Pandas使用方法

关于Pandas使用方法的思维导图，具体分为安装、导入、数据结构、数据选择、数据操作、数据统计，一起来看。

Pandas使用方法

• 安装
  • `pip install pandas`
• 导入
  • `import pandas as pd`
• 数据结构
  • Series
    • 一维数组对象
    • 创建
      • 示例1: `s = pd.Series([3, -5, 7, 4], index=['a', 'b', 'c', 'd'])`
        • 创建一个Series，索引为`['a', 'b', 'c', 'd']`，值为`[3, -5, 7, 4]`
      • 示例2: `s = pd.Series({'a': 3, 'b': -5, 'c': 7, 'd': 4})`
        • 通过字典创建一个Series
    • 属性
      • `index`: `s.index`
      • `values`: `s.values`
    • 方法
      • `head(n)`: 显示前n行数据，如`s.head(2)`
      • `tail(n)`: 显示后n行数据，如`s.tail(2)`
  • DataFrame
    • 二维表格型数据结构
    • 创建
      • 通过字典创建
        • 示例1: `df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})`
          • 创建一个DataFrame，列名为`['A', 'B']`，值为`[[1, 2, 3], [4, 5, 6]]`
      • 通过列表创建
        • 示例2: `df = pd.DataFrame([{'A': 1, 'B': 4}, {'A': 2, 'B': 5}, {'A': 3, 'B': 6}])`
          • 通过字典列表创建一个DataFrame
      • 从文件读取数据
        • 示例3: `df = pd.read_csv('filename.csv')`
          • 从CSV文件中读取数据创建DataFrame
        • 示例4: `df = pd.read_excel('filename.xlsx')`
          • 从Excel文件中读取数据创建DataFrame
    • 属性
      • `columns`: 列名，如`df.columns`
      • `index`: 行索引，如`df.index`
      • `shape`: 数据框形状，如`df.shape`
      • `size`: 数据框元素总数，如`df.size`
    • 方法
      • `head(n)`: 显示前n行数据，如`df.head(2)`
      • `tail(n)`: 显示后n行数据，如`df.tail(2)`
      • `rename(columns=dict)`: 重命名列，如`df.rename(columns={'A': 'X', 'B': 'Y'})`
      • `drop(labels, axis=0/1)`: 删除行或列，如`df.drop('B', axis=1)`
      • `set_index(keys)`: 设置索引，如`df.set_index('A')`
• 数据选择
  • 选择列
    • 示例1: `df['A']`
      • 选择名为'A'的列
    • 示例2: `df.A`
      • 选择名为'A'的列（另一种写法）
  • 选择行
    • 示例3: `df.loc[0]`
      • 使用标签选择第一行
    • 示例4: `df.iloc[0]`
      • 使用整数位置选择第一行
  • 按条件筛选
    • 示例5: `df[df['A'] > 1]`
      • 选择列'A'值大于1的所有行
  • 切片操作
    • 示例6: `df.iloc[0:2]`
      • 使用整数位置切片选择前两行
    • 示例7: `df.loc[0:1]`
      • 使用标签切片选择前两行
• 数据操作
  • 数据清洗
    • 缺失值处理
      • 删除缺失值
        • 示例1: `df.dropna()`
          • 删除包含NaN值的所有行
      • 填充缺失值
        • 示例2: `df.fillna(value)`
          • 使用指定值填充NaN值
    • 数据类型转换
      • 示例3: `df.astype({'A': 'float64'})`
        • 将列'A'的数据类型转换为float64
  • 数据合并
    • 水平合并
      • 示例4: `pd.concat([df1, df2], axis=1)`
        • 将df1和df2在水平方向上进行拼接
    • 垂直合并
      • 示例5: `pd.concat([df1, df2], axis=0)`
        • 将df1和df2在垂直方向上进行拼接
    • 数据连接
      • 示例6: `pd.merge(df1, df2, on='key_column')`
        • 根据指定列名进行数据连接
  • 数据分组
    • 示例7: `grouped = df.groupby('A')`
      • 按照列'A'的值进行分组
    • 聚合函数
      • 求和: `grouped.sum()`
      • 平均值: `grouped.mean()`
      • 计数: `grouped.count()`
  • 数据排序
    • 示例8: `df.sort_values(by='A')`
      • 根据列'A'的值进行升序排序
  • 数据变换
    • 示例9: `df['A'].apply(lambda x: x * 2)`
      • 对列'A'的每个元素进行乘以2的操作
    • 示例10: `df['A'].map(lambda x: x * 2)`
      • 对列'A'的每个元素进行乘以2的操作（另一种写法）
• 数据统计
  • 描述性统计
    • 示例1: `df.describe()`
      • 显示数据框的描述性统计信息
  • 统计函数
    • 求和: `df.sum()`
    • 平均值: `df.mean()`
    • 中位数: `df.median()`
    • 标准差: `df.std()`
    • 最小值: `df.min()`
    • 最大值: `df.max()`
    • 计数: `df.count()`
    • 方差: `df.var()`