Pandas必会的方法汇总，用Python做数据分析更加如鱼得水！

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

df = pd.DataFrame({“id”:[1001,1002,1003,1004,1005,1006],

“date”:pd.date_range(‘20130102’, periods=6),

“city”:['Beijing ', ‘SH’, ’ guangzhou ', ‘Shenzhen’, ‘shanghai’, 'BEIJING '],

“age”:[23,44,54,32,34,32],

“category”:[‘100-A’,‘100-B’,‘110-A’,‘110-C’,‘210-A’,‘130-F’],

“price”:[1200,np.nan,2133,5433,np.nan,4432]},

columns =[‘id’,‘date’,‘city’,‘category’,‘age’,‘price’])

---

二、DataFrame常见方法

| 序号 | 方法 | 说明 |

| :-: | — | — |

| 1 | df.head() | 查询数据的前五行 |

| 2 | df.tail() | 查询数据的末尾5行 |

| 3 | pandas.qcut() | 基于秩或基于样本分位数将变量离散化为等大小桶 |

| 4 | pandas.cut() | 基于分位数的离散化函数 |

| 5 | pandas.date_range() | 返回一个时间索引 |

| 6 | df.apply() | 沿相应轴应用函数 |

| 7 | Series.value_counts() | 返回不同数据的计数值 |

| 8 | df.reset_index() | 重新设置index，参数drop = True时会丢弃原来的索引，设置新的从0开始的索引，常与groupby()一起用 |

举例：重新索引

df_inner.reset_index()

---

三、数据索引

| 序号 | 方法 | 说明 |

| :-: | :-- | :-- |

| 1 | .values | 将DataFrame转换为ndarray二维数组 |

| 2 | .append(idx) | 连接另一个Index对象，产生新的Index对象 |

| 3 | .insert(loc,e) | 在loc位置增加一个元素 |

| 4 | .delete(loc) | 删除loc位置处的元素 |

| 5 | .union(idx) | 计算并集 |

| 6 | .intersection(idx) | 计算交集 |

| 7 | .diff(idx) | 计算差集，产生新的Index对象 |

| 8 | .reindex(index, columns ,fill_value, method, limit, copy ) | 改变、重排Series和DataFrame索引，会创建一个新对象，如果某个索引值当前不存在，就引入缺失值。 |

| 9 | .drop() | 删除Series和DataFrame指定行或列索引。 |

| 10 | .loc[行标签，列标签] | 通过标签查询指定的数据，第一个值为行标签，第二值为列标签。 |

| 11 | df.iloc[行位置，列位置] | 通过默认生成的数字索引查询指定的数据。 |

举例：按索引提取单行的数值

df_inner.loc[3]

---

四、DataFrame选取和重新组合数据的方法

| 序号 | 方法 | 说明 |

| :-: | — | — |

| 1 | df[val] | 从DataFrame选取单列或一组列；在特殊情况下比较便利：布尔型数组（过滤行）、切片（行切片）、或布尔型DataFrame（根据条件设置值） |

| 2 | df.loc[val] | 通过标签，选取DataFrame的单个行或一组行 |

| 3 | df.loc[：,val] | 通过标签，选取单列或列子集 |

| 4 | df.1oc[val1,val2] | 通过标签，同时选取行和列 |

| 5 | df.iloc[where] | 通过整数位置，从DataFrame选取单个行或行子集 |

| 6 | df.iloc[:,where] | 通过整数位置，从DataFrame选取单个列或列子集 |

| 7 | df.iloc[where_i,where_j] | 通过整数位置，同时选取行和列 |

| 8 | df.at[1abel_i,1abel_j] | 通过行和列标签，选取单一的标量 |

| 9 | df.iat[i,j] | 通过行和列的位置（整数），选取单一的标量 |

| 10 | reindex | 通过标签选取行或列 |

| 11 | get_value | 通过行和列标签选取单一值 |

| 12 | set_value | 通过行和列标签选取单一值 |

举例：使用iloc按位置区域提取数据

df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。

---

五、排序

| 序号 | 函数 | 说明 |

| :-: | — | — |

| 1 | .sort_index(axis=0, ascending=True) | 根据指定轴索引的值进行排序 |

| 2 | Series.sort_values(axis=0, ascending=True) | 只能根据0轴的值排序。 |

| 3 | DataFrame.sort_values(by, axis=0, ascending=True) | 参数by为axis轴上的某个索引或索引列表。 |

举例：按照索引列排序

df_inner.sort_index()

粉丝福利，点击可查看

---

六、相关分析和统计分析

| 序号 | 方法 | 说明 |

| :-: | — | — |

| 1 | .idxmin() | 计算数据最小值所在位置的索引（自定义索引） |

| 2 | .idxmax() | 计算数据最大值所在位置的索引（自定义索引） |

| 3 | .argmin() | 计算数据最小值所在位置的索引位置（自动索引） |

| 4 | .argmax() | 计算数据最大值所在位置的索引位置（自动索引） |

| 5 | .describe() | 针对各列的多个统计汇总，用统计学指标快速描述数据的概要 |

| 6 | .sum() | 计算各列数据的和 |

| 7 | .count() | 非NaN值的数量 |

| 8 | .mean( ) | 计算数据的算术平均值 |

| 9 | .median() | 计算算术中位数 |

| 10 | .var() | 计算数据的方差 |

| 11 | .std() | 计算数据的标准差 |

| 12 | .corr() | 计算相关系数矩阵 |

| 13 | .cov() | 计算协方差矩阵 |

| 14 | .corrwith() | 利用DataFrame的corrwith方法，可以计算其列或行跟另一个Series或DataFrame之间的相关系数。 |

| 15 | .min() | 计算数据的最小值 |

| 16 | .max() | 计算数据的最大值 |

| 17 | .diff() | 计算一阶差分，对时间序列很有效 |

| 18 | .mode() | 计算众数，返回频数最高的那（几）个 |

| 19 | .mean() | 计算均值 |

| 20 | .quantile() | 计算分位数（0到1） |

| 21 | .isin() | 用于判断矢量化集合的成员资格，可用于过滤Series中或DataFrame列中数据的子集 |

| 22 | .unique() | 返回一个Series中的唯一值组成的数组。 |

| 23 | .value_counts() | 计算一个Series中各值出现的频率。 |

举例：判断city列的值是否为北京

df_inner[‘city’].isin([‘beijing’])

---

七、分组的方法

| 序号 | 方法 | 说明 |

| :-: | — | — |

| 1 | DataFrame.groupby() | 分组函数 |

| 2 | pandas.cut() | 根据数据分析对象的特征，按照一定的数值指标，把数据分析对象划分为不同的区间部分来进行研究，以揭示其内在的联系和规律性。 |

举例：.groupby用法

group_by_name=salaries.groupby(‘name’)

print(type(group_by_name))

输出结果为：

<class ‘pandas.core.groupby.DataFrameGroupBy’>

---

八、读写文本格式数据的方法

| 序号 | 方法 | 说明 |

| :-: | — | — |

| 1 | read_csv | 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为逗号 |

| 2 | read_table | 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为制表符（t） |

| 3 | read_ fwf | 读取定宽列格式数据（也就是说，没有分隔符） |

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！