一、Pandas庫簡介
????????Pandas 是一個開源的 Python 數據分析庫，主要用于數據清洗、處理、探索與分析。其核心數據結構是 Series（一維數據）和 DataFrame（二維表格數據），可以讓我們高效地操作結構化數據。Pandas 提供了許多靈活且高效的數據操作方法，能夠快速地進行數據篩選、聚合、轉換和可視化，是數據科學和機器學習工作流中非常重要的一環。
二、Pandas庫安裝
??通常直接通過 pip 來安裝；當然，在Anaconda虛擬環境中亦可用如下兩種方式：
pip install pandasconda install pandas? 在編寫中導入Pandas庫，我們通常會習慣將其簡化為pd：
import pandas as pd
三、常用的Pandas函數
1、數據讀取
Pandas庫支持多種數據格式的導入，例如 CSV、Excel、SQL 數據庫、JSON 等，方便我們從各種數據源中獲取數據。假設我們有一個CSV文件，內部如下：
ID,Name,Age,Score
1,Tom,22,85.0
2,Lily,21,92.0
3,Jack,23,78.0
4,Lucy,22,89.0
5,Rose,21,95.0
我們想要讀取，則可以：
import pandas as pd# 讀取 CSV 文件
df = pd.read_csv('sample.csv')
print(df.head()) # 查看前 5 行
樣例輸出：
ID Name Age Score
0 1 Tom 22 85.0
1 2 Lily 21 92.0
2 3 Jack 23 78.0
3 4 Lucy 22 89.0
4 5 Rose 21 95.0
?2、查看數據
如果我們想快速檢查數據的基本信息，如行數、列數、數據類型，則可以前面的基礎上加上：
print(df.info()) # 查看數據的基本信息
print(df.describe()) # 生成數據的統計摘要
樣例輸出：
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 4 columns):# Column Non-Null Count Dtype
--- ------ -------------- -----0 ID 5 non-null int641 Name 5 non-null object2 Age 5 non-null int643 Score 5 non-null float64
dtypes: float64(1), int64(2), object(1)
memory usage: 288.0+ bytes
NoneID Age Score
count 5.000000 5.00000 5.000000
mean 3.000000 21.80000 87.800000
std 1.581139 0.83666 6.610598
min 1.000000 21.00000 78.000000
25% 2.000000 21.00000 85.000000
50% 3.000000 22.00000 89.000000
75% 4.000000 22.00000 92.000000
max 5.000000 23.00000 95.000000?3、數據選擇與過濾
當然，我們還可以對數據進行選擇和過濾，就像下面這樣：
# 選擇某一列
print(df['Name'],'\n') # 選擇多列
print(df[['Name', 'Score']],'\n') # 選擇特定行（iloc 按索引，loc 按標簽）
print(df.iloc[1])
print(df.loc[df['Score'] > 90]) # 篩選成績大于 90 的行
樣例輸出：
0 Tom
1 Lily
2 Jack
3 Lucy
4 Rose
Name: Name, dtype: object Name Score
0 Tom 85.0
1 Lily 92.0
2 Jack 78.0
3 Lucy 89.0
4 Rose 95.0 ID 2
Name Lily
Age 21
Score 92.0
Name: 1, dtype: objectID Name Age Score
1 2 Lily 21 92.0
4 5 Rose 21 95.04、數據清洗
Pandas庫還可以處理缺失值（用dropna、fillna）、重復值（用drop_duplicates）、替換值（用replace）等。
例如：（我們先把CSV中Rose的score刪掉）
# 刪除缺失值
df_cleaned = df.dropna()
print("刪除缺失值后的DataFrame:")
print(df_cleaned.head())# 填充缺失值
df_filled = df.fillna(value={'Score': df['Score'].mean()})
print("\n填充缺失值后的DataFrame:")
print(df_filled.head())# 刪除重復值
df_unique = df.drop_duplicates()
print("\n刪除重復值后的DataFrame:")
print(df_unique.head())# 替換值
df_replaced = df.replace({'Tom': 'Tommy'})
print("\n替換值后的DataFrame:")
print(df_replaced.head())
樣例輸出：
刪除缺失值后的DataFrame:ID Name Age Score
0 1 Tom 22 85.0
1 2 Lily 21 92.0
2 3 Jack 23 78.0
3 4 Lucy 22 89.0 填充缺失值后的DataFrame:ID Name Age Score
0 1 Tom 22 85.0
1 2 Lily 21 92.0
2 3 Jack 23 78.0
3 4 Lucy 22 89.0
4 5 Rose 21 86.0 刪除重復值后的DataFrame:ID Name Age Score
0 1 Tom 22 85.0
1 2 Lily 21 92.0
2 3 Jack 23 78.0
3 4 Lucy 22 89.0
4 5 Rose 21 NaN替換值后的DataFrame:ID Name Age Score
0 1 Tommy 22 85.0
1 2 Lily 21 92.0
2 3 Jack 23 78.0
3 4 Lucy 22 89.0
