python&Pandas一： 数据结构和基本操作

让我们通过几个案例来学习Pandas中Series和DataFrame的创建、访问、修改等基本操作，以及如何选择、过滤、排序和合并数据，以及处理缺失值和重复数据。

首先，我们将创建一个包含学生信息的DataFrame：

import pandas as pd

data = {
    '姓名': ['张三', '李四', '王五', '赵六'],
    '年龄': [18, 19, 17, 20],
    '性别': ['男', '女', '男', '女'],
    '分数': [90, 85, 95, 80]
}

df = pd.DataFrame(data)

现在，我们有一个包含学生姓名、年龄、性别和分数的DataFrame。接下来，我们可以执行以下操作：

1. 访问列：

   # 获取所有分数
   scores = df['分数']
   print(scores)
   
   # 获取平均年龄
   average_age = df['年龄'].mean()
   print(average_age)
   

2. 访问行：

   # 获取第一行数据
   first_row = df.loc[0]
   print(first_row)
   
   # 获取第二行和第三行数据
   rows = df.loc[1:2]
   print(rows)
   

3. 修改数据：

   # 修改第四行的分数为75
   df.loc[3, '分数'] = 75
   print(df)
   

4. 选择数据：

   # 选择分数大于90的行
   high_scores = df[df['分数'] > 90]
   print(high_scores)
   
   # 选择性别为女的行
   female_students = df[df['性别'] == '女']
   print(female_students)
   

5. 排序数据：

   # 按分数降序排序
   sorted_df = df.sort_values(by='分数', ascending=False)
   print(sorted_df)
   

6. 合并数据：

   # 创建第二个DataFrame
   data2 = {
       '姓名': ['小明', '小红'],
       '年龄': [16, 17],
       '性别': ['男', '女'],
       '分数': [88, 92]
   }
   df2 = pd.DataFrame(data2)
   
   # 合并两个DataFrame
   merged_df = pd.concat([df, df2])
   print(merged_df)
   

7. 处理缺失值和重复数据：

   # 添加一个含有缺失值的行
   df.loc[4] = ['小七', None, '女', 79]
   print(df)
   
   # 删除含有缺失值的行
   df_dropna = df.dropna()
   print(df_dropna)
   
   # 去除重复行
   df_drop_duplicates = df.drop_duplicates()
   print(df_drop_duplicates)
   

通过这些案例，您可以了解到如何使用Pandas中的Series和DataFrame进行基本操作，以及如何选择、过滤、排序和合并数据，以及处理缺失值和重复数据的方法。这些是Pandas中一些基础且常用的功能，您可以通过实践更多案例来进一步掌握和应用这些操作。