pandas是Python中最强大的数据处理和分析库之一，它提供了高效、灵活且易于使用的数据结构，使数据清洗、转换和分析变得简单直观。
1、pandas库简介
pandas由Wes McKinney于2008年开发，名称来源于"panel data"（面板数据）和"Python data analysis"（Python数据分析）。它构建在NumPy之上，是数据科学领域的核心工具之一。
2、pandas核心数据结构
1. Series（一维数据）
import pandas as pd
# 创建Series
s = pd.Series([1, 3, 5, 7, 9])
print(s)
"""
0 1
1 3
2 5
3 7
4 9
dtype: int64
"""
2. DataFrame（二维数据表）
# 创建DataFrame
data = {
'姓名': ['张三', '李四', '王五'],
'年龄': [25, 30, 35],
'城市': ['北京', '上海', '广州']
}
df = pd.DataFrame(data)
print(df)
"""
姓名 年龄 城市
0 张三 25 北京
1 李四 30 上海
2 王五 35 广州
"""
3、pandas核心功能
1. 数据读取与写入
# 读取CSV文件
df = pd.read_csv('data.csv')
# 读取Excel文件
df = pd.read_excel('data.xlsx')
# 写入文件
df.to_csv('output.csv', index=False)
df.to_excel('output.xlsx', index=False)
2. 数据查看与筛选
# 查看前5行
print(df.head())
# 查看统计信息
print(df.describe())
# 条件筛选
young_people = df[df['年龄'] < 30]
beijing_people = df[df['城市'] == '北京']
3. 数据清洗
# 处理缺失值
df.fillna(0) # 用0填充
df.dropna() # 删除缺失值
# 删除重复值
df.drop_duplicates()
# 重命名列
df.rename(columns={'姓名': 'name', '年龄': 'age'}, inplace=True)
4. 数据排序
# 按年龄升序排序
df.sort_values('年龄')
# 按年龄降序排序
df.sort_values('年龄', ascending=False)
# 多列排序
df.sort_values(['城市', '年龄'])
5. 数据分组与聚合
# 按城市分组计算平均年龄
city_avg_age = df.groupby('城市')['年龄'].mean()
# 多条件聚合
city_stats = df.groupby('城市').agg({
'年龄': ['mean', 'max', 'min'],
'姓名': 'count'
})
4、实际应用场景
1. 数据清洗与预处理
# 处理销售数据
sales = pd.read_csv('sales_data.csv')
# 填充缺失值
sales['销售额'].fillna(sales['销售额'].mean(), inplace=True)
# 转换日期格式
sales['日期'] = pd.to_datetime(sales['日期'])
# 添加计算列
sales['利润率'] = (sales['利润'] / sales['销售额']) * 100
2. 金融数据分析
# 分析股票数据
stocks = pd.read_csv('stock_prices.csv')
# 计算移动平均线
stocks['5日均线'] = stocks['收盘价'].rolling(5).mean()
stocks['20日均线'] = stocks['收盘价'].rolling(20).mean()
# 计算每日收益率
stocks['日收益率'] = stocks['收盘价'].pct_change() * 100
# 找出涨幅超过5%的交易日
big_gain_days = stocks[stocks['日收益率'] > 5]
3. 销售报表生成
# 生成月度销售报表
monthly_sales = sales.groupby(pd.Grouper(key='日期', freq='M')).agg({
'销售额': 'sum',
'利润': 'sum',
'订单ID': 'count'
})
# 计算各项指标
monthly_sales['平均订单金额'] = monthly_sales['销售额'] / monthly_sales['订单ID']
monthly_sales['利润率'] = (monthly_sales['利润'] / monthly_sales['销售额']) * 100
# 保存报表
monthly_sales.to_excel('monthly_sales_report.xlsx')
4. 客户行为分析
# 分析电商用户行为
user_behavior = pd.read_csv('user_behavior.csv')
# 计算RFM指标
now = pd.to_datetime('today')
rfm = user_behavior.groupby('用户ID').agg({
'购买日期': lambda x: (now - x.max()).days, # 最近一次购买(R)
'订单ID': 'count', # 购买频率(F)
'订单金额': 'sum' # 购买金额(M)
})
# 重命名列
rfm.columns = ['Recency', 'Frequency', 'Monetary']
# RFM评分
rfm['R_Score'] = pd.qcut(rfm['Recency'], 5, labels=[5, 4, 3, 2, 1])
rfm['F_Score'] = pd.qcut(rfm['Frequency'], 5, labels=[1, 2, 3, 4, 5])
rfm['M_Score'] = pd.qcut(rfm['Monetary'], 5, labels=[1, 2, 3, 4, 5])
# 计算RFM总分
rfm['RFM_Score'] = rfm['R_Score'].astype(int) + rfm['F_Score'].astype(int) + rfm['M_Score'].astype(int)
5. 时间序列分析
# 分析网站访问量
web_traffic = pd.read_csv('web_traffic.csv', parse_dates=['时间戳'])
web_traffic.set_index('时间戳', inplace=True)
# 按小时重采样
hourly_visits = web_traffic['访问ID'].resample('H').count()
