Pandas 入门教程：从安装到核心操作（零基础友好）

Pandas 入门教程：从安装到核心操作（零基础友好）

Pandas 是 Python 数据分析的“瑞士军刀”，基于 NumPy 构建，专为表格数据处理设计。本教程从安装到核心操作，用通俗语言+实战代码，帮你快速上手 Pandas 核心能力。

一、环境准备：安装 Pandas

1. 安装命令（终端/命令行）

# 基础安装（推荐，自动兼容已安装的 NumPy）
pip install pandas

# 镜像源加速（国内用户优先，避免下载超时）
pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 验证安装（Python 交互式环境）

import pandas as pd
import numpy as np

# 打印版本号（确认安装成功，推荐 1.0+ 版本）
print(pd.__version__)  # 输出示例：2.1.4

二、核心数据结构：Series 与 DataFrame

Pandas 有两个核心数据结构，所有操作都围绕它们展开：

1. Series：一维带标签数组

可理解为“列表+自定义标签”，适合存储单一维度数据（如某指标序列）。

（1）创建 Series

# 方式1：从列表创建（默认整数索引）
s1 = pd.Series([10, 20, 30, 40])
print("s1:\n", s1)
# 输出：
# 0    10
# 1    20
# 2    30
# 3    40
# dtype: int64

# 方式2：自定义索引（标签可重复、可非整数）
s2 = pd.Series([10, 20, 30], index=["北京", "上海", "广州"], name="温度")
print("\ns2:\n", s2)
# 输出：
# 北京    10
# 上海    20
# 广州    30
# Name: 温度, dtype: int64

# 方式3：从字典创建（键=索引，值=数据）
s3 = pd.Series({"苹果": 5.99, "香蕉": 3.99, "橙子": 4.99})
print("\ns3:\n", s3)

（2）Series 核心属性

print("数据值：", s2.values)  # 底层 ndarray 数据（[10 20 30]）
print("索引：", s2.index)    # 索引对象（Index(['北京', '上海', '广州'], dtype='object')）
print("数据类型：", s2.dtype)# 数据类型（int64）
print("名称：", s2.name)     # 序列名称（温度）

（3）Series 取值操作

# 按索引标签取值（推荐，不受位置影响）
print(s2["上海"])  # 输出：20

# 按位置取值（类似列表）
print(s2.iloc[1])  # 输出：20（索引"上海"在第1位，从0开始）

# 切片取值（含头含尾，与列表不同）
print(s2["北京":"广州"])  # 输出所有元素

2. DataFrame：二维带标签表格

可理解为“多个 Series 按列拼接”，对应 Excel 表格/SQL 表，是数据分析的核心载体。

（1）创建 DataFrame

# 方式1：从字典创建（键=列名，值=列表/Series）
data = {
    "姓名": ["张三", "李四", "王五", "赵六"],
    "年龄": [25, 30, 35, 28],
    "城市": ["北京", "上海", "广州", "深圳"],
    "薪资": [15000, 20000, 18000, 16000]
}
df = pd.DataFrame(data)  # 默认整数行索引（0,1,2,3）
print("df:\n", df)

# 方式2：自定义行索引（index 参数）
df2 = pd.DataFrame(data, index=["员工1", "员工2", "员工3", "员工4"])
print("\ndf2:\n", df2)

# 方式3：从 CSV/Excel 读取（实战常用，后续详解）
# df3 = pd.read_csv("数据文件.csv")  # 读取 CSV
# df4 = pd.read_excel("数据文件.xlsx")  # 读取 Excel（需安装 openpyxl：pip install openpyxl）

（2）DataFrame 核心属性

print("形状（行×列）：", df.shape)  # 输出：(4, 4)（4行4列）
print("列名：", df.columns)        # 输出列索引（Index(['姓名', '年龄', '城市', '薪资'], dtype='object')）
print("行索引：", df.index)        # 输出行索引（RangeIndex(start=0, stop=4, step=1)）
print("数据类型：\n", df.dtypes)   # 每列数据类型
print("前3行数据：\n", df.head(3)) # 快速查看前 N 行（默认5行）
print("后2行数据：\n", df.tail(2)) # 快速查看后 N 行

三、数据查询：按行/列/条件筛选

DataFrame 的查询是实战高频操作，核心用 []、loc、iloc 三种方式：

1. 按列查询（取整列）

# 方式1：直接用列名（推荐，最简单）
df_age = df["年龄"]  # 返回 Series
print("年龄列（Series）：\n", df_age)

# 方式2：取多列（列名用列表包裹）
df_sub = df[["姓名", "城市", "薪资"]]  # 返回 DataFrame
print("\n多列数据（DataFrame）：\n", df_sub)

2. 按行查询（取整行）

# 方式1：iloc 按位置取行（类似列表索引）
row1 = df.iloc[0]  # 取第0行（张三）
row2_3 = df.iloc[1:3]  # 取第1-2行（左闭右开）
print("第0行：\n", row1)
print("\n第1-2行：\n", row2_3)

# 方式2：loc 按标签取行（自定义索引时常用）
row_emp2 = df2.loc["员工2"]  # 取"员工2"行
print("\n员工2行：\n", row_emp2)

3. 按条件筛选（实战核心）

# 条件1：年龄>30
df_age_gt30 = df[df["年龄"] > 30]
print("年龄>30的员工：\n", df_age_gt30)

# 条件2：城市是北京 且 薪资>15000（多条件用 &，每个条件加括号）
df_beijing_highsalary = df[(df["城市"] == "北京") & (df["薪资"] > 15000)]
print("\n北京且薪资>15000的员工：\n", df_beijing_highsalary)

