文章目录

pandas

1. 导入pandas

import pandas

2. 查看 Pandas 版本信息

print(pd.__version__)

Pandas 的数据结构：Pandas 主要有 Series（一维数组），DataFrame（二维数组），Panel（三维数组），Panel4D（四维数组），PanelND（更多维数组）等数据结构。其中 Series 和 DataFrame 应用的最为广泛。

创建 Series 数据类型

3. 从列表创建 Series：

arr = [2,3,4,5,6]
s = pd.Series(arr)
s

4. 从 Ndarray 创建 Series：

import numpy as np
n = np.random.randn(5)

index = ['a','b','c','d','e']
s = pd.Series(n, index=index)
s

5. 从字典创建 Series：

d = {'a':1,'b':2,'c':3,'d':4,'e':5}
s = pd.Series(d)
s

Series 基本操作

6. 修改 Series 索引：

arr = [2,3,4,5,6]
s = pd.Series(arr)
print(s) 

s.index = ['A', 'B', 'C', 'D', 'E']  # 修改后的索引
s

7. Series 纵向拼接：

arr1 = [2,3,4,5,6]
arr2 = [10,11,12,13,14]
s1 = pd.Series(arr1)
s2 = pd.Series(arr2)
s3 = s2.append(s1) #将s1纵向拼接到s2

s3

8. Series 按指定索引删除元素：

d = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5} 
s = pd.Series(d)
s = s.drop('e')
s

9. Series 修改指定索引元素：

d = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5} 
s = pd.Series(d)
s['a']=7
s

10. Series 按指定索引查找元素：

d = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5} 
s = pd.Series(d)
s['a']

11. Series 切片操作：

d = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5} 
s = pd.Series(d)
#例如对s的前 4 个数据访问
s[:4]

Series 运算

12. Series 加法、减法、乘法、除法运算：

Series 的 加法、减法、乘法、除法运算是按照索引计算，如果索引不同则填充为 NaN（空值）。

Series加法运算
d1 = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5} 
d2 = {'A': 1, 'B': 2, 'C': 3, 'D': 4, 'E': 5,'a': 1, 'b': 2, 'c': 3,}
s1 = pd.Series(d1)
s2 = pd.Series(d2)
s1.add(s2)

在这里插入图片描述

Series 减法运算：
d1 = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5} 
d2 = {'A': 1, 'B': 2, 'C': 3, 'D': 4, 'E': 5,'a': 1, 'b': 2, 'c': 3,}
s1 = pd.Series(d1)
s2 = pd.Series(d2)
s1.sub(s2)

在这里插入图片描述

Series 乘法运算：

Series 的乘法运算是按照索引对应计算，如果索引不同则填充为 NaN（空值）。

d1 = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5} 
d2 = {'A': 1, 'B': 2, 'C': 3, 'D': 4, 'E': 5,'a': 1, 'b': 2, 'c': 3,}
s1 = pd.Series(d1)
s2 = pd.Series(d2)
s1.mul(s2)

在这里插入图片描述

Series 除法运算：
d1 = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5} 
d2 = {'A': 1, 'B': 2, 'C': 3, 'D': 4, 'E': 5,'a': 1, 'b': 2, 'c': 3,}
s1 = pd.Series(d1)
s2 = pd.Series(d2)
s1.div(s2)

在这里插入图片描述

13.Series 求中位数、求和、求最大值、 求最小值：

d1 = {'A': 1, 'B': 2, 'C': 3, 'D': 4, 'E': 5,'a': 6, 'b': 7, 'c': 8,}
s1 = pd.Series(d1)
# 求中位数：
s1.median()
# 求和：
s1.sum()
# 求最大值：
s1.max()
# 求最小值：
s1.min()

创建 DataFrame 数据类型

14.通过 NumPy 数组创建 DataFrame：

与 Sereis 不同，DataFrame 可以存在多列数据。一般情况下，DataFrame 也更加常用。

import numpy as np
dates = pd.date_range('today', periods=6)  # 定义时间序列作为 index
num_arr = np.random.randn(6, 4)  # 传入 numpy 随机数组
columns = ['A', 'B', 'C', 'D']  # 将列表作为列名
df1 = pd.DataFrame(num_arr, index=dates, columns=columns)
df1

在这里插入图片描述

15. 通过字典数组创建 DataFrame：

data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
        'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
        'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}

labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df2 = pd.DataFrame(data, index=labels)
df2