# 计算7天移动平均
hourly_visits_7d_avg = hourly_visits.rolling(window=7*24).mean()
# 找出访问高峰时段
peak_hours = hourly_visits[hourly_visits > hourly_visits.quantile(0.95)]
5、项目实际的场景案例-电商类
1. 订单数据处理
import pandas as pd
# 读取电商订单数据
orders = pd.read_csv('ecommerce_orders.csv')
# 查看数据结构
print(orders.info())
# 处理日期字段
orders['order_date'] = pd.to_datetime(orders['order_date'])
orders['month'] = orders['order_date'].dt.month
# 计算订单金额（单价×数量）
orders['total_amount'] = orders['unit_price'] * orders['quantity']
# 查看销售额前10的商品
top_products = orders.groupby('product_name')['total_amount'].sum().nlargest(10)
print(top_products)
2. 用户行为分析
# 分析用户购买频率
user_activity = orders.groupby('user_id').agg(
order_count=('order_id', 'count'),
total_spent=('total_amount', 'sum'),
last_order=('order_date', 'max')
)
# 计算用户活跃天数
current_date = pd.to_datetime('today')
user_activity['days_since_last_order'] = (current_date - user_activity['last_order']).dt.days
# 用户分层
user_activity['user_type'] = pd.cut(
user_activity['days_since_last_order'],
bins=[0, 30, 90, 365, float('inf')],
labels=['活跃', '休眠', '流失', '失效']
)
6、金融数据处理案例–投资类
1. 股票数据分析
# 读取股票数据
stock_data = pd.read_csv('stock_prices.csv', parse_dates=['date'])
stock_data.set_index('date', inplace=True)
# 计算技术指标
stock_data['5_day_ma'] = stock_data['close'].rolling(5).mean()
stock_data['20_day_ma'] = stock_data['close'].rolling(20).mean()
stock_data['daily_return'] = stock_data['close'].pct_change()
# 找出金叉点（5日均线上穿20日均线）
stock_data['golden_cross'] = (stock_data['5_day_ma'] > stock_data['20_day_ma']) & \
(stock_data['5_day_ma'].shift(1) <= stock_data['20_day_ma'].shift(1))
2. 投资组合分析
# 构建投资组合
portfolio = {
'AAPL': 0.4,
'MSFT': 0.3,
'GOOG': 0.3
}
# 计算组合每日收益
returns = pd.DataFrame()
for stock, weight in portfolio.items():
returns[stock] = stock_data[stock_data['ticker'] == stock]['daily_return'] * weight
portfolio_returns = returns.sum(axis=1)
# 计算累计收益
cumulative_returns = (1 + portfolio_returns).cumprod()
7、pandas高级技巧
1. 数据透视表
# 创建销售数据透视表
pivot_table = pd.pivot_table(
sales,
values='销售额',
index='销售区域',
columns='产品类别',
aggfunc='sum',
fill_value=0,
margins=True
)
2. 多表合并
# 合并订单表和客户表
orders = pd.read_csv('orders.csv')
customers = pd.read_csv('customers.csv')
merged_data = pd.merge(
orders,
customers,
how='left',
on='客户ID'
)
3. 分类数据处理
# 将年龄分段
df['年龄分段'] = pd.cut(
df['年龄'],
bins=[0, 18, 30, 50, 100],
labels=['未成年', '青年', '中年', '老年']
)
# 查看各年龄段人数
print(df['年龄分段'].value_counts())
4. 向量化操作
# 高效计算（避免循环）
df['BMI'] = df['体重'] / (df['身高'] ** 2)
# 条件赋值
df['健康状态'] = np.where(df['BMI'] > 25, '超重', '正常')
8、性能优化建议
- 使用向量化操作：避免使用循环，尽量使用pandas内置方法
- 选择合适的数据类型：如将字符串转换为category类型节省内存
- 使用query方法：大数据集筛选时更高效
- 分批处理：处理超大文件时使用chunksize参数
- 使用eval和query：对大型DataFrame进行复杂表达式计算
# 高效查询示例
large_df.query('销售额 > 1000 and 利润率 < 0.1', inplace=True)
总结
pandas作为Python数据科学生态系统的核心组件，提供了：
- 丰富的数据结构（Series和DataFrame）
- 强大的数据清洗和预处理能力
- 灵活的数据分组和聚合功能
- 高效的时间序列处理
- 便捷的数据可视化集成
无论是金融分析、销售报表、科学研究还是机器学习数据预处理，pandas都能提供高效、简洁的解决方案。掌握pandas可以让你在数据处理工作中事半功倍，将更多精力集中在分析而非数据准备上。
记住，pandas学习的最佳方式是通过实际项目练习。从简单的数据清洗开始，逐步尝试更复杂的数据分析任务，你会很快体会到这个库的强大之处。
