第一篇【传奇开心果系列】Python的自动化办公库技术点案例示例：深度解读Pandas库(1)

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

• • Python的自动化办公库技术点案例示例系列
• 博文目录
• • 前言
    • 一、主要特点和功能介绍
    • 二、Series 示例代码
    • 三、DataFrame示例代码
    • 四、数据导入/导出示例代码
    • 五、数据清洗示例代码
    • 六、数据选择和过滤示例代码
    • 七、数据合并和连接示例代码
    • 八、数据分组和聚合示例代码
    • 九、数据转换示例代码
    • 十、时间序列数据处理示例代码
    • 十一、高效处理大型数据集示例代码
    • 十二、支持向量化操作示例代码
    • 十三、数据分析和可视化示例代码
    • 十四、社区支持举例说明
    • 十五、归纳总结

系列博文目录

Python的自动化办公库技术点案例示例系列

博文目录

前言

Pandas是一个流行的Python数据处理库，提供了易于使用的数据结构和数据分析工具，使得在Python中进行数据清洗、数据分析和数据处理变得更加简单和高效。

一、主要特点和功能介绍

以下是Pandas的一些主要特点和功能：

1. 数据结构：
   -Series：类似于一维数组，可以存储不同类型的数据，并带有标签（索引）。
   -DataFrame：类似于二维表格，由多个Series组成，每列可以是不同的数据类型。
2. 数据操作：
   -数据导入/导出：Pandas支持从各种数据源中导入数据，如CSV文件、Excel表格、数据库等，并可以将处理后的数据导出。
   -数据清洗：处理缺失数据、重复数据、异常值等。
   -数据选择和过滤：通过标签或位置选择数据，进行数据筛选和过滤。
   -数据合并和连接：合并多个数据集，支持不同类型的连接操作。
   -数据分组和聚合：按照指定的条件对数据进行分组，并进行聚合操作，如求和、平均值等。
   -数据转换：对数据进行排序、重塑、透视等操作。
   -时间序列数据处理：提供了强大的时间序列数据处理功能。
3. 性能优势：
   -Pandas基于NumPy构建，能够高效处理大型数据集。
   -支持向量化操作，避免了使用显式循环，提高了数据处理的效率。
4. 灵活性：
   -可以与其他Python库（如NumPy、Matplotlib等）结合使用，实现更复杂的数据分析和可视化任务。
5. 社区支持：
   -Pandas拥有庞大的社区支持和活跃的开发者社区，提供了丰富的文档、教程和示例，便于学习和使用。

总的来说，Pandas是一个功能强大且灵活的数据处理工具，适用于各种数据分析和数据处理任务。如果你需要进行数据清洗、数据分析或数据处理，Pandas通常是一个很好的选择。

二、Series 示例代码

当创建一个Pandas Series 对象时，你可以传入一个包含数据的列表或数组，并可以选择性地指定索引。以下是一个简单的示例代码，演示如何创建一个包含不同类型数据并具有标签索引的 Pandas Series：

import pandas as pd

# 创建一个包含不同类型数据的 Pandas Series
data = [10, 'Hello', 3.5, True]
index = ['A', 'B', 'C', 'D']

# 使用数据列表和索引列表创建 Series 对象
series = pd.Series(data, index=index)

# 打印 Series 对象
print(series)

1
2
3
4
5
6
7
8
9
10
11
12

在这个示例中，我们创建了一个包含整数、字符串、浮点数和布尔值的 Pandas Series，每个值都有一个对应的标签索引。运行这段代码后，你将看到类似以下输出：

A       10
B    Hello
C      3.5
D     True
dtype: object

1
2
3
4
5
6

这个 Series 包含了不同类型的数据，并且每个数据都与一个索引标签相关联。这使得在 Pandas 中处理数据时更加灵活和方便。

三、DataFrame示例代码

当创建一个 Pandas DataFrame 时，你可以传入一个字典，其中键是列名，值是列数据（可以是列表、数组或 Series）。以下是一个简单的示例代码，演示如何创建一个包含不同数据类型的 Pandas DataFrame，每列可以是不同的数据类型：

import pandas as pd

# 创建一个包含不同数据类型的 Pandas DataFrame
data = {
    'A': [1, 2, 3, 4],
    'B': ['apple', 'banana', 'cherry', 'date'],
    'C': [2.5, 3.7, 1.2, 4.9],
    'D': [True, False, True, False]
}

# 使用字典创建 DataFrame 对象
df = pd.DataFrame(data)

# 打印 DataFrame 对象
print(df)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

在这个示例中，我们创建了一个包含整数、字符串、浮点数和布尔值的 Pandas DataFrame。每列的数据类型可以是不同的，这是 Pandas DataFrame 的一个重要特性。运行这段代码后，你将看到类似以下输出：

