pandas dataframe函数_Python数据分析库pandas干货分享(一)

数据分析不仅是数据分析师、数据挖掘工程师、数据科学家的必备技能之一，也是日常工作中进行业务分析的不可或缺的环节。

点击上方”关注“，提供优质内容，有兴趣看公众号其他文章和视频

小编将用几篇文章逐一介绍日常工作中常用的一些方法，包括选择、缺失值、合并、分组、重塑、数据透视表、数据序列、分类、绘图、数据的输入输出等处理方法。

本篇将介绍pandas的安装方法、pandas能解决什么问题、主要有哪些数据结构、函数处理方面包括选择和缺失值处理方法，如有兴趣可以点击上方“关注”。

Pandas是一个开源的，为Python编程语言提供高性能，易于使用的数据结构和数据分析工具。

安装方式

获得 Pandas 的最佳方式是通过 conda

conda install Pandas

在Windows、Linux和MacOS上，所有受支持的python版本都可以使用包。

也可以通过以下方式安装：

pip install Pandas

Pandas解决了什么问题

Python在数据处理和准备方面一直做得很好，但在数据分析和建模方面就没那么好了。Pandas帮助填补了这一空白，能够在Python中执行整个数据分析工作流程，如果要实现建模功能，可以查看 statsmodels 和scikit-learn两个数据库。

数据结构

Pandas 有两个主要数据结构，Series(1维)和DataFrame(2维),Pandas建立在NumPy之上，旨在与许多其他第三方库完美地集成在科学计算环境中。

入门Pandas

通常，我们按如下方式导入 Pandas：

import numpy as npimport pandas as pd

对象创建

序列结构

dataframe结构

描述函数

• describe() 方法显示数据的快速统计摘要

• 查看DataFrame顶部数据

选择函数

• 按值排序，比如B列数值

• 通过[ ]选择，对行进行切片

• loc函数

• 单个列的值来选择数据

• isin()函数进行过滤

​缺失值处理方法

• 使用值np.nan来表示缺失的数据
• 删除任何带有缺失值的行

• fillna填充方法

• 获取值为nan的