Pandas是Python中一个非常流行的数据处理库，它提供了一些强大的数据结构和数据分析工具，可以帮助我们更方便、快捷地处理数据。下面我们来介绍一下Pandas的使用方法。

1.导入Pandas库

在使用Pandas之前，需要先导入Pandas库。通常的做法是使用import语句导入Pandas库，并给它起一个别名。

import pandas as pd

2.创建DataFrame

Pandas中最常用的数据结构是DataFrame，它类似于Excel中的表格，可以用来存储二维数据。我们可以通过多种方式来创建DataFrame，比如从CSV文件、Excel文件、SQL数据库、Python字典等。

# 从Python字典创建DataFrame
data = {'name': ['Alice', 'Bob', 'Charlie', 'David'],
        'age': [25, 30, 35, 40],
        'gender': ['F', 'M', 'M', 'M']}
df = pd.DataFrame(data)

3.查看DataFrame

创建了DataFrame之后，我们可以使用head()、tail()、info()、describe()等方法来查看它的基本信息。

# 查看前5行数据
print(df.head())

# 查看后5行数据
print(df.tail())

# 查看DataFrame的基本信息
print(df.info())

# 查看DataFrame的描述性统计信息
print(df.describe())

4.选择数据

在DataFrame中，我们可以使用loc[]、iloc[]、at[]、iat[]等方法来选择数据。

# 选择第一行数据
print(df.loc[0])

# 选择前两行数据
print(df.iloc[:2])

# 选择name列数据
print(df['name'])

# 选择第一行、name列数据
print(df.at[0, 'name'])

5.筛选数据

我们可以使用布尔索引来筛选数据。

# 筛选年龄大于30的数据
print(df[df['age'] > 30])

# 筛选性别为男性的数据
print(df[df['gender'] == 'M'])

6.排序数据

我们可以使用sort_values()方法对DataFrame进行排序。

# 按照年龄升序排序
print(df.sort_values('age'))

# 按照年龄降序排序
print(df.sort_values('age', ascending=False))

7.处理缺失值

在实际数据处理中，我们经常会遇到缺失值。Pandas提供了一些方法来处理缺失值，比如dropna()、fillna()等。

# 删除含有缺失值的行
df.dropna(inplace=True)

# 用平均值填充缺失值
df.fillna(df.mean(), inplace=True)

原文链接:https://blog.csdn.net/weixin_46991302/article/details/129764373