Pandas Excel数据处理指南(1)，Golangstudio基础

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Golang全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注go）

正文

df = pd.read_excel(‘file.xlsx’, sheet_name=‘Sheet1’)

上述代码中，file.xlsx是要读取的Excel文件的路径和文件名，Sheet1是要读取的工作表的名称。如果不指定sheet_name参数，默认读取第一个工作表的内容。

Pandas还提供了一些其他的参数，用于控制读取数据的方式。例如，可以使用header参数指定表头所在的行数，使用skiprows参数指定要跳过的行数等。

读取Excel文件后，数据将存储在一个名为df的DataFrame对象中。可以使用head()方法来查看DataFrame的前几行数据：

print(df.head())

数据处理和清洗

一旦数据加载到Pandas的DataFrame中，我们可以对其进行各种处理和清洗操作。以下是一些常见的数据处理技巧：

选择特定列

如果只需要处理特定列的数据，可以使用DataFrame的列名进行选择。例如，要选择名为column1和column2的列，可以使用如下代码：

selected_columns = df[[‘column1’, ‘column2’]]

上述代码将选取column1和column2两列的数据，并将其存储在selected_columns变量中。这样我们就可以只对这些列进行后续的处理。

过滤数据

有时候我们可能需要根据某些条件来过滤数据。例如，我们只想保留某个列中数值大于10的行。可以使用条件过滤来实现这一点：

filtered_data = df[df[‘column’] > 10]

上述代码将选择column列中数值大于10的行，并将结果存储在filtered_data变量中。我们可以根据需要修改条件来进行过滤操作。

处理缺失值

在实际数据中，常常会遇到缺失值的情况。Pandas提供了一些方法来处理和填充缺失值。例如，可以使用fillna()方法将缺失值填充为指定的值：

df_filled = df.fillna(0)

上述代码将DataFrame中的所有缺失值填充为0。还可以使用其他方法来填充缺失值，例如使用前一个非缺失值填充或使用平均值填充。

数据转换

有时候我们需要对数据进行转换，例如将数据类型转换为其他类型，或者对数据进行重塑。Pandas提供了一些方法来实现这些转换。以下是一些常见的数据转换技巧：

• 将某一列的数据类型转换为数值类型：

df[‘column’] = pd.to_numeric(df[‘column’])

• 将某一列的数据类型转换为日期类型：

df[‘date_column’] = pd.to_datetime(df[‘date_column’])

• 对数据进行重塑，例如使用pivot_table()方法进行数据透视：

pivot_table = df.pivot_table(index=‘column1’, columns=‘column2’, values=‘value_column’)

这些是一些常见的数据处理和清洗操作，可以根据实际需求使用Pandas提供的方法和函数进行灵活处理。

数据分析和计算

Pandas不仅可以对数据进行处理和清洗，还提供了丰富的数据分析和计算功能。以下是一些常见的数据分析和计算技巧：

描述性统计

可以使用describe()方法来计算DataFrame中数值列的描述性统计信息，例如计数、均值、标准差、最小值、最大值等：

stats = df.describe()

上述代码将计算DataFrame中数值列的描述性统计信息，并将结果存储在stats变量中。

分组和聚合

Pandas提供了强大的分组和聚合功能，可以根据某些列的值将数据进行分组，并对分组后的数据进行各种聚合操作。以下是一些常见的分组和聚合技巧：

• 使用groupby()方法对数据进行分组：

grouped_data = df.groupby(‘column’)

• 计算每个分组中的平均值、总和、计数等：

group_stats = grouped_data.mean()

• 对多个列进行分组和聚合操作：

multi_group_stats = df.groupby([‘column1’, ‘column2’]).sum()

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。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Go）

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！
化的资料的朋友，可以添加V获取：vip1024b （备注Go）**
[外链图片转存中…(img-pTAeHSNl-1713148960911)]

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！