1.基础概念

2.基本操作

（1）加载数据集

import pandas as pd  #引入pandas包

打开csv文件

df = pd.read_csv('./data/gapminder.tsv',sep='\t')  #\t制表符，即tab，缩进四个字符  \n表示回车换行
print(type(df))
print(df.head())  #显示前5行  默认将列表的第一列设置为列标签,即取完之后的数据其实是从原始列表的第二列开始的

<class 'pandas.core.frame.DataFrame'>
       country continent  year  lifeExp       pop   gdpPercap
0  Afghanistan      Asia  1952   28.801   8425333  779.445314
1  Afghanistan      Asia  1957   30.332   9240934  820.853030
2  Afghanistan      Asia  1962   31.997  10267083  853.100710
3  Afghanistan      Asia  1967   34.020  11537966  836.197138
4  Afghanistan      Asia  1972   36.088  13079460  739.981106

print(df.tail())  #显示最后5行

print(type(df))  #df为DataFrame类型

print(df.shape)  #shape是DataFrame的属性，而不是方法，注意没有()

print(df.columns) #查看数据的列名，相当于数据库的字段名

print(type(df.columns))

print(list(df.columns)) #可以转换为list

（2）获取列子集

country_df = df['country']  #获取一列
print(country_df.head())
print(type(country_df))  #contry_df为Series类型，pandas的列为series类型

country_df = df[['country','year']] #获取制定多列，注意 里面是list 两层[]，可以理解为df获取列的参数是某一列，或者是多列组成的一个Listprint(country_df.head())
print(type(country_df))

（3）获取行子集

通过索引标签获取行（注意与iloc的区别）

print(df.head())
print(df.loc[0]) #通过索引值取得行

print(type(df.loc[0]))  #注意，取得一行的时候，结果是Series

print(df.loc[2:5])  #同list和numpy的切片操作

可以使用tail()返回最后一行

print(df.tail(n=5))   #n为选取的数量，修改为2试试

选取多行

print(df.loc[[0,1,3]])   #里面是list，两层[]，同上df取多列

print(df.tail())
print(df.iloc[[-2,-1]])

（4）混合获取

使用loc获取列子集

subset = df.loc[:,['year','pop']]  #同numpy的二维操作,行通过：取全部，列通过一个list取得特定的列 修改行的值试试，去特定几行
print(subset.head())

subset = df.iloc[:,[2,3,-2,-1]]  #负值索引，同list,忘记的回去复习巩固
print(subset.head())

通过范围选择列子集

m=list(range(0,2))  #想先之前学过的，范围包含第一个值，不包含第二个值
print(m)
print(df.iloc[:,m].head())

通过切片选择列子集

subset = df.iloc[:,0:6:2] #带步长，跟list一样
print(subset)

获取行和列的子集

print(df.loc[2,'year'])  #loc注意是索引值

获取多行和多列的子集

print(df.loc[[0,99,999],['country','year']])  #这里与numpy的二维数组取多行多列区别开

（5）分组和聚合计算

print(df.groupby('year')['lifeExp'].mean())  #按年份分组计算平均值

3.Pandas数据结构

（1）创建series

Series
Series是 一维 容器，类似于python 的list。
DataFrame可以看作由Series对象组成的字典，其中每个键是列名，值是Series

import pandas as pd
s = pd.Series(['banana',42])  #默认索引
print(type(s))
print(s)

s = pd.Series(['banana',42],index=['食物','数量'])  #指定索引
print(s)

（2）创建DataFrame

scientists = pd.DataFrame({'name':['Franklin','William Gosset'],'Age':[37,61]})
print(scientists)

scientists = pd.DataFrame(data={'Occupation':['chemist','statistician'],'Born':['1920','1876'],'Died':['1958','1937'],'Age':[37,61]},index=['Rosaline Franklin','William Gosset'],  #把此行注销掉试试看columns=['Occupation','Born','Died','Age']
)   #必须与data里的一致print(scientists)

（3）series操作

（4）series数据操作

布尔子集：Series
用于取数据子集的行索引或列索引往往不确定，通常需要寻求满足（或不满足）特定计算或观测值的值

scientists = pd.read_csv('./data/scientists.csv')
print(scientists)
print(scientists.shape)

ages = scientists['Age']
print(ages)

使用describe()方法获取基本统计量

ages.describe()

操作自动对齐和向量化
许多Series方法都是 向量化 的，这些方法会 同时 处理整个向量，而不用使用for循环

对向量的操作会根据索引进行，缺失值用NaN表示

带有常见索引标签的向量（自动对齐）

DataFrame操作

导出和导入数据

保存数据

names=scientists['Name']

print(names)

names.to_pickle('./data/scientist_names_)series.pikle')  #保存成pickle文件，用二进制格式保存数据，节省磁盘空间  .p .pkl也可

scientist_from=pd.read_pickle('./data/scientist_names_)series.pikle')
print(scientist_from)

scientist.to_csv('./data/scientist_no_index.csv',index=False)

 对于CSV文件，有时需要删除行号