Python交互命令窗口（如Python的IDLE或Jupyter Notebook）提供了多種數據分析功能。以下是一些常見的數據分析操作：

1. 數據導入與導出：

   • 使用import pandas as pd導入CSV、Excel、JSON等格式的數據。
   • 使用df.to_csv(), df.to_excel(), df.to_json()等方法導出數據。

2. 數據清洗與預處理：

   • 查看數據結構：print(df.head()), print(df.info()), print(df.describe())。
   • 處理缺失值：df.dropna(), df.fillna()。
   • 數據類型轉換：df['column_name'] = df['column_name'].astype('type')。
   • 重命名列：df.rename(columns={'old_name': 'new_name'}, inplace=True)。
   • 刪除列：df.drop('column_name', axis=1, inplace=True)。
   • 選擇數據子集：df.loc[row_indexer, col_indexer]。

3. 數據探索性分析：

   • 計算統計量：df.describe()。
   • 繪制直方圖：import matplotlib.pyplot as plt; df['column_name'].hist()。
   • 繪制箱線圖：plt.boxplot(x='column_name', data=df)。
   • 繪制散點圖：plt.scatter(x='column_name1', y='column_name2', data=df)。
   • 繪制折線圖：plt.plot(x='column_name', y='column_name', data=df)。

4. 數據聚合與分組：

   • 使用groupby()方法對數據進行分組。
   • 使用agg()方法對分組后的數據進行聚合操作，如求和、計數、平均值等。

5. 數據合并與連接：

   • 使用pd.concat()將多個DataFrame合并。
   • 使用pd.merge()根據某個鍵值對兩個DataFrame進行合并。

6. 數據透視表：

   • 使用pd.pivot_table()創建數據透視表，以便對數據進行更復雜的分析和匯總。

7. 時間序列分析：

   • 如果數據包含時間戳，可以使用pd.to_datetime()將其轉換為日期時間格式。
   • 使用resample()方法對時間序列數據進行重采樣。
   • 使用shift()方法生成時間序列的滯后數據。

8. 數據可視化庫：

   • 除了matplotlib，還可以使用其他可視化庫，如seaborn、plotly等，以創建更豐富的圖表和圖形。

請注意，上述功能僅作為示例，實際數據分析可能涉及更復雜的操作和技巧。在進行數據分析時，建議根據具體需求選擇合適的方法和工具。