在这里插入图片描述

16.查看 DataFrame 的数据类型：

data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
        'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
        'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}

labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df2 = pd.DataFrame(data, index=labels)
df2.dtypes

在这里插入图片描述

DataFrame 基本操作

17. 预览 DataFrame 的前 5 行数据：

data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
        'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
        'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}

labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df2 = pd.DataFrame(data, index=labels)
df2.head()  # 默认为显示 5 行，可根据需要在括号中填入希望预览的行数

在这里插入图片描述

18.查看 DataFrame 的后 3 行数据：

df2.tail(3)

19.查看 DataFrame 的索引：

df2.index

20. 查看 DataFrame 的列名：

df2.columns

21. 查看 DataFrame 的数值：

df2.values

22. 查看 DataFrame 的统计数据：

df2.describe()

在这里插入图片描述

23. DataFrame 转置操作：

df2.T

24.对 DataFrame 进行按列排序：

df2.sort_values(by='age')  # 按 age 升序排列

在这里插入图片描述

25.对 DataFrame 数据切片：

df2[1:3]

26.对 DataFrame 通过标签查询（单列）：

df2['age']

27.对 DataFrame 通过标签查询（多列）：

df2[['age', 'animal']]  # 传入一个列名组成的列表

28.对 DataFrame 通过位置查询：

df2.iloc[1:3]  # 查询 2，3 行

29.DataFrame 副本拷贝：

# 生成 DataFrame 副本，方便数据集被多个不同流程使用
df3 = df2.copy()
df3

30.判断 DataFrame 元素是否为空：

df3.isnull()  # 如果为空则返回为 True

31.添加列数据：

num = pd.Series([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], index=df3.index)

df3['No.'] = num  # 添加以 'No.' 为列名的新数据列
df3

在这里插入图片描述

32.根据 DataFrame 的下标值进行更改：

# 修改第 2 行与第 2 列对应的值 3.0 → 2.0
df3.iat[1, 1] = 2  # 索引序号从 0 开始，这里为 1, 1
df3

在这里插入图片描述

33.根据 DataFrame 的标签对数据进行修改：

df3.loc['f', 'age'] = 1.5
df3

在这里插入图片描述

34. DataFrame 求平均值操作：

df3.mean()

35.对 DataFrame 中任意列做求和操作：

df3['visits'].sum()

字符串操作

36.将字符串转化为小写字母：

import pandas as pd
import numpy as np
string = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca',
                    np.nan, 'CABA', 'dog', 'cat'])
print(string)
string.str.lower()

37.将字符串转化为大写字母：

string.str.upper()

DataFrame 缺失值操作

38.对缺失值进行填充：

data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
        'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
        'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}

labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(data, index=labels)
print(df)
df.fillna(value=3)

在这里插入图片描述

39.删除存在缺失值的行：

df1 = df.copy()
print(df1)
df.dropna(how='any')

在这里插入图片描述

40.DataFrame 按指定列对齐：

left = pd.DataFrame({'key': ['foo1', 'foo2'], 'one': [1, 2]})
right = pd.DataFrame({'key': ['foo2', 'foo3'], 'two': [4, 5]})

print(left)
print(right)

# 按照 key 列对齐连接，只存在 foo2 相同，所以最后变成一行
pd.merge(left, right, on='key')

在这里插入图片描述

41.DataFrame 文件操作

CSV 文件写入：
df.to_csv('animal.csv')
print("写入成功.")
Excel 写入操作：
df.to_excel('animal.xlsx', sheet_name='Sheet1')
print("写入成功.")
Excel 读取操作：
pd.read_excel('animal.xlsx', 'Sheet1', index_col=None, na_values=['NA'])

时间序列索引

42. 建立一个以 2018 年每一天为索引，值为随机数的 Series：

dti = pd.date_range(start='2018-01-01', end='2018-12-31', freq='D')
s = pd.Series(np.random.rand(len(dti)), index=dti)
s

在这里插入图片描述

43. 统计s 中每一个周三对应值的和：

# 周一从 0 开始
s[s.index.weekday == 2].sum()

44. 统计s中每个月值的平均值：

s.resample('M').mean()

45.将 Series 中的时间进行转换（秒转分钟）：

s = pd.date_range('today', periods=100, freq='S')

ts = pd.Series(np.random.randint(0, 500, len(s)), index=s)

ts.resample('Min').sum()

