📚 Pandas数据分析入门学习笔记1（小白友好版）
哈喽大家好！作为数据分析小白，今天正式开启Pandas的学习之旅啦～这篇笔记会跟着学习大纲，把入门知识点整理得明明白白，方便自己复盘，也给同样零基础的小伙伴做参考～
一、Pandas框架概述
1. 学习目标
- 了解Pandas是什么、能做什么
- 掌握Pandas的安装方法
- 完成Pandas的第一个小案例，快速上手
2. Pandas介绍
Pandas是Python中最核心的数据分析库，名字来源于“Panel Data”（面板数据），专门用来处理结构化数据（比如Excel表格、CSV文件这类行列分明的数据）。
- 核心优势：可以高效地完成数据清洗、数据筛选、统计分析、数据可视化等操作，是做数据分析、机器学习的必备工具
- 适用场景：处理Excel/CSV数据、做数据报表、数据预处理、时间序列分析等
3. 安装Pandas
对于小白来说，最推荐用pip命令安装，打开终端/命令提示符直接输入：
pip install pandas
如果是Anaconda环境，会自带Pandas，直接用就可以啦～
安装完成后，在Python中输入import pandas as pd，不报错就说明安装成功！（pd是行业通用的别名，后续都用这个缩写）
4. Pandas初体验
我们用一个超简单的例子感受一下Pandas的魅力：
# 导入Pandas库
import pandas as pd
# 创建一个简单的DataFrame（表格）
data = {
"姓名": ["小明", "小红", "小刚"],
"年龄": [18, 19, 20],
"成绩": [90, 95, 88]
}
df = pd.DataFrame(data)
# 打印表格
print(df)
运行后就能看到一个整齐的表格，这就是Pandas最核心的DataFrame数据结构，是不是很简单？
5. 小结
这一部分我们完成了Pandas的入门：知道了Pandas是Python的数据分析神器，学会了安装，还跑通了第一个小案例，对Pandas有了初步的认知～
二、Pandas数据结构与数据类型
1. 学习目标
- 掌握Pandas的两种核心数据结构：
Series和DataFrame - 学会创建、查看这两种数据结构的属性
- 了解Pandas支持的数据类型
2. Pandas数据结构和数据类型
Pandas有两个最核心的数据结构：
- Series：一维数组，相当于表格中的一列，自带索引
- DataFrame：二维表格，相当于整个Excel表，由多个Series组成
同时Pandas支持多种数据类型，比如整数、浮点数、字符串、时间类型等，后续会详细说明。
3. Series对象
Series是一维带标签的数组，标签就是索引，我们可以把它理解成“带索引的列表”。
3.1 创建Series对象
常见的创建方式有两种：
import pandas as pd
# 方式1：从列表创建（默认索引0,1,2...）
s1 = pd.Series([10, 20, 30, 40])
print("s1:\n", s1)
# 方式2：自定义索引
s2 = pd.Series([10, 20, 30, 40], index=["a", "b", "c", "d"])
print("\ns2:\n", s2)
# 方式3：从字典创建（字典的key作为索引）
s3 = pd.Series({"a": 10, "b": 20, "c": 30})
print("\ns3:\n", s3)
3.2 Series对象属性
我们可以通过属性查看Series的信息：
# 查看索引
print(s2.index)
# 查看值
print(s2.values)
# 查看数据类型
print(s2.dtype)
# 查看元素个数
print(s2.size)
4. DataFrame
DataFrame是Pandas最常用的二维表格结构，既有行索引，也有列索引，完美对应Excel表格。
4.1 创建DataFrame对象
最常用的是从字典创建，字典的key是列名，value是列数据：
import pandas as pd
data = {
"姓名": ["小明", "小红", "小刚"],
"年龄": [18, 19, 20],
"成绩": [90, 95, 88]
}
df = pd.DataFrame(data)
print(df)
也可以从列表、CSV文件等创建，后续会详细讲解。
4.2 DataFrame对象属性
# 查看列名
print(df.columns)
# 查看行索引
print(df.index)
# 查看所有值（二维数组）
print(df.values)
# 查看数据形状（行数, 列数）
print(df.shape)
# 查看每列的数据类型
print(df.dtypes)
4.3 DataFrame对象方法
常用的基础方法：
# 查看前5行数据（默认5行，可自定义）
print(df.head())
# 查看后5行数据
print(df.tail())
# 查看数据的基本统计信息（均值、最值等）
print(df.describe())
# 查看数据信息（非空值、数据类型等）
print(df.info())
4.4 DataFrame索引的设置
我们可以自定义行索引，也可以把某一列设置为索引：
