0. Pandas 简介

想象一下，你有一张超级大的餐桌，上面放满了各种各样的食物。Pandas 就像是这张餐桌，帮你整理和处理你所有的数据（食物）。Pandas 有两种特别的容器：Series（一行或一列食物）和 DataFrame（整张餐桌的食物）。

1. 为什么要用 Pandas？

• 整理数据：就像把食物按类型放在不同的盘子里一样，Pandas 帮你把数据整理得井井有条。
• 方便的数据操作：想吃哪个盘子里的食物，只需伸手拿过来。Pandas 让数据分析就这么简单。
• 强大的数据分析工具：就像有了厨师，不仅食物摆好了，还能做出你想要的任何味道。

2. Series

Series 就像是餐桌上的一列食物。它有一个主要的成分（数据）和一个标签列表（索引）。

import pandas as pd# 创建一个 Series
s = pd.Series([3, 6, 9, 12])
print(s)

这就像是你有一列食物，分别是三文鱼、六个寿司、九片烤肉和十二个饺子。

3. DataFrame

3-1. 创建 DataFrame

DataFrame 是整张餐桌，上面摆满了各种食物。它由多列 Series 组成，每列都有自己的名字。

import pandas as pd# 使用字典创建 DataFrame
data = {"Fruits": ["Apple", "Banana", "Cherry"],"Quantity": [5, 6, 7],"Price": [1.00, 0.50, 1.50]
}
df = pd.DataFrame(data)
print(df)

这就好比餐桌上有三种水果：苹果、香蕉和樱桃，每种水果都有对应的数量和价格。

3-2. 选择数据

选择数据就像是客人从自助餐桌上挑选他们想要的食物。

# 选择一列
print(df["Fruits"])# 选择多列
print(df[["Fruits", "Price"]])# 选择行
print(df.iloc[1])  # 选择第二行

这就像是客人决定只吃水果，然后又特别想知道每种水果的价格。

3-3. 数据过滤

过滤操作就像是在自助餐桌上找到所有价格大于0.8的选项，非常直接和简单。

# 过滤出所有价格大于0.8
print(df[df["Price"] > 0.8])

使用 query 方法过滤，

# 使用 query 方法过滤
print(df.query("Price > 0.8"))

使用 isin 方法进行过滤，

# 使用 isin 方法过滤
print(df[df["Fruits"].isin(["Apple", "Cherry"])])

3-4. 修改 DataFrame

有时候你可能需要更换餐桌上的某些食物，或者添加更多的美味佳肴。在Pandas中，修改DataFrame也很简单。

# 修改元素
df.at[0, "Quantity"] = 10  # 将苹果的数量改为10# 添加一列
df["Origin"] = ["USA", "Ecuador", "Turkey"]
print(df)# 添加一行
df = df.append({"Fruits": "Mango", "Quantity": 3, "Price": 1.75, "Origin": "India"}, ignore_index=True)
print(df)

这就好比你决定增加苹果的数量，同时在桌上新增了一种来自印度的芒果。

3-5. 数据清洗

在准备自助餐时，有时你会发现一些食物不够新鲜，需要被替换或删除。Pandas提供了多种方法来清洗DataFrame中的数据。

# 删除一行
df = df.drop(0)  # 删除第一行# 删除一列
df = df.drop("Price", axis=1)
print(df)

这就像是你决定把不够新鲜的苹果从餐桌上拿走，同时也决定不再展示食物的价格。

3-6. 数据合并

如果你有两张自助餐桌，想把它们的食物合并到一张桌子上，Pandas的合并功能可以帮你做到。

# 创建另一个 DataFrame
data2 = {"Vegetables": ["Tomato", "Cucumber", "Pepper"],"Quantity": [8, 4, 5]
}
df2 = pd.DataFrame(data2)# 合并两个 DataFrame
df_merged = pd.concat([df, df2], axis=1) 
# 或者
# df_merged = pd.merge(df, df2, left_index=True , right_index=True)
print(df_merged)

这就好比你决定将蔬菜也加入到自助餐桌上，让客人有更多的选择。

3-7. info()

info()方法就像是给你一份菜单，上面列出了自助餐厅里所有的菜品（数据集中的列），每种菜品的主要成分（列的数据类型），以及是否有菜品没准备好（缺失值）。

# 使用 info() 查看 DataFrame 信息
df.info()

执行这段代码后，你会得到一个概览，告诉你有哪些列，每列的数据类型是什么，以及是否有缺失的数据。

3-8. head()

进入自助餐厅后，你可能会先尝一尝每种菜的前几口来决定是否喜欢。head()方法正是做这个用的，它默认展示DataFrame中的前5行数据，当然，你也可以指定展示更多或更少的行。

# 使用 head() 查看前几行数据
print(df.head())  # 默认展示前5行# 查看前3行数据
print(df.head(3))

3-9. tail()

# 使用 tail() 查看最后几行数据
print(df.tail())  # 默认展示最后5行# 查看最后2行数据
print(df.tail(2))

这就相当于在离开餐厅前，你回头看了一眼那些你可能错过的美味，以便下次来的时候可以直接品尝。

3-10. fillna()

想象你在自助餐厅的餐盘里，某些菜品已经被别人取完了，留下了空位。你肯定不希望看到自己的餐盘有空缺，所以你可能会用其他的菜来填满这些空位。fillna()方法就像是用来填满这些“空位”的工具，其中的“空位”指的是数据中的缺失值（NaN值）。

# 使用 fillna 填充缺失值
df_filled = df.fillna("Missing")
print(df_filled)

这就好比你把那些空缺的位置用“Missing”这个标签填满了，这样你的餐盘看起来就完整多了。

你可能想对不同的列使用不同的填充值，比如对于水果名称的缺失使用“Unknown Fruit”，对于价格的缺失使用平均值。

# 对 "Fruits" 列填充 "Unknown Fruit"
df["Fruits"].fillna("Unknown Fruit", inplace=True)# 对 "Price" 列填充平均值
df["Price"].fillna(df["Price"].mean(), inplace=True)
print(df)

这就像是对于没拿到的水果，你决定用“未知水果”这个标签，而对于没有标价的，你查看了一下其他水果的平均价格，然后用这个平均值来填充。

fillna()还允许你使用不同的方法来填充缺失值，例如ffill（前向填充）和bfill（后向填充）。

# 前向填充
df_filled_ffill = df.fillna(method='ffill')# 后向填充
df_filled_bfill = df.fillna(method='bfill')print("前向填充结果：")
print(df_filled_ffill)
print("\n后向填充结果：")
print(df_filled_bfill)

前向填充就像是你用前一道菜来填充后一道空缺的菜位，而后向填充则是用后一道菜来填充前一道空缺的菜位。

完结！