pandas基础之了解数据

        在Pandas中，了解数据的意义是为了能够有效地分析、处理和理解数据。Pandas是Python中一个强大的数据分析库，它提供了数据结构和函数，可以使数据的处理更加简单和高效。通过了解数据，我们可以了解数据的结构和特性，并利用数据来进行分析最后做出决策。总的来说，了解数据意味着能够更好地利用数据来解决问题、做出决策，并从中获得价值。Pandas提供了丰富的工具和功能。下面就将简单介绍一下pandas中了解数据的一系列方法。

首先读取一个名为test的csv文件。

pd.read_csv('路径+test.csv',encoding='utf-8')

在jupyter notebook中下面这种情况就是读取成功

ok我们现在已经有了s1这个数据下面介绍几个查看数据的函数

s1.head()

这个表示查看s1这个数据的前多少行，如果没有参数传递就默认看前5行，如果有默认参数就可以限制看的行数，如下图所示

s1.tail(2)

这个是表示从数据尾部查看数据的行数默认是查看后面5行，结果如下图所示：

s1,info()

  info()函数提供了有关DataFrame的一些关键信息，包括：

1. 索引信息：显示DataFrame的索引信息，包括索引的数据类型和长度。

2. 列信息：显示DataFrame的每一列的名称、非空值数量以及每列数据类型。

3. 内存使用情况：显示DataFrame对象所占用的内存空间。

       通过调用info()函数，你可以快速了解DataFrame的基本结构和内容，以及内存使用情况。具体情况如下图所示

s1.shape

shape函数就是看下数据表的大小，即数据表有多少行，多少列 。结果如下图所示，s1是一个13行1列的数据。

s1.describe()

describe()函数是Pandas中DataFrame和Series对象的一个方法，用于生成关于数据的描述性统计信息。它提供了数据的一些基本统计指标，包括：

1. 计数（count）：非缺失值的数量。
2. 均值（mean）：数据的平均值。
3. 标准差（std）：数据的标准差，衡量数据的离散程度。
4. 最小值（min）：数据的最小值。
5. 25th、50th（中位数）、75th百分位数：数据的分位数，描述数据的分布情况。
6. 最大值（max）：数据的最大值。

对于非数值型数据，describe()函数会提供不同的统计信息，包括：

1. 计数（count）：非缺失值的数量。
2. 唯一值（unique）：数据中不同值的数量。
3. 最频繁出现的值（top）：数据中出现频率最高的值。
4. 最频繁出现的值的频数（freq）：数据中出现频率最高的值的出现次数。

结果如下图所示：