初识Pandas函数是Python的一个库（继续更新...)

    

学习网页： 

Welcome to Python.orghttps://www.python.org/https://www.python.org/https://www.python.org/

Pandas函数库

Pandas是一个Python库，提供了大量的数据结构和数据分析工具，包括DataFrame和Series等。Pandas的函数非常丰富，可以用于数据的各种操作和处理。

以下是一些Pandas函数的基本用法：

1. 读取数据：

   • pandas.read_csv(filename)：读取CSV文件。
   • pandas.read_excel(filename)：读取Excel文件。
   • pandas.read_sql(sql, con)：从SQL数据库中读取数据。

2. 数据清洗：

   • DataFrame.dropna()：删除含有空值的行或列。
   • DataFrame.fillna(value)：填充空值。
   • DataFrame.replace()：替换值。

3. 数据筛选：

   • DataFrame.loc[]：基于标签进行筛选。
   • DataFrame.iloc[]：基于整数位置进行筛选。

4. 数据排序：

   • DataFrame.sort_values()：根据列的值进行排序。

5. 数据聚合：

   • DataFrame.groupby()：根据某一列或多列的值进行分组。
   • DataFrame.agg()：对分组后的数据进行聚合操作，如求和、求平均等。

6. 数据重塑：

   • DataFrame.pivot()：创建数据透视表。
   • DataFrame.melt()：将宽格式数据转换为长格式数据。

7. 数据连接：

   • pandas.concat(objs, axis=0)：沿着axis=0（即行方向）连接多个对象。

8. 绘图：

   • DataFrame.plot()：绘制图表。

9. 缺失值处理：

   • DataFrame.dropna()：删除含有空值的行或列。
   • DataFrame.fillna()：填充空值。

10. 重复值处理：

• DataFrame.drop_duplicates()：删除重复的行。11.

•      .时间序列处理： 

• pandas.to_datetime()：将字符串、整数、浮点数或日期对象转换为日期时间对象。
• pandas.resample()：对时间序列数据进行重采样。

    12.其他常用函数：

• DataFrame.info()：显示DataFrame的信息概览。
• DataFrame.describe()：显示DataFrame的描述统计信息。
• Series.map()、Series.apply()：对Series中的每个元素应用函数。
• DataFrame.apply()、DataFrame.applymap()：对DataFrame中的每个元素或每个单元格应用函数。

小结

这只是Pandas功能的一个子集，Pandas还有许多其他功能和函数，建议查看官方文档或相关教程以获得更全面的了解。

• 以下是一些Pandas函数的示例：

• 1、读取数据：

  • 读取CSV文件：

    
    	python`import pandas as pd 
    
    	df = pd.read_csv('data.csv')`

  • 读取Excel文件：

    python`import pandas as pd 
    df = pd.read_excel('data.xlsx')`

• 2、数据清洗：

  • 删除空值：

    
    	python`df = df.dropna() # 删除含有空值的行或列`

  • 填充空值：

    
    	python`df['column_name'].fillna(value='new_value', inplace=True) # 填充指定列的空值`

• 3、数据筛选和查询：

  • 使用标签选择数据：

    
    	python`df = df.loc[df['column_name'] == 'value'] # 选择某一列中值为'value'的行`

• 4、数据排序：

  • 根据某一列的值进行排序：

    
    	python`df = df.sort_values('column_name') # 对指定列进行升序排序`

• 5、数据聚合和统计：

  
  	python`df = df.groupby('column_name').sum() # 对按指定列分组的每组数据进行求和操作`

• 6、数据重塑和转换：

  • 将宽格式数据转换为长格式数据：

    ```pythondf = df.melt('column_name') # 将宽表转换为长表，'column_name'为转换的键列

    “举个栗子”

  • 以下是一个使用Pandas进行数据处理的实际例子：

    假设我们有一个包含员工信息的CSV文件，文件名为"employees.csv"，内容如下：

    id,name,age,department  
    1,Alice,28,Sales  
    2,Bob,30,Marketing  
    3,Charlie,25,HR  
    4,David,35,Sales  
    5,Eve,29,Marketing

    我们想要对员工信息进行以下处理：

  • 读取CSV文件并将其转换为DataFrame对象。
  • 删除空值和重复行。

  • 下面是相应的Pandas代码示例：

  • 根据部门对员工进行分组，并计算每个部门的平均年龄。
  • 筛选出平均年龄大于25岁的部门。
  • 显示每个部门的员工人数。

    import pandas as pd  
      
    # 读取CSV文件  
    df = pd.read_csv('employees.csv')  
      
    # 删除空值和重复行  
    df = df.dropna().drop_duplicates()  
      
    # 根据部门对员工进行分组，并计算每个部门的平均年龄  
    average_age = df.groupby('department')['age'].mean()  
      
    # 筛选出平均年龄大于25岁的部门  
    filtered_departments = average_age[average_age > 25].index.tolist()  
      
    # 显示每个部门的员工人数  
    department_counts = df[df['department'].isin(filtered_departments)]['department'].value_counts()  
      
    print(department_counts)

    运行以上代码后，将输出每个部门的员工人数，其中平均年龄大于25岁的部门将被筛选出来。