   A       B    C      D
0  1   apple  2.5   True
1  2  banana  3.7  False
2  3  cherry  1.2   True
3  4    date  4.9  False

1
2
3
4
5
6

这个 DataFrame 包含了四列数据，每列可以是不同的数据类型，类似于一个二维表格。Pandas DataFrame 提供了强大的数据操作功能，使得数据分析和处理变得更加简单和高效。

四、数据导入/导出示例代码

Pandas 提供了丰富的功能来导入和导出数据，包括从 CSV 文件、Excel 表格、数据库等数据源中导入数据，并将处理后的数据导出到各种格式。以下是一些示例代码，演示如何使用 Pandas 进行数据导入和导出：

1. 从 CSV 文件导入数据并将处理后的数据导出到 CSV 文件：

import pandas as pd

# 从 CSV 文件导入数据
df = pd.read_csv('data.csv')

# 处理数据...

# 将处理后的数据导出到 CSV 文件
df.to_csv('processed\_data.csv', index=False)

1
2
3
4
5
6
7
8
9
10

2. 从 Excel 表格导入数据并将处理后的数据导出到 Excel 文件：

import pandas as pd

# 从 Excel 表格导入数据
df = pd.read_excel('data.xlsx')

# 处理数据...

# 将处理后的数据导出到 Excel 文件
df.to_excel('processed\_data.xlsx', index=False)

1
2
3
4
5
6
7
8
9
10

3. 从数据库导入数据并将处理后的数据导出到数据库表：

import pandas as pd
import sqlite3

# 连接到 SQLite 数据库
conn = sqlite3.connect('database.db')

# 从数据库表导入数据
query = "SELECT \* FROM table"
df = pd.read_sql_query(query, conn)

# 处理数据...

# 将处理后的数据导出到数据库表
df.to_sql('processed\_table', conn, index=False, if_exists='replace')

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

通过这些示例代码，你可以了解如何使用 Pandas 从不同数据源中导入数据，并在处理后将数据导出到所需的格式中。Pandas 提供了简单而强大的方法来处理各种数据导入和导出任务，使得数据分析工作更加高效和便捷。

五、数据清洗示例代码

在数据分析中，数据清洗是一个非常重要的步骤，它包括处理缺失数据、重复数据、异常值等问题。Pandas 提供了丰富的功能来进行数据清洗。以下是一些示例代码，演示如何使用 Pandas 进行数据清洗：

1. 处理缺失数据：

import pandas as pd

# 创建包含缺失数据的示例 DataFrame
data = {
    'A': [1, 2, None, 4],
    'B': ['apple', 'banana', 'cherry', None],
    'C': [2.5, None, 1.2, 4.9]
}

df = pd.DataFrame(data)

# 检查缺失数据
print(df.isnull())

# 填充缺失数据
df.fillna(0, inplace=True)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

2. 处理重复数据：

import pandas as pd

# 创建包含重复数据的示例 DataFrame
data = {
    'A': [1, 2, 2, 4],
    'B': ['apple', 'banana', 'banana', 'date']
}

df = pd.DataFrame(data)

# 检查重复数据
print(df.duplicated())

# 删除重复数据
df.drop_duplicates(inplace=True)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

3. 处理异常值：

import pandas as pd

# 创建包含异常值的示例 DataFrame
data = {
    'A': [1, 2, 3, 100],
    'B': ['apple', 'banana', 'cherry', 'date']
}

df = pd.DataFrame(data)

# 检查异常值
print(df[df['A'] > 10])

# 替换异常值
df.loc[df['A'] > 10, 'A'] = 10

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

通过这些示例代码，你可以了解如何使用 Pandas 处理缺失数据、重复数据和异常值。数据清洗是数据分析过程中的关键步骤，有效的数据清洗可以提高数据分析的准确性和可靠性。

六、数据选择和过滤示例代码

在 Pandas 中，你可以通过标签或位置选择数据，进行数据筛选和过滤。以下是一些示例代码，演示如何使用 Pandas 进行数据选择和过滤：

1. 通过标签选择数据：

import pandas as pd

# 创建示例 DataFrame
data = {
    'A': [1, 2, 3, 4, 5],
    'B': ['apple', 'banana', 'cherry', 'date', 'elderberry']
}

df = pd.DataFrame(data, index=['X', 'Y', 'Z', 'W', 'V'])

# 通过标签选择单列数据
column_data = df['A']

# 通过标签选择多列数据
multiple_columns_data = df[['A', 'B']]

# 通过标签选择单行数据
row_data = df.loc['Z']

# 通过标签选择多行数据
multiple_rows_data = df.loc[['X', 'Y']]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

2. 通过位置选择数据：

import pandas as pd

# 创建示例 DataFrame
data = {
    'A': [1, 2, 3, 4, 5],
    'B': ['apple', 'banana', 'cherry', 'date', 'elderberry']
}

df = pd.DataFrame(data)

