27000字，103天，16篇：深入浅出Pandas数据分析
深入浅出Pandas数据分析
大家好，我是Peter~
《深入浅出Pandas数据分析》第一版本终于可以和大家见面咯！文末有资料领取方式
从4月24号的第一篇Pandas文章：《一切从爆炸函数开始》，到昨天8月5号的《图解Pandas的轴旋转函数：stack和unstack》，总共历时103天，让Pandas来见证吧：
两行代码告诉你两个日期之间的时间差，这就是Pandas
什么是Pandas
什么是Pandas？引用一段来自Pandas中文官网的解释：
Pandas 是 Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。Pandas 的目标是成为 Python 数据分析实践与实战的必备高级工具，其长远目标是成为最强大、最灵活、可以支持任何语言的开源数据分析工具
简单解释：Pandas是Python的第三库中数据处理和分析最厉害的一个库！
Pandas能处理什么数据
Pandas是一个强大的数据分析库，那它能够处理哪些类型的数据？
- 类似SQL和Excel的表格型数据
- 有序和无序的时间序列数据，常用在金融领域
- 带行列标签的矩阵数据，因为Pandas本身也是基于Numpy开发
103天我写了什么
这103天总共更新了16篇关于Pandas的文章：
第一篇：一切从爆炸函数开始
这篇文章主要讲解的是Pandas中一个函数的使用：explode
它实现的是类似hive中explode函数的功能：从左边的信息统计出右边的信息
第二篇：Series类型数据
Pandas中有两种数据类型，其中一种就是Series。
Series 是一维数组结构，它仅由index（索引）和value（值）构成的。
第三篇：创建DataFrame：10种方式任你选
第三篇文章介绍的是Pandas中最常用的一种数据结构：DataFrame 的10种创建方式。
DataFrame 是将数个 Series 按列合并而成的二维数据结构，每一列单独取出来是一个 Series ；除了拥有index和value之外，还有column
写完之后才想起来，漏了一种方式：通过剪贴板直接创建。当我们在剪贴板中准备好了数据，运行下面的语句就可以直接创建：
df = pd.read_clipboard()
df
第四篇：各种骚气的Pandas取数操作
前两篇文章介绍了Series和DataFrame两种数据结构的创建，那么接下来介绍的是：如何从中取数我们想要的数据。
Pandas中取数的方式真的是五花八门，所以总共花了3篇文章。第四篇文章中的方法主要是：
第五篇：赞！五花八门的Pandas筛选数据
也是关于Pandas中取数的文章，主要介绍的是：
第六篇：最后一篇：玩转Pandas取数
最后一篇介绍如何在Pandas中取数，重点介绍了3对函数：它们使用的时候有细微的区别
第七篇：数据处理的基石：数据探索
在我们拿到数据导入到Pandas，进行后续的处理之前，我们需要先查看下数据的基本信息，对这份数据有一个初步的了解，一般包含如下信息：
第八篇：Pandas数据类型操作
Pandas在处理数据的时候，保证数据类型的准确非常重要，第八篇文章主要是介绍了3种常见的数据类型转换方法+数据类型筛选的方法：
- 使用astype()函数进行强制类型转换
- 通过自定义函数来进行数据类型转换
- 使用Pandas提供的函数如to_numeric()、to_datetime()等进行转化
- select_dtypes函数的使用
第九篇：图解Pandas的groupby机制
groupby分组统计是工作和数据处理工程中常见的一种方法。这篇文章详解了groupby的内部机制。
第十篇：图解Pandas的排名rank机制
本篇文章主要是类比SQL中的排名和窗口函数，介绍了如何利用Pandas的rank函数来实现：
- row_number：顺序排名，rank函数的中的method=first
- rank：跳跃排名，rank函数的中的method=min
- dense_rank：密集排名，rank函数的中的method=dense
第十一篇：图解Pandas的排序机制sort_values
有了排名，必然也要来实现一下排序。排序sort_values函数在平时使用的频率是非常高的，经常需要对销售数据做TopN分析，就需要分组统计数据之后再进行一下排序。
第十二篇：图解Pandas的缺失值处理
一般情况下，数据都不是完美的。需要我们进行前期的各种处理操作，对缺失值的处理就是其中之一。
本篇文章主要是介绍了利用Pandas处理缺失值，包含：对缺失值的判断、删除缺失值、填充缺失值：
