全网超详细——pandas库的使用

本文介绍了Pandas库在数据处理和分析中的关键功能,包括数据表格操作、数据结构(Series和DataFrame)、数据清洗、选择和分组、时间序列支持以及文件读写。Pandas因其高效和易用性,在数据科学和工程中广泛应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目录

一、Pandas库的介绍

二、Pandas使用方法

1 .对象创建

1.1Pandas Series对象

2 Pandas DataFrame对象

2.1通过Series对象创建

3.文件的读取与写入

3.1文件的写入

写入CSV文件:

写.txt文件

写入excel文件:

3.2文件的读取

读取CSV文件:

读取Excel文件:

pandas读取xlsx、xls文件

pandas读取txt文件

一、Pandas库的介绍

Pandas是Python第三方库,提供高性能易用数据类型和分析工具。当谈论数据处理和分析时,Pandas 库就像一个强大的工具箱,可以帮助你处理和分析各种类型的数据,从简单的电子表格到大规模的数据集。以下是关于 Pandas 库的通俗介绍

1. 数据表格的专家: Pandas 主要用于处理和操作数据表格,就像你在 Excel 或 Google Sheets 中所做的那样。它能够轻松加载、创建、编辑和保存数据表格。

2. 强大的数据结构: Pandas 提供两种主要的数据结构,称为DataFrame和Series。DataFrame 是一个二维的数据表格,而 Series 是一维的数据序列。你可以将它们想象成 Excel 表格中的列和行。

3. 数据清洗和转换: 数据通常不是完美的,可能存在缺失值、重复项或格式问题。Pandas 提供了各种功能,帮助你轻松地清洗和转换数据,使其适合分析。

4. 数据筛选和选择: 你可以使用 Pandas 来选择和过滤数据,只提取你关心的部分。这对于快速查找特定信息非常有用。

5. 数据聚合和分组: Pandas 允许你根据某些列的值对数据进行分组,并进行聚合操作,如计算平均值、总和、中位数等统计数据。

6. 时间序列数据: 如果你处理时间相关的数据,Pandas 也提供了强大的时间序列支持,可以帮助你分析时间序列数据。

7. 数据可视化: Pandas 可以与其他数据可视化库(如Matplotlib和Seaborn)无缝集成,帮助你创建各种类型的图表和图形,以更好地理解数据。

8. 数据导入和导出: Pandas 能够读取和写入各种不同格式的数据,包括 CSV、Excel、SQL 数据库、JSON 等等。

9. 自动化数据处理: 你可以使用 Pandas 来自动化一些常见的数据处理任务,如数据合并、拆分、透视表的创建等。

总之,Pandas 是一个非常强大而灵活的数据处理和分析库,它为数据科学家、分析师和工程师提供了丰富的工具和函数,使他们能够更轻松地处理和分析各种类型的数据,从而做出更明智的决策。无论是初学者还是专业人士,Pandas 都是一个不可或缺的数据分析工具。

二、Pandas使用方法

1 .对象创建

1.1Pandas Series对象

Series 是带标签数据的一维数组

通用结构: pd.Series(data, index=index, dtype=dtype)

data:数据,可以是列表,字典或Numpy数组

index:索引,为可选参数

dtype: 数据类型,为可选参数

1、用列表创建

  • index缺省,默认为整数序列
import pandas as pd

data = pd.Series([1.5, 3, 4.5, 6])
print(data)

运行结果:

  • 增加index
import pandas as pd
data = pd.Series([1.5, 3, 4.5, 6], index=["a", "b", "c", "d"])
print(data)

运行结果:

  • 增加数据类型
import pandas as pd

data = pd.Series([1.5, 3, 4.5, 6], index=["a", "b", "c", "d"],dtype='float')
print(data)

运行结果:

2 Pandas DataFrame对象

DataFrame 是带标签数据的多维数组

DataFrame对象的创建

通用结构: pd.DataFrame(data, index=index, columns=columns)

data:数据,可以是列表,字典或Numpy数组

index:索引,为可选参数

columns: 列标签,为可选参数

2.1通过Series对象创建

import pandas as pd
dict = {"BeiJing": 2154,
                   "ShangHai": 2424,
                   "ShenZhen": 1303,
                   "HangZhou": 981 }

data = pd.Series(dict)
pd.DataFrame(data)
print(pd.DataFrame(data))

运行结果:

创建的 Series 数据,并将其命名为 "population" 列

pd.DataFrame(data, columns=["population"])
print(pd.DataFrame(data, columns=["population"]))

运行结果:

