• 官网地址： https://pandas.pydata.org/

什么是pandas？

pandas 是 Python 中一个强大的 数据处理和分析库，广泛应用于 数据清洗、转换、分析 和 可视化 等领域。它提供了搞笑的数据结构（如 DataFrame 和 Series），使得处理结构化数据变得简单而高效。本文将详细介绍 pandas 的核心功能和使用方法，帮助你快速掌握这一工具。

pandas 的特点如下：

• 高效的数据结构： Series 和 DataFrame 提供了灵活的数据操作方式。
• 强大的数据处理能力： 支持数据清洗、转换、分析和可视化。
• 丰富的文件格式支持： 可以轻松读取和写入 CSV、Excel、JSON 等文件格式。

---

一、安装与导入

安装：

在开始使用 pandas 之前，需要先进行安装。可以通过以下命令安装：

pip install pandas

导入：

安装完成后，在代码中导入 pandas：

import pandas as pd

---

二、核心数据结构

pandas 的主要数据结构是：Series（一维数据） 和 DataFrame（二维数据）。

2.1 Series 类型（一维数组）

Series 是一个一维数组，可以 存储任意类型的数据（如整数、字符串、浮点数等），并带有索引。

创建 Series：

• 语法：pandas.Series([对象1, 对象2])

import pandas as pd# 从列表创建 Series
s = pd.Series([1, 3, 5, 7, 9])
print(s)

执行结果：

访问 Series：

# 通过索引访问数据
print(s[0]) # 输出 1# 通过位置访问数据
print(s.iloc[1]) # 输出 3

执行结果：

2.2 DataFrame 类型（二维数组）

DataFrame 是一个二维表格数据结构，类似于 Excel 表格或 SQL 表。它由行和列组成，每列可以是不同的数据类型。

创建 DataFrame：

# 从字典创建 DataFrame
data = {"Name": ["Alice", "Bob", "Charlie"],"Age": [25, 30, 35],"City": ["New York", "Los Angeles", "Chicago"]
}
df = pd.DataFrame(data)
print(df)

执行结果：

访问 DataFrame：

# 访问列
print(df["Name"]) # 输出 Name 列
print("==============")# 访问行
print(df.iloc[0]) # 输出第一行

执行结果：

---

三、数据读取与写入

pandas 支持从多种文件格式读取数据，并将数据写入这些格式。

3.1 读取 CSV 和 Excel 文件

读取 CSV 文件：

df = pd.read_csv("data.csv")
print(df.head())

csv内容如下：

"Name","Age","City"
Alice,25,New York
Bob,30,Los Angeles
Charlie,35,Chicago

执行结果：

读取 Excel 文件：

df = pd.read_excel("data.xlsx", sheet_name="Sheet1")
print(df.head())

Excel 内容如下：

执行结果：

3.2 写入数据

写入 CSV 文件：

df.to_csv("output.csv", index=False)

写入 Excel 文件：

df.to_excel("output.xlsx", sheet_name="Sheet1", index=False)

---

四、数据清洗与处理

4.1 处理缺失值

# 检查缺失项
print(df.isnull())# 填充缺失值
df_filled = df.fillna(0) # 用 0 填充缺失值# 删除包含缺失值的行
df_dropped = df.ropna()

4.2 数据筛选

# 筛选 Age 大于 30 的行
df_filtered = df[df["Age"] > 30]
print(df_filtered)

执行结果：

4.3 数据排序

# 按 Age 列升序排序
df_sorted = df.sort_values(by="Age")
print(df_sorted)

执行结果：

---

五、数据分析

5.1 统计描述

# 查看数据的基本统计信息
print(df.describe())

执行结果：

5.2 分组聚合

# 按 City 分组并计算平均年龄
df_grouped = df.groupby("City")["Age"].mean()
print(df_grouped)

执行结果：

5.3 数据透视表

# 创建数据透视表
df_pivot = df.pivot_table(index="City", values="Age", aggfunc="mean")
print(df_pivot)

执行结果：

---

六、数据可视化

pandas 结合 matplotlib 可以方便地进行数据可视化。

安装命令：

pip install matplotlib

示例：绘制柱状图

import matplotlib.pyplot as plt# 绘制 Age 列地柱状图
df["Age"].plot(kind="bar")
plt.show()

执行结果：

---

七、高级功能

7.1 合并数据

# 合并两个 DataFrame
df1 = pd.DataFrame({"A": [1, 2], "B": [3, 4]})
df2 = pd.DataFrame({"A": [5, 6], "B": [7, 8]})
df_merged = pd.concat([df1, df2])
print(df_merged)

执行结果：

7.2 处理时间序列

# 创建时间序列
dates = pd.date_range("20230101", periods=6)
df_time = pd.DataFrame({"Date": dates, "Value": [1, 2, 3, 4, 5, 6]})
print(df_time)

执行结果：

整理完毕，完结撒花~ 🌻

参考地址：

1.pandas用法-全网最详细教程，https://blog.csdn.net/Strive_For_Future/article/details/126710810