Pandas 数据分析基础

Pandas 是 Python 中用于数据处理和分析的强大库，提供了许多功能强大的数据结构和函数。以下是一些常见的 Pandas 操作：

1. 创建 DataFrame：可以使用 Pandas 创建 DataFrame 对象，该对象可以存储和操作表格数据。可以通过给定一个二维标签化的数据结构（如列表、字典等）来创建 DataFrame。
   例如，创建一个简单的 DataFrame：

   import pandas as pd
   data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
   df = pd.DataFrame(data)

2. 数据筛选：可以使用 Pandas 的条件筛选功能，根据指定的条件筛选出符合要求的数据行。
   例如，筛选出年龄大于 30 的行：

   df[df['Age'] > 30]

3. 数据排序：可以使用 Pandas 的排序功能，按照指定的列对数据进行排序。
   例如，按照年龄升序排序：

   df.sort_values(by='Age')

4. 数据聚合：可以使用 Pandas 的聚合函数，对指定的列进行聚合操作，如求和、平均值、最大值、最小值等。
   例如，计算平均年龄：

   df['Age'].mean()

5. 数据分组：可以使用 Pandas 的分组功能，根据指定的列对数据进行分组，并对每个组进行聚合操作。
   例如，按年龄分组并计算每组的平均年龄：

   df.groupby('Age').mean()

6. 数据合并与连接：可以使用 Pandas 的合并和连接函数，将多个 DataFrame 合并成一个或根据指定的列将两个 DataFrame 连接起来。
   例如，将两个 DataFrame 根据姓名列进行合并：

   df1.merge(df2, on='Name')

7. 数据读写：可以使用 Pandas 的读写函数，将 DataFrame 中的数据保存到文件中或从文件中读取数据到 DataFrame 中。常用的文件格式包括 CSV、Excel、JSON 等。
   例如，将 DataFrame 保存为 CSV 文件：

   df.to_csv('output.csv')

   这些是一些常见的 Pandas 操作，可以帮助你快速入门并进行基本的数据处理和分析。在实际应用中，你可以根据具体需求选择合适的方法来处理和分析数据。同时，Pandas 还提供了许多其他高级功能和优化方法，你可以通过官方文档和相关教程进行学习和了解。记住，掌握这些基础操作是进一步深入学习 Pandas 的重要前提。