在这里插入图片描述

46. UTC 世界时间标准：

s = pd.date_range('today', periods=1, freq='D')  # 获取当前时间
ts = pd.Series(np.random.randn(len(s)), s)  # 随机数值
ts_utc = ts.tz_localize('UTC')  # 转换为 UTC 时间
ts_utc

47.转换为上海所在时区：

ts_utc.tz_convert('Asia/Shanghai')

48.不同时间表示方式的转换：

rng = pd.date_range('1/1/2018', periods=5, freq='M')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
print(ts)
ps = ts.to_period()
print(ps)
ps.to_timestamp()

Series 多重索引

49.创建多重索引 Series：

构建一个 letters = [‘A’, ‘B’, ‘C’] 和 numbers = list(range(10))为索引，值为随机数的多重索引 Series。

letters = ['A', 'B', 'C']
numbers = list(range(10))

mi = pd.MultiIndex.from_product([letters, numbers])  # 设置多重索引
s = pd.Series(np.random.rand(30), index=mi)  # 随机数
s

在这里插入图片描述

50.多重索引 Series 查询：

# 查询索引为 1，3，6 的值
s.loc[:, [1, 3, 6]]

51.多重索引 Series 切片：

s.loc[pd.IndexSlice[:'B', 5:]]

DataFrame 多重索引

52.根据多重索引创建 DataFrame：

创建一个以 letters = [‘A’, ‘B’] 和 numbers = list(range(6))为索引，值为随机数据的多重索引 DataFrame。

frame = pd.DataFrame(np.arange(12).reshape(6, 2),
                     index=[list('AAABBB'), list('123123')],
                     columns=['hello', 'a'])
frame

在这里插入图片描述

53.多重索引设置列名称：

frame.index.names = ['first', 'second']
frame

在这里插入图片描述

54.DataFrame 多重索引分组求和：

frame.groupby('first').sum()

55.DataFrame 行列名称转换：

print(frame)
frame.stack()

56. DataFrame 索引转换：

print(frame)
frame.unstack()

在这里插入图片描述

57.DataFrame 条件查找：

# 示例数据
data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
        'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
        'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}

labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(data, index=labels)
查找 age 大于 3 的全部信息
df[df['age'] > 3]

在这里插入图片描述

根据行列索引切片：
df.iloc[2:4, 1:3]

在这里插入图片描述

DataFrame 多重条件查询：

查找 age<3 且为 cat 的全部数据。

df = pd.DataFrame(data, index=labels)

df[(df['animal'] == 'cat') & (df['age'] < 3)]
DataFrame 按关键字查询：
df3[df3['animal'].isin(['cat', 'dog'])]
DataFrame 按标签及列名查询：
df.loc[df2.index[[3, 4, 8]], ['animal', 'age']]

58.DataFrame 多条件排序：

按照 age 降序，visits 升序排列

df.sort_values(by=['age', 'visits'], ascending=[False, True])

59.DataFrame 多值替换：

将 priority 列的 yes 值替换为 True，no 值替换为 False。

df['priority'].map({'yes': True, 'no': False})

60.DataFrame 分组求和：

df.groupby('animal').sum()

61.使用列表拼接多个 DataFrame：

temp_df1 = pd.DataFrame(np.random.randn(5, 4))  # 生成由随机数组成的 DataFrame 1
temp_df2 = pd.DataFrame(np.random.randn(5, 4))  # 生成由随机数组成的 DataFrame 2
temp_df3 = pd.DataFrame(np.random.randn(5, 4))  # 生成由随机数组成的 DataFrame 3

print(temp_df1)
print(temp_df2)
print(temp_df3)

pieces = [temp_df1, temp_df2, temp_df3]
pd.concat(pieces)

62.找出 DataFrame 表中和最小的列：

df = pd.DataFrame(np.random.random(size=(5, 10)), columns=list('abcdefghij'))
print(df)
df.sum().idxmin()  # idxmax(), idxmin() 为 Series 函数返回最大最小值的索引值

在这里插入图片描述

63.DataFrame 中每个元素减去每一行的平均值：

df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
df.sub(df.mean(axis=1), axis=0)

64. DataFrame 分组，并得到每一组中最大三个数之和：

df = pd.DataFrame({'A': list('aaabbcaabcccbbc'),
                   'B': [12, 345, 3, 1, 45, 14, 4, 52, 54, 23, 235, 21, 57, 3, 87]})
print(df)
df.groupby('A')['B'].nlargest(3).sum(level=0)