# 条件3：城市是上海或深圳（用 | 表示“或”）
df_sh_sz = df[df["城市"].isin(["上海", "深圳"])]
print("\n上海或深圳的员工：\n", df_sh_sz)

四、数据清洗：处理缺失值与重复值

真实数据常含缺失值（NaN）、重复值，Pandas 提供简洁的处理方法：

1. 缺失值处理

# 先创建含缺失值的 DataFrame
df_missing = pd.DataFrame({
    "A": [1, 2, None, 4],
    "B": [5, None, 7, 8],
    "C": [9, 10, 11, 12]
})
print("含缺失值的 DataFrame：\n", df_missing)

# （1）查看缺失值（每列缺失个数）
print("\n每列缺失值个数：\n", df_missing.isnull().sum())

# （2）删除缺失值（axis=0删行，axis=1删列；how="any"有一个缺失就删）
df_drop = df_missing.dropna(axis=0, how="any")  # 删除含缺失值的行
print("\n删除缺失值后的 DataFrame：\n", df_drop)

# （3）填充缺失值（用均值/固定值填充）
df_fill = df_missing.fillna({
    "A": df_missing["A"].mean(),  # A列用均值填充
    "B": 0  # B列用0填充
})
print("\n填充缺失值后的 DataFrame：\n", df_fill)

2. 重复值处理

# 创建含重复值的 DataFrame
df_duplicate = pd.DataFrame({
    "姓名": ["张三", "李四", "张三", "王五"],
    "年龄": [25, 30, 25, 35],
    "城市": ["北京", "上海", "北京", "广州"]
})
print("含重复值的 DataFrame：\n", df_duplicate)

# （1）查看重复值（默认判断所有列都相同）
print("\n重复行：\n", df_duplicate.duplicated())

# （2）删除重复值（keep="first"保留第一行，keep=False删除所有重复行）
df_unique = df_duplicate.drop_duplicates(keep="first")
print("\n删除重复值后的 DataFrame：\n", df_unique)

五、数据运算：列级操作与统计分析

Pandas 支持向量化运算（无需循环），统计分析只需一行代码：

1. 列级运算（加减乘除）

# 新增列：薪资税后（假设税率20%）
df["薪资税后"] = df["薪资"] * 0.8
print("新增税后薪资列：\n", df[["姓名", "薪资", "薪资税后"]])

# 列与列运算：年龄+5
df["年龄+5"] = df["年龄"] + 5
print("\n年龄+5列：\n", df[["姓名", "年龄", "年龄+5"]])

2. 统计分析（描述性统计）

# 数值列的基础统计（均值、标准差、最值等）
print("数值列统计信息：\n", df[["年龄", "薪资", "薪资税后"]].describe())

# 单独计算统计量
print("\n薪资均值：", df["薪资"].mean())  # 均值
print("薪资中位数：", df["薪资"].median())  # 中位数
print("薪资最大值：", df["薪资"].max())  # 最大值
print("薪资最小值：", df["薪资"].min())  # 最小值
print("薪资总和：", df["薪资"].sum())  # 总和
print("城市分布：\n", df["城市"].value_counts())  # 分类计数（非数值列可用）

六、数据保存：导出为 CSV/Excel

分析完成后，将结果保存为文件：

# 保存为 CSV（默认不保存索引，index=False 避免冗余）
df.to_csv("员工数据分析结果.csv", index=False, encoding="utf-8-sig")

# 保存为 Excel（需安装 openpyxl 库）
df.to_excel("员工数据分析结果.xlsx", index=False, sheet_name="员工数据")

print("文件保存成功！")

七、实战小案例：员工薪资分析

用以上知识点完成一个简单实战：

# 1. 读取数据（假设已保存员工数据为 CSV）
df_emp = pd.read_csv("员工数据.csv")

# 2. 数据探索：查看基本信息
print("数据形状：", df_emp.shape)
print("前5行：\n", df_emp.head())
print("缺失值统计：\n", df_emp.isnull().sum())

# 3. 数据清洗：填充缺失的薪资（用均值）
df_emp["薪资"] = df_emp["薪资"].fillna(df_emp["薪资"].mean())

# 4. 数据分析：
# （1）各城市员工数量
city_count = df_emp["城市"].value_counts()
print("\n各城市员工数量：\n", city_count)

# （2）各城市平均薪资
city_avg_salary = df_emp.groupby("城市")["薪资"].mean().round(2)
print("\n各城市平均薪资：\n", city_avg_salary)

# （3）筛选30岁以下的高薪资员工（薪资>18000）
young_high_salary = df_emp[(df_emp["年龄"] < 30) & (df_emp["薪资"] > 18000)]
print("\n30岁以下高薪资员工：\n", young_high_salary)

# 5. 保存结果
young_high_salary.to_csv("30岁以下高薪资员工.csv", index=False, encoding="utf-8-sig")
print("\n结果保存成功！")

八、核心总结与进阶方向

1. 入门核心要点

• 记住两个数据结构：Series（一维）、DataFrame（二维）；
• 掌握三大查询方式：[]（列/条件）、loc（标签）、iloc（位置）；
• 数据清洗核心：缺失值（dropna/fillna）、重复值（duplicated/drop_duplicates）；
• 统计分析：describe() 一键获取基础统计，groupby() 分组分析。

2. 进阶方向

• 数据合并：merge()（类似 SQL 连接）、concat()（拼接）；
• 时间序列：to_datetime() 处理时间数据，resample() 时间采样；
• 透视表：pivot_table() 快速生成汇总表格；
• 性能优化：astype() 优化数据类型（如 category 压缩字符串）、apply() 批量处理数据。

需要我针对某个知识点（如时间序列、数据合并）展开详细讲解，或提供更多实战案例吗？