- df.isnull()、df.notnull()：两个函数互为取反
- df.isna()：等同于df.isnull()
- df.dropna()：删除缺失值
- df.fillna()：填充缺失值
第十三篇：图解Pandas重复值处理
数据中存在重复值也是常有的情况，本篇文章中主要是介绍了重复值处理的两种方式：
- duplicated()：判断是否有重复值
- drop_duplicates() ：删除重复值
第十四篇：挑战SQL：图解Pandas的数据合并merge
在实际的业务需求中，我们的数据可能存在于不同的库表中，SQL可以通过各种join来实现，Pandas中主要是通过merge函数来实现的。
在这篇文章中详细介绍了merge的各个参数如何使用：
pd.merge(left, # 待合并的2个数据框
right,
how='inner', # ‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’
on=None, # 连接的键，默认是相同的键
left_on=None, # 指定不同的连接字段：键不同，但是键的取值有相同的内容
right_on=None,
left_index=False, # 根据索引来连接
right_index=False,
sort=False, # 是否排序
suffixes=('_x', '_y'), # 改变后缀
copy=True,
indicator=False, # 显示字段来源
validate=None)
第十五篇：图解Pandas数据合并：concat、join、append
Pandas中除了常用的merge函数来实现数据合并，还有3个函数也能实现部分的合并功能：concat、join、append；尤其是concat，其实也挺常用的。
concat参数：
pandas.concat(objs, # 合并对象
axis=0, # 合并方向，默认是0纵轴方向
join='outer', # 合并取的是交集inner还是并集outer
ignore_index=False, # 合并之后索引是否重新
keys=None, # 在行索引的方向上带上原来数据的名字；主要是用于层次化索引，可以是任意的列表或者数组、元组数据或者列表数组
levels=None, # 指定用作层次化索引各级别上的索引，如果是设置了keys
names=None, # 行索引的名字，列表形式
verify_integrity=False, # 检查行索引是否重复；有则报错
sort=False, # 对非连接的轴进行排序
copy=True # 是否进行深拷贝
)
join参数：
dataframe.join(other, # 待合并的另一个数据框
on=None, # 连接的键
how='left', # 连接方式：‘left’, ‘right’, ‘outer’, ‘inner’ 默认是left
lsuffix='', # 左边（第一个）数据框相同键的后缀
rsuffix='', # 第二个数据框的键的后缀
sort=False) # 是否根据连接的键进行排序；默认False
append主要参数：
DataFrame.append(
other, # 追加对象
ignore_index=False, # 是否保留原索引
verify_integrity=False, # 检查行索引是否重复；有则报错
sort=False)
第十六篇：图解Pandas的轴旋转函数stack和unstack
stack和unstack也是一对互为逆操作的函数，它们二者的作用的是对Pandas的数据轴进行旋转，二者特点为：
- stack: 将数据的列columns转旋转成行index
- unstack：将数据的行index旋转成列columns
- 二者默认操作的都是最内层
来自官网的两张图来解释二者的用法：
文章有什么特色
在写作的过程中，参考了官网和很多资料，也有自己平时使用的一些心得，同时也模拟了很多数据，总结下几个特色：
- 案例丰富：每篇文章都是通过模拟来进行说明
- 图文并茂：文章使用了大量的图形来解释函数的使用，更加直观，加深印象
- 贴近现实：很多模拟数据都是可以直接套用在真实的业务场景中
后续工作
目前写的内容真的仅仅是Pandas库的冰山一角，还有很多的内容没有展开。但是如果读者能够认真看完，并且自己实际去运行和理解代码，相信还是会有很大的收获，入门pandas必定是问（听）题（你）不（吹）大（牛）！
后续Pandas的文章会持续更新，这将是一个长期的过程。以后会带来更多高级使用技巧和案例，帮助读者掌握Pandas的使用。
领取方式：关注公众号[尤而小屋]，回复Pandas即可领取