# 自定义行索引
df.index = ["学生1", "学生2", "学生3"]
print(df)
# 把“姓名”列设置为行索引
df = df.set_index("姓名")
print(df)
注意：原大纲里的
DatatFrame是笔误，正确拼写是DataFrame哦～
5. Pandas的数据类型
Pandas支持的常见数据类型：
| 类型 | 说明 | 对应Python类型 |
|---|---|---|
| int64 | 整数 | int |
| float64 | 浮点数 | float |
| object | 字符串/混合类型 | str |
| bool | 布尔值 | bool |
| datetime64 | 时间类型 | datetime |
| category | 分类类型 | - |
我们可以用df.dtypes查看每列的数据类型，也可以用astype()转换类型：
# 把年龄列转换为float类型
df["年龄"] = df["年龄"].astype("float64")
6. 小结
这一部分我们掌握了Pandas的核心：Series（一维列）和DataFrame（二维表），学会了创建、查看属性，也了解了Pandas的数据类型，这是后续所有操作的基础哦～
三、Pandas基本数据操作
1. 学习目标
- 掌握DataFrame的索引操作，精准获取数据
- 学会数据赋值、修改
- 掌握数据排序操作
2. 数据集
我们用一个更完整的数据集来演示操作：
import pandas as pd
data = {
"姓名": ["小明", "小红", "小刚", "小丽"],
"年龄": [18, 19, 20, 18],
"成绩": [90, 95, 88, 92],
"班级": ["1班", "2班", "1班", "2班"]
}
df = pd.DataFrame(data)
print("原始数据:\n", df)
3. 索引操作
索引是获取数据的核心，Pandas有多种索引方式，小白一定要掌握！
3.1 直接使用行列索引（先列后行）
- 获取列数据：直接用列名，返回Series
# 获取“成绩”列 print(df["成绩"]) # 获取多列（用列表） print(df[["姓名", "成绩"]]) - 获取行数据：用切片（注意是行号，从0开始）
# 获取前2行 print(df[0:2])
注意：直接索引是先列后行，不能直接用
df[行号, 列名]，这是新手最容易踩的坑！
3.2 结合loc或者iloc使用索引
这是最推荐的索引方式，清晰不踩坑：
- loc：基于标签（行名/列名）索引
# 获取行索引为1，列名为“姓名”的数据 print(df.loc[1, "姓名"]) # 获取所有行，“姓名”和“成绩”列 print(df.loc[:, ["姓名", "成绩"]]) - iloc：基于位置（行号/列号，从0开始）索引
# 获取第2行，第3列（行号1，列号2） print(df.iloc[1, 2]) # 获取前2行，前2列 print(df.iloc[0:2, 0:2])
4. 赋值操作
我们可以通过索引修改数据，也可以新增列：
# 修改单个数据：把小明的成绩改成91
df.loc[0, "成绩"] = 91
print("修改后:\n", df)
# 新增列：新增“是否及格”列，全部设为True
df["是否及格"] = True
print("\n新增列后:\n", df)
# 批量修改：把1班的年龄都改成19
df.loc[df["班级"] == "1班", "年龄"] = 19
print("\n批量修改后:\n", df)
5. 排序操作
排序是数据分析的常用操作，Pandas可以按行、按列、按值排序。
5.1 DataFrame排序
用sort_values()按值排序，sort_index()按索引排序：
# 按“成绩”列降序排序（ascending=False是降序，默认升序）
df_sorted = df.sort_values(by="成绩", ascending=False)
print("按成绩降序:\n", df_sorted)
# 按行索引升序排序
df_sorted_index = df.sort_index()
print("\n按索引升序:\n", df_sorted_index)
5.2 Series排序
Series的排序和DataFrame类似：
# 获取成绩列，降序排序
s_sorted = df["成绩"].sort_values(ascending=False)
print("成绩降序:\n", s_sorted)
6. 小结
这一部分我们掌握了Pandas的基础操作：索引（loc/iloc是重点！）、赋值、排序，这些是数据清洗、数据分析的基础，一定要多练习哦～
🎯 小白学习总结
今天的Pandas入门学习就到这里啦，我们完成了三个核心模块：
- Pandas入门：了解了Pandas的作用，完成了安装和第一个案例
- 核心数据结构：掌握了
Series和DataFrame的创建、属性、方法 - 基础数据操作：学会了索引、赋值、排序，能精准操作表格数据
作为小白，建议大家把每个代码都跑一遍，亲手操作才能真正掌握～后续会继续更新Pandas的进阶操作，比如数据清洗、缺失值处理、分组聚合等，一起加油呀！
浙公网安备 33010602011771号