在这里插入图片描述

透视表

当分析庞大的数据时，为了更好的发掘数据特征之间的关系，且不破坏原数据，就可以利用透视表 pivot_table 进行操作。

65.透视表的创建：

新建表将 A, B, C 列作为索引进行聚合。

df = pd.DataFrame({'A': ['one', 'one', 'two', 'three'] * 3,
                   'B': ['A', 'B', 'C'] * 4,
                   'C': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2,
                   'D': np.random.randn(12),
                   'E': np.random.randn(12)})

print(df)

pd.pivot_table(df, index=['A', 'B', 'C'])

在这里插入图片描述

66.透视表按指定行进行聚合：

将该 DataFrame 的 D 列聚合，按照 A,B 列为索引进行聚合，聚合的方式为默认求均值。

pd.pivot_table(df, values=['D'], index=['A', 'B'])

在这里插入图片描述

67.透视表聚合方式定义：

上一题中 D 列聚合时，采用默认求均值的方法，若想使用更多的方式可以在 aggfunc 中实现。

pd.pivot_table(df, values=['D'], index=['A', 'B'], aggfunc=[np.sum, len])

在这里插入图片描述

68.透视表利用额外列进行辅助分割：

D 列按照 A,B 列进行聚合时，若关心 C 列对 D 列的影响，可以加入 columns 值进行分析。

pd.pivot_table(df, values=['D'], index=['A', 'B'],
               columns=['C'], aggfunc=np.sum)

69.透视表的缺省值处理：

在透视表中由于不同的聚合方式，相应缺少的组合将为缺省值，可以加入 fill_value 对缺省值处理。

pd.pivot_table(df, values=['D'], index=['A', 'B'],
               columns=['C'], aggfunc=np.sum, fill_value=0)

在这里插入图片描述

绝对类型

在数据的形式上主要包括数量型和性质型，数量型表示着数据可数范围可变，而性质型表示范围已经确定不可改变，绝对型数据就是性质型数据的一种。

70.绝对型数据定义：

df = pd.DataFrame({"id": [1, 2, 3, 4, 5, 6], "raw_grade": [
                  'a', 'b', 'b', 'a', 'a', 'e']})
df["grade"] = df["raw_grade"].astype("category")
df

在这里插入图片描述

71. 对绝对型数据重命名

df["grade"].cat.categories = ["very good", "good", "very bad"]
df

在这里插入图片描述

72. 重新排列绝对型数据并补充相应的缺省值

df["grade"] = df["grade"].cat.set_categories(
    ["very bad", "bad", "medium", "good", "very good"])
df

在这里插入图片描述

73. 对绝对型数据进行排序：

df.sort_values(by="grade")

74. 对绝对型数据进行分组：

df.groupby("grade").size()

数据清洗

常常我们得到的数据是不符合我们最终处理的数据要求，包括许多缺省值以及坏的数据，需要我们对数据进行清洗。

75.缺失值拟合：

在 FlightNumber 中有数值缺失，其中数值为按 10 增长，补充相应的缺省值使得数据完整，并让数据为 int 类型

df = pd.DataFrame({'From_To': ['LoNDon_paris', 'MAdrid_miLAN', 'londON_StockhOlm',
                               'Budapest_PaRis', 'Brussels_londOn'],
                   'FlightNumber': [10045, np.nan, 10065, np.nan, 10085],
                   'RecentDelays': [[23, 47], [], [24, 43, 87], [13], [67, 32]],
                   'Airline': ['KLM(!)', '<Air France> (12)', '(British Airways. )',
                               '12. Air France', '"Swiss Air"']})
df['FlightNumber'] = df['FlightNumber'].interpolate().astype(int)
df

在这里插入图片描述

76.数据列拆分：

其中From_to应该为两独立的两列From和To，将From_to依照_拆分为独立两列建立为一个新表。

temp = df.From_To.str.split('_', expand=True)
temp.columns = ['From', 'To']
temp

字符标准化：

其中注意到地点的名字都不规范（如：londON应该为London）需要对数据进行标准化处理。

temp['From'] = temp['From'].str.capitalize()
temp['To'] = temp['To'].str.capitalize()

77.删除坏数据加入整理好的数据：

将最开始的 From_to 列删除，加入整理好的 From 和 to 列。

df = df.drop('From_To', axis=1)
df = df.join(temp)
print(df)

在这里插入图片描述

78.去除多余字符：

如同 airline 列中许多数据有许多其他字符，会对后期的数据分析有较大影响，需要对这类数据进行修正。

df['Airline'] = df['Airline'].str.extract(
    '([a-zA-Z\s]+)', expand=False).str.strip()
df