4 5 Rose 21 NaN5、數據的排序、分組求均值、合并、連接
排序會使用到sort_values函數，分組則使用groupby，合并使用merge，連接使用concat
例如：
# 按 'Score' 排序
df_sorted = df.sort_values(by='Score', ascending=False)
print("按 'Score' 排序后的數據:\n", df_sorted)# 分組并求均值
df_grouped = df.groupby('Age')['Score'].mean()
print("按 'Age' 分組并求 'Score' 的均值:\n", df_grouped)# 合并數據
df1 = pd.DataFrame({'ID': [1, 2, 3], 'Class': ['A', 'B', 'A']})
df_merged = df.merge(df1, on='ID', how='left')
print("合并后的數據:\n", df_merged)# 連接多個 DataFrame
df_concat = pd.concat([df, df1], axis=0)
print("連接后的數據:\n", df_concat)?注意：DataFrame 是Pandas庫中的一個函數，用于創建一個數據框（DataFrame）。
????????{'ID': [1, 2, 3], 'Class': ['A', 'B', 'A']} 是一個字典，其中鍵是列名，值是對應的數據。
????????'ID' 是列名，對應的數據是 [1, 2, 3]；'Class' 是列名，對應的數據是 ['A', 'B', 'A']。
????????df1 是一個新創建的數據框，包含兩列：ID和Class
????????merge是Pandas中用于合并兩個數據框的函數。
????????df1 是要與當前數據框 df 合并的另一個數據框。
????????on='ID' 指定了合并的鍵（key），即根據兩表中的 ID列進行合并。
????????how='left' 指定了合并的方式為左連接（left join）。這意味著結果將包含左表（即 df）中的所有行，即使右表（即 df1）中沒有匹配的行。如果右表中沒有匹配的行，結果中對應的列將填充為NaN。
樣例輸出：
按 'Score' 排序后的數據:ID Name Age Score
4 5 Rose 21 95.0
1 2 Lily 21 92.0
3 4 Lucy 22 89.0
0 1 Tom 22 85.0
2 3 Jack 23 78.0
按 'Age' 分組并求 'Score' 的均值:Age
21 93.5
22 87.0
23 78.0
Name: Score, dtype: float64
合并后的數據:ID Name Age Score Class
0 1 Tom 22 85.0 A
1 2 Lily 21 92.0 B
2 3 Jack 23 78.0 A
3 4 Lucy 22 89.0 NaN
4 5 Rose 21 95.0 NaN
連接后的數據:ID Name Age Score Class
0 1 Tom 22.0 85.0 NaN
1 2 Lily 21.0 92.0 NaN
2 3 Jack 23.0 78.0 NaN
3 4 Lucy 22.0 89.0 NaN
4 5 Rose 21.0 95.0 NaN
0 1 NaN NaN NaN A
1 2 NaN NaN NaN B
2 3 NaN NaN NaN A6、數據轉換
例如：
# 創建數據透視表
pivot_table = df.pivot_table(values='Score', index='Age', aggfunc='mean')
print("透視表:\n", pivot_table)# 使用 apply() 轉換數據
df['Score_Squared'] = df['Score'].apply(lambda x: x ** 2)
print("轉換后的數據:\n", df)# 更改數據類型
df['Age'] = df['Age'].astype(float)
print("更改數據類型后的數據:\n", df)樣例輸出:
透視表:Score
Age
21 93.5
22 87.0
23 78.0
轉換后的數據:ID Name Age Score Score_Squared
0 1 Tom 22 85.0 7225.0
1 2 Lily 21 92.0 8464.0
2 3 Jack 23 78.0 6084.0
3 4 Lucy 22 89.0 7921.0
4 5 Rose 21 95.0 9025.0
更改數據類型后的數據:ID Name Age Score Score_Squared
0 1 Tom 22.0 85.0 7225.0
1 2 Lily 21.0 92.0 8464.0
2 3 Jack 23.0 78.0 6084.0
3 4 Lucy 22.0 89.0 7921.0
4 5 Rose 21.0 95.0 9025.07、日期與時間處理
例如：
# 創建日期列
df['Date'] = pd.to_datetime(['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04', '2023-01-05'])# 提取年份、月份、星期
df['Year'] = df['Date'].dt.year
df['Month'] = df['Date'].dt.month
df['Weekday'] = df['Date'].dt.day_name()print(df)樣例輸出：
ID Name Age Score Date Year Month Weekday
0 1 Tom 22 85.0 2023-01-01 2023 1 Sunday
1 2 Lily 21 92.0 2023-01-02 2023 1 Monday
2 3 Jack 23 78.0 2023-01-03 2023 1 Tuesday
3 4 Lucy 22 89.0 2023-01-04 2023 1 Wednesday
4 5 Rose 21 95.0 2023-01-05 2023 1 Thursday
![33.[前端開發-JavaScript基礎]Day10-常見事件-鼠標事件-鍵盤事件-定時器-案例](http://pic.xiahunao.cn/33.[前端開發-JavaScript基礎]Day10-常見事件-鼠標事件-鍵盤事件-定時器-案例)
