Pandas 数据分析全攻略：从入门到精通！

📊 Pandas 数据分析全攻略！

📌 你是否遇到这些问题？
✅ 如何高效处理 Excel、CSV 数据？
✅ 如何快速筛选、清洗、分析数据？
✅ 如何用 Python 进行数据统计？

如果你想用 Python 进行数据分析，Pandas 绝对是首选！ 今天，我们来详细讲解 Pandas 的核心功能，助你成为数据分析高手！🚀

---

1️⃣ 什么是 Pandas？

🔹 Pandas 是 Python 最强大的数据分析库，专门用于处理结构化数据（如 Excel、CSV、数据库等）。

🔹 核心数据结构：
✅ Series（一维数据，如列表）
✅ DataFrame（二维数据表，如 Excel）

📌 安装 Pandas（如果你还没安装）：

pip install pandas

📌 导入 Pandas：

import pandas as pd

---

2️⃣ Series：一维数据结构

Series 可以看作带索引的列表，适用于存储一列数据。

📌 创建 Series：

import pandas as pd

data = pd.Series([10, 20, 30, 40])
print(data)

🔹 输出：

0    10
1    20
2    30
3    40
dtype: int64

✅ 自动生成索引（0,1,2,3），可以像列表一样访问数据！

📌 自定义索引：

data = pd.Series([10, 20, 30, 40], index=["A", "B", "C", "D"])
print(data["B"])  # 访问索引为 'B' 的值

🔹 输出：

20

✅ Series 适用于存储单列数据，如时间序列、股票价格等！

---

3️⃣ DataFrame：二维数据结构（核心）

DataFrame 是 Pandas 最核心的数据结构，类似于 Excel 表格，可存储多列数据。

📌 创建 DataFrame：

data = {
    "姓名": ["Alice", "Bob", "Charlie"],
    "年龄": [25, 30, 35],
    "城市": ["北京", "上海", "广州"]
}

df = pd.DataFrame(data)
print(df)

🔹 输出：

     姓名  年龄  城市
0  Alice  25  北京
1    Bob  30  上海
2  Charlie  35  广州

✅ 适用于处理 Excel、CSV、数据库中的数据！

---

4️⃣ 读取 & 保存数据

Pandas 可直接读取/保存 Excel、CSV、JSON 等格式的数据！

📌 读取 CSV 文件：

df = pd.read_csv("data.csv")
print(df.head())  # 查看前 5 行数据

📌 保存为 Excel 文件：

df.to_excel("output.xlsx", index=False)

✅ 数据存取非常方便！

---

5️⃣ 数据筛选 & 处理

📌 访问某列数据

print(df["姓名"])  # 访问 "姓名" 列

📌 筛选数据（条件筛选）

df_filtered = df[df["年龄"] > 25]  # 筛选年龄大于 25 的人
print(df_filtered)

📌 排序数据

df_sorted = df.sort_values(by="年龄", ascending=False)  # 按年龄降序排列
print(df_sorted)

📌 缺失值处理

df.dropna()  # 删除缺失值
df.fillna("未知")  # 填充缺失值

✅ Pandas 提供强大的数据处理能力，让数据分析更高效！

---

6️⃣ 数据统计 & 分析

📌 计算基本统计信息

print(df.describe())  # 统计平均值、标准差、最小值、最大值等

📌 分组统计

df.groupby("城市")["年龄"].mean()  # 按城市分组，计算平均年龄

📌 数据透视表

df.pivot_table(index="城市", values="年龄", aggfunc="mean")  # 计算各城市的平均年龄

✅ 轻松完成数据统计与分析！