级分组函数、多表合并函数以及滚动指标计算函数。具体安装命令与调用方式在资料中暂未提供。

适用场景

• 客户支持工单数据的清洗、校验与整合。
• SLA 合规率与响应/解决时间的统计分析。
• 工单量趋势、滚动平均与异常检测。
• 坐席与团队绩效指标计算与排名。
• 从 PostgreSQL 加载数据并将指标结果写回数据库。

限制

资料未说明该技能的运行环境要求、依赖版本、性能上限或收费方式，这些信息暂未提供。