Python常见的pandas用法demo示例 - 开发技术

Python中pandas库是数据处理和分析的重要工具。示例展示了其基本用法，如数据读取、筛选、转换和可视化。通过demo，学习者可以快速掌握pandas的核心功能，提升数据处理效率。

问：Python中pandas库的主要用途是什么？

答：Python中的pandas库是一个强大的数据分析工具，它提供了数据结构（如Series和DataFrame）以及数据分析工具，使得数据处理和分析变得简单高效，pandas库特别适用于数据清洗、数据转换、数据聚合等任务，是数据科学领域不可或缺的库之一。

一、pandas基础数据结构

1、Series：一维数组，可以保存任何数据类型（整数、字符串、浮点数、Python对象等），带有标签的数据结构。

import pandas as pd
创建一个简单的Series
s = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'])
print(s)

2、DataFrame：二维的表格型数据结构，可以看作是由Series组成的字典（共用同一个索引）。

创建一个简单的DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
})
print(df)

二、数据读取与写入

pandas提供了多种读取和写入数据的方法，如read_csv、read_excel、to_csv、to_excel等。

读取CSV文件
df = pd.read_csv('data.csv')
写入CSV文件
df.to_csv('output.csv', index=False)

三、数据清洗与预处理

pandas提供了丰富的数据清洗和预处理功能，如缺失值处理、重复值处理、数据类型转换等。

处理缺失值
df.fillna(method='ffill', inplace=True)  # 使用前一个值填充
删除重复行
df.drop_duplicates(inplace=True)
数据类型转换
df['column_name'] = df['column_name'].astype(int)

四、数据筛选与排序

pandas提供了多种数据筛选和排序的方法。

条件筛选
filtered_df = df[df['A'] > 2]
排序
sorted_df = df.sort_values(by='B', ascending=False)

五、数据聚合与分组

pandas的groupby功能可以实现数据的分组聚合。

分组聚合
grouped = df.groupby('A').sum()
应用聚合函数
df['D'] = df.groupby('A')['B'].transform(lambda x: x.mean())

六、数据可视化

虽然pandas本身不直接提供数据可视化功能，但它可以与其他可视化库（如matplotlib、seaborn）无缝集成。

import matplotlib.pyplot as plt
使用matplotlib绘制柱状图
df['A'].plot(kind='bar')
plt.show()

以上只是pandas库的一些常见用法示例，实际上pandas的功能远不止于此，对于数据科学工作者来说，掌握pandas库的使用是必不可少的技能，通过不断学习和实践，我们可以更好地利用pandas进行高效的数据处理和分析。