• 官網地址： https://pandas.pydata.org/

什么是pandas？

pandas 是 Python 中一個強大的 數據處理和分析庫，廣泛應用于 數據清洗、轉換、分析 和 可視化 等領域。它提供了搞笑的數據結構（如 DataFrame 和 Series），使得處理結構化數據變得簡單而高效。本文將詳細介紹 pandas 的核心功能和使用方法，幫助你快速掌握這一工具。

pandas 的特點如下：

• 高效的數據結構： Series 和 DataFrame 提供了靈活的數據操作方式。
• 強大的數據處理能力： 支持數據清洗、轉換、分析和可視化。
• 豐富的文件格式支持： 可以輕松讀取和寫入 CSV、Excel、JSON 等文件格式。

---

一、安裝與導入

安裝：

在開始使用 pandas 之前，需要先進行安裝。可以通過以下命令安裝：

pip install pandas

導入：

安裝完成后，在代碼中導入 pandas：

import pandas as pd

---

二、核心數據結構

pandas 的主要數據結構是：Series（一維數據） 和 DataFrame（二維數據）。

2.1 Series 類型（一維數組）

Series 是一個一維數組，可以 存儲任意類型的數據（如整數、字符串、浮點數等），并帶有索引。

創建 Series：

• 語法：pandas.Series([對象1, 對象2])

import pandas as pd# 從列表創建 Series
s = pd.Series([1, 3, 5, 7, 9])
print(s)

執行結果：

訪問 Series：

# 通過索引訪問數據
print(s[0]) # 輸出 1# 通過位置訪問數據
print(s.iloc[1]) # 輸出 3

執行結果：

2.2 DataFrame 類型（二維數組）

DataFrame 是一個二維表格數據結構，類似于 Excel 表格或 SQL 表。它由行和列組成，每列可以是不同的數據類型。

創建 DataFrame：

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

執行結果：

訪問 DataFrame：

# 訪問列
print(df["Name"]) # 輸出 Name 列
print("==============")# 訪問行
print(df.iloc[0]) # 輸出第一行

執行結果：

---

三、數據讀取與寫入

pandas 支持從多種文件格式讀取數據，并將數據寫入這些格式。

3.1 讀取 CSV 和 Excel 文件

讀取 CSV 文件：

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

csv內容如下：

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

執行結果：

讀取 Excel 文件：

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

Excel 內容如下：

執行結果：

3.2 寫入數據

寫入 CSV 文件：

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

寫入 Excel 文件：

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

---

四、數據清洗與處理

4.1 處理缺失值

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

4.2 數據篩選

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

執行結果：

4.3 數據排序

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

執行結果：

---

五、數據分析

5.1 統計描述

# 查看數據的基本統計信息
print(df.describe())

執行結果：

5.2 分組聚合

# 按 City 分組并計算平均年齡
df_grouped = df.groupby("City")["Age"].mean()
print(df_grouped)

執行結果：

5.3 數據透視表

# 創建數據透視表
df_pivot = df.pivot_table(index="City", values="Age", aggfunc="mean")
print(df_pivot)

執行結果：

---

六、數據可視化

pandas 結合 matplotlib 可以方便地進行數據可視化。

安裝命令：

pip install matplotlib

示例：繪制柱狀圖

import matplotlib.pyplot as plt# 繪制 Age 列地柱狀圖
df["Age"].plot(kind="bar")
plt.show()

執行結果：

---

七、高級功能

7.1 合并數據

# 合并兩個 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)

執行結果：

7.2 處理時間序列

# 創建時間序列
dates = pd.date_range("20230101", periods=6)
df_time = pd.DataFrame({"Date": dates, "Value": [1, 2, 3, 4, 5, 6]})
print(df_time)

執行結果：

整理完畢，完結撒花~ 🌻

參考地址：

1.pandas用法-全網最詳細教程，https://blog.csdn.net/Strive_For_Future/article/details/126710810