3.文件的读取与写入

3.1文件的写入

写入CSV文件
import pandas as pd

data_read_path =r"F:\joyful-pandas-master\data\my_csv.csv"
data_write_path = r"F:\joyful-pandas-master\data\my_csv_saved.csv"

data = pd.read_csv(data_read_path)
data.to_csv(data_write_path, index=False) # 此时不能打开被写的文件

data.to_csv(data_write_path, index=False)
把data中的数据 ,写入到data_write_path 中,且设置去除索引操作。

写.txt文件

写txt文件使用的是:
.to_csv()方法
记得设置分割方式:sep

data.to_csv('data/my_txt_saved.txt', sep='\t', index=False)

写入excel文件
data.to_excel('data/my_excel_saved.xlsx', index=False)

3.2文件的读取

  • 读取CSV文件
import pandas as pd
data=pd.read_csv('path',sep=',',header=0,names=["第一列","第二列","第三列"],encoding='utf-8')
  • path: 要读取的文件的绝对路径

  • sep:指定列和列的间隔符,默认sep=‘,’

  • 若sep=‘’\t",即列与列之间用制表符\t分割,相当于tab——四个空格

  • header:列名行,默认为0

  • names:列名命名或重命名

  • encoding:指定用于unicode文本编码格式

import pandas as pd

# 从CSV文件读取数据
df = pd.read_csv('example.csv',header=None)
print(df)

其中 header=None用于告诉Pandas不要将第一行数据解释为列名,而是将其作为数据的一部分。

运行结果:

读取Excel文件
import pandas as pd

# 从Excel文件读取数据
df = pd.read_excel('example.xlsx',header=None)
print(df)

运行结果:

pandas读取xlsx、xls文件
import pandas as pd
data=pd.read_excel('path',sheetname='sheet1',header=0,names=['第一列','第二列','第三列'])
  • path:要读取的文件的绝对路径
  • sheetname:指定读取excel中的哪一个工作表,默认sheetname=0,即默认读取excel中的第一个工作表
  • 若sheetname = ‘sheet1’,即读取excel中的sheet1工作表;
  • header:用作列名的行号,默认为header=0
  • 若header=None,则表明数据中没有列名行,若header=0,则表明第一行为列名
  • names:列名命名或重命名
pandas读取txt文件

read_csv 也可以读取txt文件,读取txt文件的方法同上,也可以用read_table读取txt文件

import pandas as pd
data = pd.read_table('path', sep = '\t', header = None, names = ['第一列','第二列','第三列'])

参考文章:https://book.douban.com/subject/35066598/

### 三级标题:Pandas的安装与使用指南 Pandas 是一个强大的 Python 数据分析,广泛应用于数据处理、清洗和分析。以下是 Pandas 的安装方法以及基本使用指南。 #### 安装教程 在不同的操作系统上,Pandas 的安装方法略有不同: - **Windows 系统**: 推荐使用 Anaconda 发行版来安装 Pandas,因为它包含了大部分常用的科学计算。如果需要手动安装,可以使用 pip 命令: ```bash pip install pandas ``` 此外,还可以选择其他发行版如 Python(x,y) 或 WinPython 来安装 Pandas[^1]。 - **Linux 系统**: - 对于 Ubuntu 用户,可以通过以下命令安装 Pandas: ```bash sudo apt-get update sudo apt-get install python3-pandas ``` - 对于 Fedora 用户,可以运行以下命令: ```bash sudo dnf install python3-pandas ``` - **MacOS 系统**: 在 MacOS 上,推荐使用 Homebrew 或 pip 进行安装: ```bash pip install pandas ``` 或者通过 Homebrew 安装: ```bash brew install pandas ``` #### 使用指南 安装完成后,可以开始使用 Pandas 进行数据分析。以下是一个简单的示例,展示如何加载 CSV 文件并进行基本操作: ```python import pandas as pd # 加载 CSV 文件 df = pd.read_csv('your_data.csv') # 查看前几行数据 print(df.head()) # 添加一列简单移动平均线(SMA) df['SMA_10'] = df['Close'].rolling(window=10).mean() # 打印结果 print(df) ``` 如果需要使用技术分析功能,可以结合 `pandas-ta` 。例如,导入并使用其功能: ```python from pandas_ta import sma # 计算 10 期简单移动平均线 df['SMA_10'] = sma(df['Close'], length=10) # 输出结果 print(df) ``` 上述代码片段展示了如何使用 `pandas-ta` 扩展 Pandas 的功能[^2]。 #### Excel 文件处理 除了 CSV 文件,Pandas 还支持读取和写入 Excel 文件。这通常需要额外安装 `openpyxl` 或 `xlsxwriter` 。例如: ```python # 读取 Excel 文件 df = pd.read_excel('your_file.xlsx') # 写入 Excel 文件 df.to_excel('output.xlsx', index=False) ``` 通过结合 `openpyxl` 和 Pandas,可以实现更复杂的 Excel 文件处理任务[^3]。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值