pandas库学习

导入 pandas库

import pandas as pd
一般情况使用pandas库也需要使用到numpy库
import numpy as np

导入csv文件或xlsx文件

pd.read_csv( ’ 文件路径 ’ , encoding=)
encoding可以选择读取文件的编码格式，utf-8，gbk等
pd.read_xlsx( ’ 文件路径 ’ )

常用方法

图片信息来自于该博客

其他常用方法

pd.concat方法

pd.concat(
	objs: Iterable[NDFrame] | Mapping[Hashable, NDFrame],
    axis=0,
    join="outer",
    ignore_index: bool = False,
    keys=None,
    levels=None,
    names=None,
    verify_integrity: bool = False,
    sort: bool = False,
    copy: bool = True,)

objs : Series 或 DataFrame 对象的序列或映射如果传递映射，则排序的键将用作 keys 参数，除非它被传递，在这种情况下将选择值（见下文）。任何 None 对象都将被静默删除，除非它们都是 None 在这种情况下将引发 ValueError 。
axis：{0’index’, 1’columns’}，默认值 0 要连接的轴。
join : {‘inner’, ‘outer’}, default ‘outer’ 如何处理其他轴（或轴）上的索引。 ignore_index : bool，默认为 False 如果为 True，则不使用沿串联轴的索引值。结果轴将被标记为 0, …, n - 1。如果您在连接轴没有有意义的索引信息的情况下连接对象，这将非常有用。请注意，在连接中仍然考虑其他轴上的索引值。键：序列，默认无如果通过多个级别，应包含元组。使用传递的键作为最外层构建分层索引。
levels ：序列列表，默认 None 用于构建 MultiIndex 的特定级别（唯一值）。否则，它们将从密钥中推断出来。
names：列表，默认为无结果分层索引中级别的名称。
verify_integrity : bool, default False 检查新的连接轴是否包含重复项。相对于实际的数据串联，这可能非常昂贵。
sort : bool, default False 如果在“join”为“outer”时尚未对齐，则对非串联轴进行排序。这在 join='inner' 时不起作用，它已经保留了非串联轴的顺序。 … versionchanged:: 1.0.0 更改为默认不排序。
copy : bool，默认为 True 如果为 False，则不要不必要地复制数据。

In [1]: df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
   ...:                     'B': ['B0', 'B1', 'B2', 'B3'],
   ...:                     'C': ['C0', 'C1', 'C2', 'C3'],
   ...:                     'D': ['D0', 'D1', 'D2', 'D3']},
   ...:                     index=[0, 1, 2, 3])
   ...: 
 
In [2]: df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],
   ...:                     'B': ['B4', 'B5', 'B6', 'B7'],
   ...:                     'C': ['C4', 'C5', 'C6', 'C7'],
   ...:                     'D': ['D4', 'D5', 'D6', 'D7']},
   ...:                      index=[4, 5, 6, 7])
   ...: 
 
In [3]: df3 = pd.DataFrame({'A': ['A8', 'A9', 'A10', 'A11'],
   ...:                     'B': ['B8', 'B9', 'B10', 'B11'],
   ...:                     'C': ['C8', 'C9', 'C10', 'C11'],
   ...:                     'D': ['D8', 'D9', 'D10', 'D11']},
   ...:                     index=[8, 9, 10, 11])
   ...: 
 
In [4]: frames = [df1, df2, df3]
 
In [5]: result = pd.concat(frames)

图片来源该博客

pandas详细教程