# 通过位置选择单列数据
column_data = df.iloc[:, 0]

# 通过位置选择多列数据
multiple_columns_data = df.iloc[:, [0, 1]]

# 通过位置选择单行数据
row_data = df.iloc[2]

# 通过位置选择多行数据
multiple_rows_data = df.iloc[[0, 1]]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

通过这些示例代码，你可以了解如何使用 Pandas 通过标签或位置选择数据，进行数据筛选和过滤。Pandas 提供了灵活的方法来选择和操作数据，使得数据分析工作更加高效和便捷。

七、数据合并和连接示例代码

在 Pandas 中，你可以使用不同类型的连接操作来合并多个数据集。以下是一些示例代码，演示如何使用 Pandas 进行数据合并和连接：

1. 使用 pd.concat() 进行数据合并：

import pandas as pd

# 创建示例 DataFrame
data1 = {
    'A': [1, 2, 3],
    'B': ['apple', 'banana', 'cherry']
}

data2 = {
    'A': [4, 5, 6],
    'B': ['date', 'elderberry', 'fig']
}

df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)

# 沿行方向合并两个 DataFrame
result = pd.concat([df1, df2])

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

2. 使用 pd.merge() 进行数据连接：

import pandas as pd

# 创建示例 DataFrame
data1 = {
    'key': ['K0', 'K1', 'K2'],
    'A': [1, 2, 3]
}

data2 = {
    'key': ['K0', 'K1', 'K3'],
    'B': ['apple', 'banana', 'cherry']
}

df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)

# 内连接
result_inner = pd.merge(df1, df2, on='key', how='inner')

# 左连接
result_left = pd.merge(df1, df2, on='key', how='left')

# 右连接
result_right = pd.merge(df1, df2, on='key', how='right')

# 外连接
result_outer = pd.merge(df1, df2, on='key', how='outer')

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

通过这些示例代码，你可以了解如何使用 Pandas 进行数据合并和连接。Pandas 提供了丰富的功能来支持不同类型的连接操作，使得合并多个数据集变得简单和灵活。

八、数据分组和聚合示例代码

在 Pandas 中，你可以使用数据分组和聚合功能来按照指定的条件对数据进行分组，并进行聚合操作，如求和、平均值等。以下是一些示例代码，演示如何使用 Pandas 进行数据分组和聚合：

import pandas as pd

# 创建示例 DataFrame
data = {
    'Category': ['A', 'B', 'A', 'B', 'A', 'B'],
    'Value': [10, 20, 30, 40, 50, 60]
}

df = pd.DataFrame(data)

# 按照 'Category' 列进行分组，并计算每组的平均值
grouped = df.groupby('Category').mean()

# 按照多列进行分组，并计算每组的总和
grouped_multiple = df.groupby(['Category']).sum()

# 对多列进行分组，并同时计算多个聚合函数
grouped_multiple_functions = df.groupby('Category').agg({'Value': ['sum', 'mean']})

# 对每个分组应用自定义的聚合函数
def custom\_aggregation(x):
    return x.max() - x.min()

custom_aggregated = df.groupby('Category').agg({'Value': custom_aggregation})

# 对每个分组应用多个自定义的聚合函数
custom_aggregated_multiple = df.groupby('Category').agg({'Value': [custom_aggregation, 'mean']})

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

通过这些示例代码，你可以了解如何使用 Pandas 进行数据分组和聚合操作。Pandas 提供了强大的功能来轻松地对数据进行分组和应用各种聚合函数，帮助你更好地理解数据并进行数据分析。

九、数据转换示例代码

在 Pandas 中，你可以对数据进行各种转换操作，包括排序、重塑、透视等。以下是一些示例代码，演示如何使用 Pandas 进行数据转换：

1. 数据排序：

import pandas as pd

# 创建示例 DataFrame
data = {
    'A': [3, 2, 1, 4],
    'B': ['apple', 'banana', 'cherry', 'date']
}

df = pd.DataFrame(data)

# 按照 'A' 列进行升序排序
sorted_df = df.sort_values(by='A')

1
2
3
4
5
6
7
8
9
10
11
12
13

2. 数据重塑（Pivot）：

import pandas as pd

# 创建示例 DataFrame
data = {
    'A': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'],
    'B': ['one', 'one', 'two', 'two', 'one', 'one'],
    'C': [1, 2, 3, 4, 5, 6]
}

df = pd.DataFrame(data)

# Pivot 操作
pivot_df = df.pivot(index='A', columns='B', values='C')

1
2
3
4
5
6
7
8
9
10
11
12
13
14

3. 数据透视：

import pandas as pd

# 创建示例 DataFrame
data = {
    'A': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'],
    'B': ['one', 'one', 'two', 'two', 'one', 'one'],
    'C': [1, 2, 3, 4, 5, 6]


### 最后

> **
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/爱喝兽奶帝天荒/article/detail/799717