开源的 Python 数据分析库Pandas 简介

阅读本文之前请参阅-----如何系统的自学python

Pandas 是一个开源的 Python 数据分析库，它提供了高性能、易用的数据结构和数据分析工具。Pandas 特别适合处理表格数据，例如时间序列数据、异构数据等。以下是对 Pandas 的简明扼要的介绍，包括一些基本的概念和操作示例。

Pandas 的核心数据结构

**Series**：一维的带标签数组，可以存储任何数据类型（整数、字符串、浮点数、Python 对象等）。
**DataFrame**：二维的表格型数据结构，具有灵活的行索引和可变的列名。DataFrame 可以被看作是一个由 Series 组成的字典。

安装 Pandas

在 Python 环境中，你可以使用 pip 来安装 Pandas：

复制代码

pip install pandas

创建 Series

创建一个 Series 非常简单，你只需要传递一个列表或数组给 Series 构造器，并为它指定一个索引。

复制代码

import pandas as pd

# 创建一个 Series
s = pd.Series([1, 3, 5, 7, 9], index=['a', 'b', 'c', 'd', 'e'])
print(s)

输出：

a 1

b 3

c 5

d 7

e 9

dtype: int64

创建 DataFrame

DataFrame 可以通过多种方式创建，例如从一个字典、一个列表的列表、一个 Series 的字典等。

复制代码

```python
# 创建一个 DataFrame
df = pd.DataFrame({
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [24, 27, 22],
    'Salary': [85000, 92000, 60000]
})
print(df)

输出：

Name Age Salary

0 Alice 24 85000

1 Bob 27 92000

2 Charlie 22 60000

数据访问

在 Pandas 中，你可以使用多种方式来访问数据。

复制代码

# 访问单个值
print(df.loc[0, 'Name'])  # 输出：Alice

# 访问多行多列
print(df.loc[0:1, ['Name', 'Age']])

# 访问列
print(df['Name'])

# 访问行
print(df.loc[0])

# 使用条件访问数据
print(df[df['Age'] > 25])

数据操作

Pandas 提供了丰富的数据操作功能，包括排序、筛选、合并、分组等。

复制代码

# 排序
df_sorted = df.sort_values(by='Age', ascending=False)
print(df_sorted)

# 筛选
df_filtered = df[df['Salary'] > 70000]
print(df_filtered)

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

# 分组
grouped = df.groupby('Name')['Salary'].mean()
print(grouped)

数据清洗

Pandas 提供了多种数据清洗工具，例如处理缺失值、重复值等。

复制代码

# 处理缺失值
df['Missing'] = [1, 2, None, 4]
df_cleaned = df.dropna()  # 删除包含缺失值的行
print(df_cleaned)

# 处理重复值
df['Duplicate'] = [1, 1, 2, 2]
df_unique = df.drop_duplicates()  # 删除重复的行
print(df_unique)

数据聚合

Pandas 允许你对数据进行聚合操作，例如计算总和、平均值、最大值、最小值等。

复制代码

# 聚合操作
print(df.sum())  # 计算每列的总和
print(df.mean())  # 计算每列的平均值
print(df.max())  # 计算每列的最大值
print(df.min())  # 计算每列的最小值

时间序列分析

Pandas 在处理时间序列数据方面非常强大，它提供了许多用于日期和时间的工具。

复制代码

# 创建时间序列数据
dates = pd.date_range('20230101', periods=3)
ts = pd.Series([1.5, -1.2, 2.8], index=dates)
print(ts)

# 时间序列操作
print(ts.resample('D').mean())  # 按天聚合数据

结论

Pandas 是一个功能强大的数据分析库，它提供了丰富的数据结构和数据分析工具。通过使用 Pandas，你可以轻松地进行数据清洗、处理、分析和可视化。无论是数据科学家、数据分析师还是数据工程师，Pandas 都是 Python 生态系统中不可或缺的一部分。掌握 Pandas 的基本用法，将极大地提高你的数据处理能力。