我 的 个 人 主 页：👉👉 失心疯的个人主页 👈👈
入 门 教 程 推 荐 ：👉👉 Python零基础入门教程合集 👈👈
虚 拟 环 境 搭 建 ：👉👉 Python项目虚拟环境(超详细讲解) 👈👈
PyQt5 系 列 教 程：👉👉 Python GUI(PyQt5)文章合集 👈👈
Oracle数据库教程：👉👉 Oracle数据库文章合集 👈👈
优 质 资 源 下 载 ：👉👉 资源下载合集 👈👈
优 质 教 程 推 荐：👉👉 Python爬虫从入门到入狱系列 合集👈👈

初识Pandas

• 官方文档：https://pandas.pydata.org/docs/

概念

• Pandas 是一个开源的第三方 Python 库，从 Numpy 和 Matplotlib 的基础上构建而来，享有数据分析“三剑客之一”的盛名（NumPy、Matplotlib、Pandas）

• Pandas 已经成为 Python 数据分析的必备高级工具，它的目标是成为强大、灵活、可以支持任何编程语言的数据分析工具

• Pandas主要实现了数据分析的五个重要环节：

  1. 加载数据
  2. 整理数据
  3. 操作数据
  4. 构建数据模型
  5. 分析数据
  

• Pandas主要特点

  1. 提供了一个简单、高效、带有默认标签（也可以自定义标签）的 DataFrame对象（二维表对象）。
  2. 能够快速得从不同格式的文件中加载数据（比如 Excel、CSV 、SQL文件），然后将其转换为可处理的对象；
  3. 能够按数据的行、列标签进行分组，并对分组后的对象执行聚合和转换操作；
  4. 能够很方便地实现数据归一化操作和缺失值处理；
  5. 能够很方便地对DataFrame的数据列进行增加、修改或者删除的操作；
  6. 能够处理不同格式的数据集，比如矩阵数据、异构数据表、时间序列等；
  7. 提供了多种处理数据集的方式，比如构建子集、切片、过滤、分组以及重新排序等
  

• Pandas应用

  1. Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。
  2. Pandas 可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。
  3. Pandas 广泛应用在学术、金融、统计学等各个数据分析领域
  

• Pandas核心数据结构

  • Pandas 的主要数据结构是 Series（一维数据） 与 DataFrame（二维数据）
  • Series是一种类似于一维数组的对象，它由一组数据（各种 Numpy 数据类型）以及一组与之相关的数据标签（即索引）组成。
  • DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）

  数据结构	维度	说明
  Series	1	Series是一维数据结构，其维数不可以改变 该结构能够存储各种数据类型，比如字符数、整数、浮点数、Python 对象等 Series用name和index属性来描述数据值
  DataFrame	2	DataFrame 是一种二维表格型数据的结构 既有行索引index，也有列索引columns 在创建该结构时，可以指定相应的索引值

---

安装

• Pandas是第三方库，因此需要自行安装

  pip install pandas
  

---

Pandas对象常用方法

• 创建Series对象(一维数据)

  pd.Series(data=None index=None, dtype=None, name=None, copy= None, fastpath= lib.no_default)
  
  # 参数详解
  # data      # 数据源
  # index     # 设置标签索引
  # dtype     # 输出系列的数据类型
  # name      # 为Series对象(即列)命名
  # copy      # 指定是否强制创建data源数据的副本，默认为False
  # fastpath  # 是否启用快速路径。默认为 False
  

• 创建DataFrame对象(二维数据)

  pandas.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)
      
  # 参数详解
  # data      # 源数据
  # index     # 设置行索引，用于标识每行数据
  # columns   # 设置列索引，用于标识每列数据
  # dtype     # 指定DataFrame的数据类型
  # copy      # 是否复制数据，
  

• 判断空值

  # 判断数据中是否有空值(None)
  pd.isnull(s)        # 数据中有空值(None)，则返回True
  
  # 判断数据中是否没有空值(None)
  pd.notnull(s)       # 数据中有空值(None)，则返回False
  

• 文件读取

  # 读取 CSV 文件
  pd.read_csv(filename)
  
  # 读取Excel文件
  pd.read_excel(filename)
  
  # 从SQL数据库读取数据
  pd.read_sql(query, connection_object)
  
  # 从JSON字符串中读取数据
  pd.read_json(json_string)
  
  # 从HTML页面中读取数据
  pd.read_html(url)
  

• 数据合并

  # 将多个数据框按照行或列进行合并
  pd.concat([df1, df2])
  
  # 按照指定列将两个数据框进行合并
  pd.merge(df1, df2, on=column_name)
  

• 数据解析

  # 将内嵌的数据完整的解析出来
  pd.json_normalize()