在这里插入图片描述

79.格式规范：

在 RecentDelays 中记录的方式为列表类型，由于其长度不一，这会为后期数据分析造成很大麻烦。这里将 RecentDelays 的列表拆开，取出列表中的相同位置元素作为一列，若为空值即用 NaN 代替。

delays = df['RecentDelays'].apply(pd.Series)

delays.columns = ['delay_{}'.format(n)
                  for n in range(1, len(delays.columns)+1)]

df = df.drop('RecentDelays', axis=1).join(delays)
df

在这里插入图片描述

数据预处理

80.信息区间划分：

班级一部分同学的数学成绩表，如下图所示


df=pd.DataFrame({'name':['Alice','Bob','Candy','Dany','Ella','Frank','Grace','Jenny'],'grades':[58,83,79,65,93,45,61,88]})

但我们更加关心的是该同学是否及格，将该数学成绩按照是否>60来进行划分。

df = pd.DataFrame({'name': ['Alice', 'Bob', 'Candy', 'Dany', 'Ella',
                            'Frank', 'Grace', 'Jenny'],
                   'grades': [58, 83, 79, 65, 93, 45, 61, 88]})


def choice(x):
    if x > 60:
        return 1
    else:
        return 0


df.grades = pd.Series(map(lambda x: choice(x), df.grades))
df

在这里插入图片描述

81.数据去重：

一个列为A的 DataFrame 数据，如下图所示

df = pd.DataFrame({'A': [1, 2, 2, 3, 4, 5, 5, 5, 6, 7, 7]})

尝试将 A 列中连续重复的数据清除。

df = pd.DataFrame({'A': [1, 2, 2, 3, 4, 5, 5, 5, 6, 7, 7]})
df.loc[df['A'].shift() != df['A']]

82.数据归一化：

有时候，DataFrame 中不同列之间的数据差距太大，需要对其进行归一化处理。
其中，Max-Min 归一化是简单而常见的一种方式，公式如下:
在这里插入图片描述

def normalization(df):
    numerator = df.sub(df.min())
    denominator = (df.max()).sub(df.min())
    Y = numerator.div(denominator)
    return Y


df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
normalization(df)

在这里插入图片描述

Pandas 绘图操作

为了更好的了解数据包含的信息，最直观的方法就是将其绘制成图。

83. Series 可视化：

%matplotlib inlinets = pd.Series(np.random.randn(100), index=pd.date_range('today', periods=100))
ts = ts.cumsum()
ts.plot()

在这里插入图片描述

84. DataFrame 折线图：

df = pd.DataFrame(np.random.randn(100, 4), index=ts.index,
                  columns=['A', 'B', 'C', 'D'])
df = df.cumsum()
df.plot()

在这里插入图片描述

85.DataFrame 散点图：

在这里插入图片描述

86.DataFrame 柱形图：

df = pd.DataFrame({"revenue": [57, 68, 63, 71, 72, 90, 80, 62, 59, 51, 47, 52],
                   "advertising": [2.1, 1.9, 2.7, 3.0, 3.6, 3.2, 2.7, 2.4, 1.8, 1.6, 1.3, 1.9],
                   "month": range(12)
                   })

ax = df.plot.bar("month", "revenue", color="yellow")
df.plot("month", "advertising", secondary_y=True, ax=ax)

在这里插入图片描述

# 信息可视化 # pandas # 学习 # python
Logo
魔乐社区

魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。

更多推荐

小参数・大码力・易部署 | Qwen3.6-27B上线魔乐社区，基于昇腾的部署教程来了

继一周前模型开源发布后，千问再度开源Qwen3.6-27B —— 一个拥有270亿参数的稠密多模态模型，也是社区呼声最高的模型规格。Qwen3.6-27B 依然支持多模态思考与非思考模式，在智能体编程方面达到了旗舰级表现，全面超越前代开源旗舰 Qwen3.5-397B-A17B（总参数397B / 激活参数17B的MoE模型）。作为稠密架构，它无需MoE路由即可部署，是开发者在实用、可广泛部署规模

avatar 魔乐社区
cover

量化挑战赛冠军专访：4小时啃下W4A8量化，我靠的是这些经验

avatar 魔乐社区
cover

从0到1：魔乐社区贡献者丁一超的大模型量化实战指南

avatar 魔乐社区