Pandas从安装到核心操作全掌握
Pandas 是 Python 数据分析领域的核心库，凭借高效的数据处理能力、灵活的结构设计，成为数据清洗、分析、转换的必备工具。本文从新手视角出发，拆解 Pandas 核心用法，所有示例均可直接运行，帮你快速上手数据分析。
一、Pandas 安装与环境准备
1. 安装方式
确保已安装 Python（推荐 3.8 及以上版本），通过 pip 命令安装 Pandas：
pip install pandas
# 国内源加速安装（推荐）
pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple
若需处理 Excel 文件，需额外安装依赖：
pip install openpyxl xlrd
2. 导入 Pandas
使用 Pandas 前需先导入，行业通用简写为 pd：
import pandas as pd
# 验证安装成功
print(pd.__version__) # 输出当前 Pandas 版本号
二、Pandas 核心数据结构
Pandas 有两个核心数据结构：Series（一维数据）和 DataFrame（二维表格数据），理解这两个结构是用好 Pandas 的基础。
1. Series：一维标签数组
Series 由「值（values）」和「索引（index）」组成，可理解为带标签的一维数组。
# 创建 Series（默认索引为 0,1,2...）
s1 = pd.Series([10, 20, 30, 40])
print("基础 Series：")
print(s1)
# 自定义索引
s2 = pd.Series([10, 20, 30, 40], index=["北京", "上海", "广州", "深圳"])
print("\n自定义索引的 Series：")
print(s2)
# 取值（两种方式）
print("\n取上海的值：", s2["上海"]) # 按索引名取
print("取第2个值：", s2.iloc[1]) # 按位置取
输出结果：
基础 Series：
0 10
1 20
2 30
3 40
dtype: int64
自定义索引的 Series：
北京 10
上海 20
广州 30
深圳 40
dtype: int64
取上海的值： 20
取第2个值： 20
2. DataFrame：二维表格数据
DataFrame 是类似 Excel 表格的二维结构，由行索引、列索引和数据组成，是 Pandas 最常用的结构。
# 从字典创建 DataFrame
data = {
"城市": ["北京", "上海", "广州", "深圳"],
"人口(万)": [2188, 2487, 1881, 1768],
"GDP(万亿)": [4.16, 4.32, 2.88, 3.24]
}
df = pd.DataFrame(data)
print("基础 DataFrame：")
print(df)
# 查看基本信息
print("\n数据基本信息：")
df.info() # 查看列类型、非空值数量
print("\n数据统计摘要：")
print(df.describe()) # 数值列的均值、标准差等统计量
三、数据读取与保存
Pandas 支持读取多种格式的数据（CSV、Excel、JSON 等），是数据分析的第一步。
1. 读取数据
# 读取 CSV 文件（最常用）
df_csv = pd.read_csv("data.csv") # 需确保文件在当前目录
# 读取 Excel 文件
df_excel = pd.read_excel("data.xlsx", sheet_name="Sheet1") # 指定工作表
# 读取 JSON 文件
df_json = pd.read_json("data.json")
# 读取时指定参数（解决常见问题）
df_csv = pd.read_csv(
"data.csv",
encoding="utf-8", # 编码格式，中文常用 utf-8/gbk
sep=",", # 分隔符
header=0, # 第0行作为列名
na_values=["-", "无"] # 把指定值识别为缺失值
)
2. 保存数据
# 保存为 CSV
df.to_csv("result.csv", index=False) # index=False 不保存行索引
# 保存为 Excel
df.to_excel("result.xlsx", sheet_name="结果", index=False)
# 保存为 JSON
df.to_json("result.json", orient="records", force_ascii=False) # 中文不转义
四、数据清洗（核心操作）
实际数据常存在缺失值、重复值、异常值，清洗是数据分析的关键步骤。
1. 处理缺失值
