Pandas 是基于 NumPy 构建的高性能、易用的数据分析和数据处理库。它提供了两种核心数据结构：Series（一维）和 DataFrame（二维），支持高效的数据清洗、转换、切片、聚合、可视化准备等，是数据科学、金融分析、商业智能等领域的首选工具。
安装：
pip install pandas常见应用场景：
（1）数据清洗与预处理（缺失值、重复值处理等）。
（2）结构化数据分析与建模。
（3）时间序列分析（金融数据、传感器数据）。
（4）表格数据读写（CSV、Excel、SQL 等）。
（5）配合机器学习框架进行数据准备（如 sklearn）。
◆ ◆ ◆
核心概念
1、Series
带索引的一维数组，类似于列表但更强大。
2、DataFrame
二维表格型数据结构，类似电子表格或 SQL 表。
3、索引（Index）机制
支持行列标识、自动对齐、分组聚合等功能。
4、向量化操作
批量数据处理，无需显式循环。
5、数据对齐与广播
支持自动对齐数据结构，实现灵活运算。
◆ ◆ ◆
基础用法
import pandas as pd
# 创建 DataFramedata = { 'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35]}df = pd.DataFrame(data)print(df)◆ ◆ ◆
应用举例
例 1：创建 Series 和 DataFrame
import pandas as pd
s = pd.Series([10, 20, 30], index=['a', 'b', 'c'])print(s)
df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})print(df)例 2：读取 CSV 并查看前几行
import pandas as pd
df = pd.read_csv('data.csv')print(df.head())例 3：筛选数据行
import pandas as pd
df = pd.DataFrame({'name': ['Tom', 'Jane'], 'age': [28, 34]})print(df[df['age'] > 30]) # 仅显示 age > 30 的行例 4：缺失值处理
import pandas as pd
df = pd.DataFrame({'a': [1, None, 3], 'b': [4, 5, None]})print(df.fillna(0)) # 用 0 填充缺失值例 5：按组聚合
import pandas as pd
df = pd.DataFrame({ 'dept': ['HR', 'HR', 'IT', 'IT'], 'salary': [4000, 4500, 5000, 5200]})group = df.groupby('dept').mean()print(group)◆ ◆ ◆
常用函数速览
DataFrame()
创建二维表格结构的数据对象。
参数：支持列表、字典、NumPy 数组等
返回：DataFrame 对象
drop(labels, axis=0)
删除指定行或列。
参数：
labels：要删除的行/列名
axis：0 表示行，1 表示列
返回：新 DataFrame
fillna(value)
填充缺失值。
参数：用于替代 NaN 的数值或方法（如 'ffill'）
返回：新 DataFrame
groupby(by)
对数据按某列进行分组。
参数：列名或列表
返回：GroupBy 对象
head(n=5)
查看前 n 行数据。
参数：要查看的行数
返回：DataFrame
iloc[]
基于位置（整数）进行索引。
参数：行、列的整数索引
返回：值或切片
isnull()
判断数据是否为缺失值。
参数：无
返回：布尔型 DataFrame
loc[]
基于标签进行索引。
参数：行列名称
返回：值或切片
merge(df2, on=...)
按指定列合并两个 DataFrame。
参数：
df2：另一个 DataFrame
on：指定连接键
返回：合并后的新 DataFrame
read_csv(filepath)
读取 CSV 文件为 DataFrame。
参数：文件路径
返回：DataFrame
shape
获取 DataFrame 的行列数。
参数：无
返回：(行数, 列数) 元组
sort_values(by)
按指定列排序。
参数：列名，升降序等
返回：新排序后的 DataFrame
to_csv(filename)
将 DataFrame 写入 CSV 文件。
参数：文件名或路径
返回：无，文件写入磁盘
◆ ◆ ◆
补充说明
1、Pandas 是数据分析流程中的核心工具，掌握其 DataFrame 操作、索引、聚合等能力是数据科学的基础。
2、与 NumPy 配合可实现更高效的数值处理，与 Matplotlib/Seaborn 配合可进行可视化分析。
3、Pandas 的 API 非常庞大，建议借助官方文档、Jupyter Notebook 交互学习。
“点赞有美意，赞赏是鼓励”