🌐 [translation-sync] [pandas, pandas_panel] Update lectures for pandas 3.0 compatibility (#67)

* Update translation: lectures/pandas.md

* Update translation: .translate/state/pandas.md.yml

* Update translation: lectures/pandas_panel.md

* Update translation: .translate/state/pandas_panel.md.yml

Author: mmcky

.translate/state/pandas.md.yml

@@ -1,6 +1,6 @@
-source-sha: 02e57a5befc2a9a081019edc748aba15e4b2f02a
-synced-at: "2026-04-09"
+source-sha: 811accdd4ed8803df3a7123ada3b560bc3110712
+synced-at: "2026-06-19"
 model: claude-sonnet-4-6
 mode: UPDATE
 section-count: 5
-tool-version: 0.14.0
+tool-version: 0.15.0

.translate/state/pandas_panel.md.yml

@@ -1,6 +1,6 @@
-source-sha: 126eb49056ad1b685638c1820ebb7b4c89cabf89
-synced-at: "2026-03-20"
+source-sha: 811accdd4ed8803df3a7123ada3b560bc3110712
+synced-at: "2026-06-19"
 model: claude-sonnet-4-6
-mode: NEW
+mode: UPDATE
 section-count: 6
-tool-version: 0.13.0
+tool-version: 0.15.0

lectures/pandas.md

@@ -282,7 +282,7 @@ df.loc[(df.cc + df.cg >= 80) & (df.POP <= 20000), ['country', 'year', 'POP']]
 
 **应用：对数据框进行子集化**
 
-现实世界的数据集可能[非常庞大](https://developers.google.com/machine-learning/crash-course/overfitting)。
+现实世界的数据集可能 [非常庞大](https://developers.google.com/machine-learning/crash-course/overfitting)。
 
 有时需要使用数据的子集来提高计算效率并减少冗余。
 
@@ -360,10 +360,10 @@ df.loc[complexCondition]
 
 修改数据框的能力对于生成用于未来分析的干净数据集非常重要。
 
-**1.** 我们可以方便地使用 `df.where()` 来"保留"我们已选择的行，并用任何其他值替换其余行：
+**1.** 我们可以方便地使用 `df.where()` 来"保留"我们已选择的行，并将其余行替换为 `NaN`：
 
 ```{code-cell} ipython3
-df.where(df.POP >= 20000, False)
+df.where(df.POP >= 20000)
 ```
 
 **2.** 我们可以简单地使用 `.loc[]` 来指定我们想要修改的列，并赋值：
@@ -433,7 +433,7 @@ df
 
 缺失值插补是数据科学中的一个大领域，涉及各种机器学习技术。
 
-Python 中还有更多[高级工具](https://scikit-learn.org/stable/modules/impute.html)可用于插补缺失值。
+Python 中还有更多 [高级工具](https://scikit-learn.org/stable/modules/impute.html) 可用于插补缺失值。
 
 ### 标准化与可视化
 

lectures/pandas_panel.md

@@ -152,21 +152,21 @@ realwage['United States'].head()
 `.stack()` 将列 `MultiIndex` 的最低层级旋转到行索引（`.unstack()` 方向相反——可以尝试一下）
 
 ```{code-cell} ipython3
-realwage.stack(future_stack=True).head()
+realwage.stack().head()
 ```
 
 我们也可以传入参数来选择要堆叠的层级
 
 ```{code-cell} ipython3
-realwage.stack(level='Country', future_stack=True).head()  # pandas>3.0 之前需要 future_stack=True
+realwage.stack(level='Country').head()
 ```
 
 使用 `DatetimeIndex` 可以方便地选择特定时间段。
 
 选择某一年并堆叠 `MultiIndex` 的两个较低层级，可以创建面板数据的横截面
 
 ```{code-cell} ipython3
-realwage.loc['2015'].stack(level=(1, 2), future_stack=True).transpose().head() # pandas>3.0 之前需要 future_stack=True
+realwage.loc['2015'].stack(level=(1, 2)).transpose().head()
 ```
 
 在本讲座的其余部分，我们将使用一个包含各国和各时间段每小时实际最低工资的数据框，以 2015 年美元计价。
@@ -363,7 +363,7 @@ plt.show()
 
 我们还可以指定 `MultiIndex` 的某个层级（在列轴上）进行聚合。
 
-对于 `groupby`，由于 pandas 已弃用在 `groupby` 方法中使用 `axis=1`，我们需要使用 `.T` 将列转置为行。
+对于 `groupby`，由于 `pandas` 已移除在 `groupby` 方法中使用 `axis=1` 的支持，我们需要使用 `.T` 将列转置为行。
 
 ```{code-cell} ipython3
 merged.T.groupby(level='Continent').mean().head()
@@ -393,7 +393,7 @@ plt.show()
 `.describe()` 可用于快速检索多个常用汇总统计量
 
 ```{code-cell} ipython3
-merged.stack(future_stack=True).describe()
+merged.stack().describe()
 ```
 
 这是使用 `groupby` 的一种简化方式。
@@ -563,4 +563,4 @@ plt.show()
 ```
 
 ```{solution-end}
-```
+```