# 查看缺失值
print("缺失值数量：")
print(df.isnull().sum()) # 统计每列缺失值数量
# 处理缺失值
df_clean = df.copy() # 避免修改原数据
# 方式1：删除缺失值（缺失少的时候用）
df_clean = df_clean.dropna(subset=["人口(万)"]) # 只删除“人口(万)”列有缺失的行
# 方式2：填充缺失值（推荐）
df_clean["GDP(万亿)"] = df_clean["GDP(万亿)"].fillna(df_clean["GDP(万亿)"].mean()) # 均值填充
df_clean["城市"] = df_clean["城市"].fillna("未知") # 固定值填充
2. 处理重复值
# 查找重复行
print("重复行数量：", df.duplicated().sum())
# 删除重复行
df_clean = df_clean.drop_duplicates(subset=["城市"]) # 按“城市”列去重
3. 数据类型转换
# 查看列类型
print("列类型：", df.dtypes)
# 转换类型
df["人口(万)"] = df["人口(万)"].astype(float) # 转为浮点型
df["日期"] = pd.to_datetime(df["日期"]) # 转为日期类型（关键！）
五、数据筛选与切片
按需提取数据是数据分析的核心，掌握以下方法可解决80%的筛选需求。
1. 按列筛选
# 选择单列
city_col = df["城市"]
# 选择多列
sub_df = df[["城市", "GDP(万亿)"]]
2. 按行筛选（条件过滤）
# 单条件筛选：GDP 大于 3 万亿的城市
df_gdp = df[df["GDP(万亿)"] > 3]
# 多条件筛选（& 且，| 或，需加括号）
df_filter = df[(df["GDP(万亿)"] > 3) & (df["人口(万)"] < 2000)]
# 按值是否在列表中筛选
df_city = df[df["城市"].isin(["北京", "上海"])]
3. 按位置/索引筛选
# iloc：按位置筛选（行/列的数字索引）
df_loc1 = df.iloc[0:2] # 前2行
df_loc2 = df.iloc[:, 0:2] # 所有行，前2列
# loc：按索引名/列名筛选
df.loc[df["城市"] == "北京", "GDP(万亿)"] # 北京的GDP
六、数据分组与聚合
分组聚合是分析数据规律的核心，类似 Excel 的“数据透视表”。
# 按列分组（示例：新增“区域”列）
df["区域"] = ["华北", "华东", "华南", "华南"]
# 分组后计算均值
group_df = df.groupby("区域")["GDP(万亿)"].mean()
print("各区域GDP均值：")
print(group_df)
# 多聚合函数
group_df = df.groupby("区域").agg({
"人口(万)": ["sum", "mean"], # 人口求和、均值
"GDP(万亿)": "max" # GDP最大值
})
print("\n多聚合结果：")
print(group_df)
七、数据合并与拼接
当数据分散在多个文件/表格时，需合并后分析。
# 示例数据
df1 = pd.DataFrame({"城市": ["北京", "上海"], "人均收入": [7.8, 8.2]})
df2 = pd.DataFrame({"城市": ["北京", "上海"], "房价": [6.5, 7.0]})
# 按列合并（类似 SQL 联表）
df_merge = pd.merge(df1, df2, on="城市", how="inner") # inner 内连接（默认）
print("合并后数据：")
print(df_merge)
# 按行拼接
df3 = pd.DataFrame({"城市": ["广州"], "人均收入": [6.5], "房价": [4.0]})
df_concat = pd.concat([df_merge, df3], ignore_index=True) # 重置索引
print("\n拼接后数据：")
print(df_concat)
八、实用技巧
1. 快速查看数据
df.head(3) # 前3行
df.tail(2) # 后2行
df.sample(2) # 随机2行
2. 列名修改
df.rename(columns={"人口(万)": "人口数量"}, inplace=True) # 批量修改列名
3. 排序
df.sort_values(by="GDP(万亿)", ascending=False) # 按GDP降序排列
浙公网安备 33010602011771号