简单分享下pandas

基础库，从了解到熟悉

首先需要用到的库，需要优先导入，并且创建一个DataFrame对象。这里我们使用字典来创建一个简单的DataFrame：

import pandas as pd

data = {
    '姓名': ['张三', '李四', '王五', '赵六'],
    '年龄': [25, 30, 35, 40],
    '性别': ['男', '女', '男', '女']
}

df = pd.DataFrame(data)

接下来，我们将介绍pandas常用的35个经典操作：

1. 查看数据前5行：

print(df.head())

1. 查看数据信息（如数据类型、非空值数量等）：

print(df.info())

1. 查看数据描述性统计信息（如均值、标准差等）：

print(df.describe())

1. 查看数据列名：

print(df.columns)

1. 查看数据索引：

print(df.index)

1. 按列名选择数据：

print(df['姓名'])

1. 按列名修改数据：

df['姓名'] = ['张三丰', '李四光', '王五岳', '赵六令']
print(df)

1. 按条件筛选数据：

filtered_df = df[df['年龄'] > 30]
print(filtered_df)

1. 按条件修改数据：

df.loc[df['年龄'] > 30, '年龄'] = 31
print(df)

1. 按条件删除数据：

df = df[df['年龄'] != 31]
print(df)

1. 添加新列：

df['城市'] = ['北京', '上海', '广州', '深圳']
print(df)

1. 删除列：

df = df.drop('城市', axis=1)
print(df)

1. 重命名列：

df = df.rename(columns={'姓名': '名字'})
print(df)

1. 设置索引：

df = df.set_index('名字')
print(df)

1. 重置索引：

df = df.reset_index()
print(df)

1. 排序：

sorted_df = df.sort_values(by='年龄')
print(sorted_df)

1. 分组：

grouped_df = df.groupby('性别')
print(grouped_df.mean())

1. 合并：

data2 = {'名字': ['孙悟空', '猪八戒'], '年龄': [500, 400], '性别': ['男', '男']}
df2 = pd.DataFrame(data2)
merged_df = pd.concat([df, df2])
print(merged_df)

1. 插入数据：

df.loc[1.5] = ['唐僧', 25, '男']
print(df)

1. 删除数据：

df = df.drop([1, 2])
print(df)

1. 填充缺失值：

df['年龄'] = df['年龄'].fillna(30)
print(df)

1. 去除重复值：

df = df.drop_duplicates()
print(df)

1. 数据透视表：

pivot_table = pd.pivot_table(df, values='年龄', index='名字', columns='性别')
print(pivot_table)

1. 数据转置：

transposed_df = df.T
print(transposed_df)

1. 数据合并（按行）：

df3 = pd.DataFrame({'名字': ['白龙马'], '年龄': [300], '性别': ['男']})
merged_df = pd.merge(df, df3, on='名字')
print(merged_df)

1. 数据合并（按列）：

merged_df = pd.merge(df, df3, left_index=True, right_index=True)
print(merged_df)

1. 数据连接（按行）：

connected_df = pd.concat([df, df3])
print(connected_df)

1. 数据连接（按列）：

connected_df = pd.concat([df, df3], axis=1)
print(connected_df)

1. 数据切片：

sliced_df = df[1:3]
print(sliced_df)

1. 数据迭代：

for index, row in df.iterrows():
    print(row)

1. 数据过滤：

filtered_df = df[(df['年龄'] > 25) & (df['性别'] == '男')]
print(filtered_df)

1. 数据替换：

df['性别'] = df['性别'].replace('男', 'M')
print(df)

1. 数据映射：

mapping = {'男': 'M', '女': 'F'}
df['性别'] = df['性别'].map(mapping)
print(df)

1. 数据透视表（多重索引）：

pivot_table = pd.pivot_table(df, values='年龄', index=['名字', '性别'])
print(pivot_table)

1. 数据透视表（聚合函数）：

pivot_table = pd.pivot_table(df, values='年龄', index='名字', columns='性别', aggfunc='mean')
print(pivot_table)

本文介绍了pandas常用的35个基础操作。包括数据筛选、修改、删除、分组、合并、连接、透视表等。通过这些操作，我们可以对数据处理分析。在实际应用中，我们可以根据需要选择合适的操作来满足我们的需求。