Pandas 读取 CSV 文件示例及常用方法（入门）

Pandas 是 Python 中用于数据处理和分析的强大库，而 CSV 文件是一种常见的数据存储格式。下面我们将通过示例和代码来演示如何使用 Pandas 读取 CSV 文件，以及一些常用的数据处理方法。
安装 Pandas
首先，确保已经安装了 Pandas。如果还没有安装，可以通过 pip 安装：

pip install pandas

读取 CSV 文件
要读取 CSV 文件，我们可以使用 Pandas 的 read_csv() 函数。下面是一个简单的示例：

import pandas as pd
# 读取 CSV 文件
data = pd.read_csv('data.csv')
# 显示前几行数据
print(data.head())

在上面的代码中，我们首先导入了 Pandas 库并简称为 pd。然后，使用 read_csv() 函数读取名为 ‘data.csv’ 的文件，并将结果存储在 data 变量中。最后，使用 head() 方法显示数据的前几行。
常用方法
Pandas 提供了一系列常用的数据处理方法。下面列举几个常用的方法：

1. 选择列：使用列名选择某一列的数据。例如，选择 ‘Name’ 列：

   names = data['Name']

2. 筛选数据：使用布尔索引筛选符合条件的数据。例如，选择 ‘Age’ 大于等于 18 的行：

   adults = data[data['Age'] >= 18]

3. 数据排序：使用 sort_values() 方法对数据进行排序。例如，按 ‘Age’ 列升序排序：

   sorted_data = data.sort_values('Age')

4. 数据分组与聚合：使用 groupby() 方法对数据进行分组，并结合聚合函数进行计算。例如，按 ‘Gender’ 分组计算每组的平均年龄：

   average_age = data.groupby('Gender').mean()['Age']

5. 缺失值处理：使用 dropna() 方法删除含有缺失值的行或列。例如，删除含有缺失值的行：

   data_no_na = data.dropna()

6. 数据转换：使用 apply() 方法对数据进行转换。例如，将 ‘Age’ 列中的字符串类型转换为整数类型：
   python data['Age'] = data['Age'].apply(lambda x: int(x) if x.isdigit() else x)在上面的代码中，我们使用了 apply() 方法将 ‘Age’ 列中的字符串类型转换为整数类型。如果某个值不是数字字符串，则保持原样。