Pandas 數(shù)據(jù)分析全攻略！

• 你是否遇到這些問題?
• 如何高效處理 Excel、CSV 數(shù)據(jù)?如何快速篩選、清洗、分析數(shù)據(jù)?
• 如何用 Python 進(jìn)行數(shù)據(jù)統(tǒng)計(jì)?

如果你想用 Python 進(jìn)行數(shù)據(jù)分析，Pandas 絕對是首選！ 今天，我們來詳細(xì)講解 Pandas 的核心功能，助你成為數(shù)據(jù)分析高手！

什么是 Pandas？

Pandas 是 Python 最強(qiáng)大的數(shù)據(jù)分析庫，專門用于處理結(jié)構(gòu)化數(shù)據(jù)（如 Excel、CSV、數(shù)據(jù)庫等）。

核心數(shù)據(jù)結(jié)構(gòu)：

• Series（一維數(shù)據(jù)，如列表）
• DataFrame（二維數(shù)據(jù)表，如 Excel）

安裝 Pandas（如果你還沒安裝）：

pip install pandas

導(dǎo)入 Pandas：

import pandas as pd

Series：一維數(shù)據(jù)結(jié)構(gòu)

Series 可以看作帶索引的列表，適用于存儲(chǔ)一列數(shù)據(jù)。

創(chuàng)建 Series：

import pandas as pd

data = pd.Series([10, 20, 30, 40])
print(data)

輸出：

0    10
1    20
2    30
3    40
dtype: int64

自動(dòng)生成索引（0,1,2,3），可以像列表一樣訪問數(shù)據(jù)！

自定義索引：

data = pd.Series([10, 20, 30, 40], index=["A", "B", "C", "D"])
print(data["B"])  # 訪問索引為 'B' 的值

輸出：

20

Series 適用于存儲(chǔ)單列數(shù)據(jù)，如時(shí)間序列、股票價(jià)格等！

DataFrame：二維數(shù)據(jù)結(jié)構(gòu)（核心）

DataFrame 是 Pandas 最核心的數(shù)據(jù)結(jié)構(gòu)，類似于 Excel 表格，可存儲(chǔ)多列數(shù)據(jù)。

創(chuàng)建 DataFrame：

data = {
    "姓名": ["Alice", "Bob", "Charlie"],
    "年齡": [25, 30, 35],
    "城市": ["北京", "上海", "廣州"]
}

df = pd.DataFrame(data)
print(df)

輸出：

姓名  年齡  城市
0  Alice  25  北京
1    Bob  30  上海
2  Charlie  35  廣州

適用于處理 Excel、CSV、數(shù)據(jù)庫中的數(shù)據(jù)！

讀取 & 保存數(shù)據(jù)

Pandas 可直接讀取/保存 Excel、CSV、JSON 等格式的數(shù)據(jù)！

讀取 CSV 文件：

df = pd.read_csv("data.csv")
print(df.head())  # 查看前 5 行數(shù)據(jù)

保存為 Excel 文件：

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

數(shù)據(jù)存取非常方便！

數(shù)據(jù)篩選 & 處理

訪問某列數(shù)據(jù)：

print(df["姓名"])  # 訪問 "姓名" 列

篩選數(shù)據(jù)（條件篩選）：

df_filtered = df[df["年齡"] > 25]  # 篩選年齡大于 25 的人
print(df_filtered)

排序數(shù)據(jù)：

df_sorted = df.sort_values(by="年齡", ascending=False)  # 按年齡降序排列
print(df_sorted)

缺失值處理：

df.dropna()  # 刪除缺失值
df.fillna("未知")  # 填充缺失值

Pandas 提供強(qiáng)大的數(shù)據(jù)處理能力，讓數(shù)據(jù)分析更高效！

數(shù)據(jù)統(tǒng)計(jì) & 分析

計(jì)算基本統(tǒng)計(jì)信息：

print(df.describe())  # 統(tǒng)計(jì)平均值、標(biāo)準(zhǔn)差、最小值、最大值等

分組統(tǒng)計(jì)：

df.groupby("城市")["年齡"].mean()  # 按城市分組，計(jì)算平均年齡

數(shù)據(jù)透視表：

df.pivot_table(index="城市", values="年齡", aggfunc="mean")  # 計(jì)算各城市的平均年齡

輕松完成數(shù)據(jù)統(tǒng)計(jì)與分析！