文章概要

本文详细介绍 Pandas 库的基础知识，包括：

Pandas 的基本概念和特点
安装和配置方法
核心数据结构（Series 和 DataFrame）
各种数据类型的处理方法
实际应用示例

什么是 Pandas

Pandas 是 Python 中最流行的数据分析库之一，它提供了高性能、易用的数据结构和数据分析工具。Pandas 的名字来源于 “Panel Data”（面板数据），这是一个计量经济学术语，用于描述多维结构化数据集。

Pandas 的主要特点

强大的数据结构
- Series：一维带标签数组
- DataFrame：二维表格型数据结构
- Panel：三维数据结构（在新版本中已弃用）
灵活的数据处理能力
- 数据清洗和准备
- 数据转换和重塑
- 数据合并和连接
- 数据分组和聚合
丰富的数据分析功能
- 统计分析
- 时间序列分析
- 数据可视化集成
高性能
- 基于 NumPy 构建
- 优化的 C 语言实现
- 支持大数据集处理

Pandas 与其他数据分析工具的比较

特性	Pandas	NumPy	Excel
数据结构	Series, DataFrame	ndarray	表格
处理速度	快	非常快	较慢
内存使用	中等	低	高
可视化	基础	无	丰富
适用场景	数据分析、清洗	科学计算	简单分析

安装与配置

安装 Pandas

使用 pip 安装：

pip install pandas

使用 conda 安装：

conda install pandas

导入 Pandas

在 Python 中导入 Pandas：

import pandas as pd

版本检查

检查 Pandas 版本：

import pandas as pd
print(pd.__version__)

数据结构

Series 数据结构

Series 是 Pandas 中最基本的数据结构，它是一个一维的带标签数组。

创建 Series

# 从列表创建
s1 = pd.Series([1, 3, 5, 7, 9])# 从字典创建
s2 = pd.Series({'a': 1, 'b': 2, 'c': 3})# 指定索引
s3 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])

Series 的基本操作

# 访问数据
print(s1[0])  # 通过位置访问
print(s2['a'])  # 通过标签访问# 数学运算
print(s1.mean())  # 计算平均值
print(s1.sum())   # 计算总和# 布尔索引
print(s1[s1 > 5])  # 选择大于5的值

Series 的索引和切片

# 位置索引
print(s1[0:3])  # 选择前三个元素# 标签索引
print(s2['a':'c'])  # 选择标签从a到c的元素# 条件索引
print(s1[s1 > 5])  # 选择大于5的元素

DataFrame 数据结构

DataFrame 是 Pandas 中最常用的数据结构，它是一个二维的表格型数据结构。

创建 DataFrame

# 从字典创建
df1 = pd.DataFrame({'A': [1, 2, 3],'B': ['a', 'b', 'c']
})# 从列表创建
df2 = pd.DataFrame([[1, 'a'],[2, 'b'],[3, 'c']
], columns=['A', 'B'])# 从 NumPy 数组创建
import numpy as np
df3 = pd.DataFrame(np.random.randn(3, 3))

DataFrame 的基本操作

# 查看数据
print(df1.head())  # 查看前几行
print(df1.tail())  # 查看后几行
print(df1.info())  # 查看数据信息# 选择列
print(df1['A'])  # 选择单列
print(df1[['A', 'B']])  # 选择多列# 选择行
print(df1.iloc[0])  # 通过位置选择行
print(df1.loc[0])   # 通过标签选择行

DataFrame 的索引和切片

# 选择特定行和列
print(df1.iloc[0:2, 0:1])  # 选择前两行第一列# 条件选择
print(df1[df1['A'] > 1])  # 选择A列大于1的行# 多条件选择
print(df1[(df1['A'] > 1) & (df1['B'] == 'b')])

数据类型

数值类型

Pandas 支持多种数值类型：

int64：64位整数
float64：64位浮点数
bool：布尔值

# 查看数据类型
print(df1.dtypes)# 转换数据类型
df1['A'] = df1['A'].astype('float64')

字符串类型

Pandas 中的字符串操作：

# 字符串方法
df1['B'] = df1['B'].str.upper()  # 转换为大写
df1['B'] = df1['B'].str.lower()  # 转换为小写

时间类型

Pandas 提供了强大的时间序列处理功能：

# 创建时间序列
dates = pd.date_range('20230101', periods=3)
df1['date'] = dates# 时间操作
df1['date'] = df1['date'] + pd.Timedelta(days=1)

分类数据

使用分类数据可以节省内存并提高性能：

# 创建分类数据
df1['B'] = df1['B'].astype('category')

缺失值处理

Pandas 提供了多种处理缺失值的方法：

# 检查缺失值
print(df1.isnull())# 删除缺失值
df1.dropna()# 填充缺失值
df1.fillna(0)  # 用0填充
df1.fillna(method='ffill')  # 用前一个值填充

实际应用示例

示例1：学生成绩分析

# 创建学生成绩数据
scores = pd.DataFrame({'姓名': ['张三', '李四', '王五', '赵六'],'语文': [85, 92, 78, 88],'数学': [92, 88, 95, 82],'英语': [88, 85, 90, 87]
})# 计算平均分
scores['平均分'] = scores[['语文', '数学', '英语']].mean(axis=1)# 按平均分排序
scores_sorted = scores.sort_values('平均分', ascending=False)# 显示结果
print(scores_sorted)

示例2：销售数据分析

# 创建销售数据
sales = pd.DataFrame({'日期': pd.date_range('20230101', periods=5),'产品': ['A', 'B', 'A', 'C', 'B'],'销量': [100, 150, 120, 80, 200],'单价': [10, 15, 10, 20, 15]
})# 计算销售额
sales['销售额'] = sales['销量'] * sales['单价']# 按产品分组统计
product_stats = sales.groupby('产品').agg({'销量': 'sum','销售额': 'sum'
})# 显示结果
print(product_stats)