Pandas，数据分析的超强助手！

数据分析少不了 Pandas 这个神器！

它就像是 Excel 和 Python 的完美结合体，特别擅长处理表格数据。

说实话，我第一次接触 Pandas 的时候也是一脸懵，不过慢慢就发现它简直是数据处理的得力助手。

今天咱们就一起来看看 Pandas 的基本操作，保证学完就能处理日常遇到的数据分析任务！

认识 DataFrame：数据表格的代言人

DataFrame 可以理解成一个超级表格，跟 Excel 表格差不多，但是功能强大太多了。

来看个简单例子：

import pandas as pd

# 创建一个简单的DataFrame

data = {

'姓名'： ['小明'， '小红'， '小张']，

'年龄'： [18， 20， 19]，

'成绩'： [85， 92， 78]

}

df = pd.DataFrame(data)

print(df)

温馨提示：创建 DataFrame 时，字典的键就是列名，值就是每列的数据哦！

数据查看和筛选：找到你要的那一行

有了数据，咱们得知道怎么查看和筛选。

看这个：

# 查看前两行数据

print(df.head(2))

# 筛选成绩大于80分的学生

high_score = df[df['成绩'] > 80]

print(high_score)

还可以用loc和iloc来精确定位数据。loc用标签索引，iloc用数字索引，刚开始容易搞混，我当时就经常弄错。

数据处理：简单又好用的函数

Pandas 里有超多处理数据的函数，比如计算平均值、求和啥的，太方便了：

# 计算成绩平均值

avg_score = df['成绩'].mean()

print(f'平均分：{avg_score}')

# 对数据进行排序

sorted_df = df.sort_values('成绩'， ascending=False)

print(sorted_df)

温馨提示：用sort_values排序时，ascending=True是升序，False是降序，别记反了！

数据清洗：处理烦人的空值

实际工作中的数据往往不会那么完美，经常会遇到缺失值。

处理起来也简单：

# 检查空值

print(df.isnull().sum())

# 填充空值

df.fillna(value=0， inplace=True) # 把空值都填成0

数据分组：找出数据的规律

分组操作可以帮我们发现数据中隐藏的规律：

# 按年龄分组计算平均分

age_groups = df.groupby('年龄')['成绩'].mean()

print(age_groups)

数据分析最有意思的就是能发现这些隐藏的模式，有时候一个简单的分组就能看出很多门道。

实际工作中，基本上用这些操作就能搞定大部分数据处理的需求了。Pandas 还有很多高级功能，不过这些基础操作已经能帮你解决不少问题啦！

记住一点：多动手实践才是王道！光看不练假把式，建议你把这些代码都敲一遍，遇到不懂的就查文档，慢慢就熟悉了。

你要是觉得某个操作不够直观，就把数据打印出来看看，这招屡试不爽！再不行就画个图，用 Pandas 配合 matplotlib 分分钟就能出图，数据一目了然。

点赞分享

让钱和爱流向你