Pandas基础教程：从列表、字典到Excel操作

"pandas基本知识" 在Python的数据分析领域，pandas库是一个不可或缺的工具，它提供了高效的数据结构，如Series和DataFrame，以及用于处理和操作数据的强大功能。这篇文档主要介绍了pandas的基本概念和对象创建方法。 **基本概念** 1. **Series对象**：Series是pandas的一个一维数据结构，类似于一列数据，它可以包含任何数据类型（整数、字符串、浮点数、Python对象等）。每个Series都有一个索引，用于标识数据的位置。如果不指定索引，系统会自动创建一个默认的整数索引，从0开始递增。 2. **DataFrame对象**：DataFrame是pandas的核心数据结构，它是一个二维表格型数据结构，可以理解为多个Series的集合，每一列都是一个Series。DataFrame有行索引（index）和列索引（columns），可以存储不同类型的数据，并且具有丰富的操作方法。 **函数参数** pandas库中的大多数函数都包含必选参数和可选参数。可选参数通常有默认值，这意味着如果不提供，函数将使用预设的默认值。这些函数通常会返回一个新的对象，而不是直接修改原始对象，这是pandas库的一个重要设计原则，以确保数据操作的可预测性和安全性。 **对象创建** 1. **列表转换**：你可以使用列表来创建Series和DataFrame。对于Series，列表中的每个元素对应一行数据，可以使用`index`参数自定义行索引；对于DataFrame，二维列表的每一行对应一个数据行，`columns`参数用于定义列名。 - 示例： ```python s1 = pd.Series([166, 167, 168]) s2 = pd.Series([166, 167, 168], index=['小张', '小王', '小李']) df1 = pd.DataFrame([[166, 56], [167, 57], [168, 58]]) df2 = pd.DataFrame([[166, 56], [167, 57], [168, 58]], index=['s1', 's2', 's3'], columns=['身高', '体重']) ``` 2. **字典转换**：利用字典可以创建Series和DataFrame。对于Series，字典的键成为索引，值成为数据；对于DataFrame，字典的键成为列名，键对应的值（列表或元组）成为列数据。 - 示例： ```python s3 = pd.Series({'s1': 166, 's2': 167, 's3': 168}) df3 = pd.DataFrame({"身高": [166, 167, 168], "体重": [56, 57, 58]}, index=['s1', 's2', 's3']) ``` 3. **从文件加载数据**：pandas提供了`read_excel()`和`read_csv()`函数从Excel和CSV文件中读取数据到DataFrame。例如： ```python df4 = pd.read_excel("nba.xlsx") df4 = pd.read_csv("nba.csv") ``` 同样，可以使用`to_excel()`和`to_csv()`函数将DataFrame保存到Excel或CSV文件。 这些基础知识构成了pandas学习的基础，掌握它们能帮助你有效地处理和分析各种数据集。在实际应用中，还会涉及到数据清洗、数据筛选、聚合、合并、重塑等多种操作，这些都是pandas库的强大之处。