DataFrame常用操作详解

目录

一.查看DataFrame的常用属性

1.1DataFrame的基础属性

1.2 size,ndim和shape属性

1.3使用T属性进行转换

二. DataFrame的基本操作

2.1. 从字典创建DataFrame

2.2 查看DataFrame信息

2.3选择数据

2.4 数据清洗

2.5数据聚合和分组

2.6数据转换和映射

2.7. 数据排序和排名

2.8数据可视化

三.总结

---

前言

     在当今数据驱动的时代，数据分析已经渗透到我们生活的各个角落。无论是商业决策、科学研究还是个人项目，都离不开对数据的深入分析和解读。而Python作为一门强大的编程语言，凭借其丰富的库和工具，成为了数据分析师和数据科学家们的首选工具。

    在Python的数据分析生态系统中，pandas库无疑是一颗璀璨的明星。它提供了高效、灵活的数据结构和数据分析工具，使得数据处理和分析变得轻而易举。而DataFrame作为pandas库中的核心数据结构，更是以其直观、易用的特性受到了广泛的欢迎。

    本博客旨在通过一系列实际的案例分析，展示如何在Python中运用DataFrame的常用操作进行数据分析。我们将从数据的加载、清洗、转换到数据的探索、分组、聚合，再到数据的可视化，全方位地介绍DataFrame的强大功能。

    在博客中，我们将深入浅出地讲解每个操作的语法和用法，并通过具体的代码示例和输出结果，让读者能够轻松跟随我们的步伐进行操作。同时，我们还将结合业务或研究背景，对数据分析的结果进行解读和讨论，提出基于数据的见解和建议。

  无论你是数据分析的新手还是资深专家，本博客都将为你提供有价值的内容和学习机会。让我们一起走进DataFrame的世界，探索数据分析的奥秘吧！

一.查看DataFrame的常用属性

1.1DataFrame的基础属性

         有values, index, columns, columns, dtypes, 从中分别可以获取元素，索引，列名和数据类型。

         以下是用alues, index, columns, columns, dtypes发别查看音乐行业信息表的4个属性

from sqlalchemy import create_engine
import pandas as pd
#\创建数据库连接
engine = create_engine('mysql+pymysql://root:123456@127.0.0.1:3306/testdb?charset=utf8')
musicdata = pd.read_sql_table('musicdata', con=engine)
print('音乐行业收入信息表的索引为: ', musicdata.index)
print('音乐行业收入信息表的所有值为: \n', musicdata.values)
print('音乐行业收入信息表的列名为： \n',  musicdata.columns)
print('音乐行业收入信息表的数据类型为： \n',  musicdata.dtypes)