pandas：一个强大的数据处理Python库

news2024/9/22 21:14:13

我是东哥，一个热衷于探索Python世界的自媒体人。今天，我要为大家介绍一个在Python数据分析领域中非常强大的库——Pandas。如果你对数据分析充满好奇，或者正在寻找一个简单易用的库来处理和分析数据，那么Pandas绝对是你的不二之选。

基本介绍

Pandas是一个开源的Python库，专门用于数据分析和数据处理。它提供了强大的数据结构和数据操作功能，能够高效地处理各种格式的数据，比如表格数据（类似于Excel的表格）和时间序列数据。通过Pandas，你可以轻松地进行数据清洗、数据转换、数据分析和数据可视化等任务。

项目地址：https://github.com/pandas-dev/pandas

pandas主页

安装方法

安装Pandas非常简单，只需要在你的命令行工具中输入以下命令：

pip install pandas

如果你使用的是Anaconda，你也可以通过conda来安装：

conda install pandas

基本用法

创建和查看DataFrame

让我们从一个简单的示例开始，展示如何使用Pandas创建和查看一个DataFrame：

import pandas as pd

# 创建一个字典，其中的键是列名，值是数据列表
data = {
    'Name': ['John', 'Anna', 'Peter', 'Linda'],
    'Age': [28, 22, 34, 29],
    'City': ['New York', 'Paris', 'Berlin', 'London']
}

# 将字典转换成DataFrame
df = pd.DataFrame(data)

# 查看DataFrame
print(df)

输出：

    Name  Age      City
0   John   28  New York
1   Anna   22     Paris
2  Peter   34    Berlin
3  Linda   29    London

筛选和排序

接下来，我们看看如何使用Pandas进行数据筛选和排序：

# 筛选出年龄大于30的记录
older_than_30 = df[df['Age'] > 30]

# 按年龄排序
sorted_df = df.sort_values(by='Age', ascending=False)

print(older_than_30)
print(sorted_df)

输出：

    Name  Age    City
2  Peter   34  Berlin
    Name  Age      City
2  Peter   34    Berlin
3  Linda   29    London
0   John   28  New York
1   Anna   22     Paris

高级用法

处理缺失数据

Pandas提供了处理缺失数据的强大工具：

# 故意添加一些缺失数据
df.loc[1, 'Age'] = None

# 填充缺失数据
df_filled = df.fillna(value={'Age': df['Age'].mean()})

print(df_filled)

输出：

    Name        Age      City
0   John  28.000000  New York
1   Anna  30.333333     Paris
2  Peter  34.000000    Berlin
3  Linda  29.000000    London

数据合并：使用concat和merge

Pandas允许我们轻松地合并数据：

# 创建另一个DataFrame
df2 = pd.DataFrame({
    'Name': ['Linda', 'Anna', 'John'],
    'Email': ['linda@example.com', 'anna@example.com', 'john@example.com']
})

# 使用concat合并
df_concat = pd.concat([df, df2], axis=1)

# 使用merge进行数据库风格的联接
df_merged = pd.merge(df, df2, on='Name')

print(df_concat)
print(df_merged)

输出：

    Name   Age      City   Name              Email
0   John  28.0  New York  Linda  linda@example.com
1   Anna   NaN     Paris   Anna   anna@example.com
2  Peter  34.0    Berlin   John   john@example.com
3  Linda  29.0    London    NaN                NaN
    Name   Age      City              Email
0   John  28.0  New York   john@example.com
1   Anna   NaN     Paris   anna@example.com
2  Linda  29.0    London  linda@example.com