pandas教程， 1. Introduction to Panda:
Pandas是python数据分析的组合缩写，是python中基于numpy和matplotlib的第三方数据分析库，与后两者共同构成了python数据分析的基础工具包。
享三剑客之名。
2.熊猫数据结构：
熊猫的核心数据结构有两种，一维数列和二维dataframe，可以看作是分别在numpy一维数组和二维数组的基础上增加了相应的标签信息。正因为如此，
Series和dataframe可以从两个角度来理解：
Series和dataframe分别是一维和二维数组。因为是数组，所以numpy中数组的用法基本上可以直接应用到这两种数据结构上，包括数据创建、切片访问、通用函数、广播机制等等。
Series是带标签的一维数组，所以也可以看作是类字典结构：标签是键，值是值；Dataframe可以看作是一个嵌套的字典结构，其中列名是键，每列的系列是值。
所以从这个角度来说，创建pandas数据的一个灵活的方式就是通过字典或者嵌套字典，同时自然衍生出适合series和dataframe的类字典接口，也就是通过loc索引访问。
3、数据读写：
Pandas支持读写大多数主流文件格式的数据。常见的格式和接口有：
文本文件主要有csv和txt，对应的接口有read_csv()和to_csv()，分别用来读写数据。
支持Excel文件，包括xls和xlsx格式。底层调用xlwt和xlrd操作Excel文件，对应的接口是read_excel()和to_excel()。
SQL文件，支持大多数主流的关系数据库，比如MySQL，需要相应的数据库模块的支持，相应的接口有read_sql()和to_sql()。
此外，熊猫还支持html、json等文件格式的读写。
4.数据访问：
Series和dataframe具有numpy数组和字典的结构特征，所以数据访问是从这两个方面入手的。同时，还支持bool索引进行数据访问和过滤。
[]，这是一种非常方便的访问方式，但有必要区分series和dataframe:
Series:可以使用标签或数字索引访问单个元素，也可以使用相应的切片访问多个值。因为只有一维信息，所以没有悬念。
Dataframe:不能访问单个元素，只能返回一列、多列或多行：单值或多值(多个列名的列表)访问时可以按列查询，单值访问时列名没有歧义时可以用属性符号直接访问。以切片形式访问时，按行查询，
还区分了数字切片和标签切片：输入数字索引切片时，类似于普通列表切片；当输入标签切片时，执行范围查询(即切片的第一个和最后一个值不需要存在于标签列中)，并且包括两端标签的结果。如果没有匹配的行，则返回空白。
但是，标签切片类型需要与索引类型一致。例如，当标签列类型(可通过df.index.dtype查看)为时间类型时，如果将不能隐式转换为时间的字符串用作索引片，则会引发错误。
5、数据处理：
熊猫最强大的功能当然是数据处理和分析，可以独立完成数据分析前的大部分数据预处理需求。简单概括起来，可以分为以下几个方面：
数据清理
数据处理中的清理主要包括空值、重复值和异常值的处理：
空值
判断空值isna或isnull的bool结果，这两个值是等价的，用于判断序列或数据帧的每个元素值是否为空。注意空值的定义：即None或numpy.nan为空值。
空字符串、空列表等。不是空值；同样，notna和notnull用于确定它是否为非空。
填充空值。按照一定的策略填充空值，如常量填充、向前/向后填充等。也可以通过inplace参数确定是否在本地更改它。
删除空值，dropna，删除整行或整列的空值，可以通过axis设置，包括inplace参数。
重复值
检测重复值，duplicate，检测每行是否重复，返回一行索引的bool结果。可以通过keep参数设置首行/末行/无预留。例如，keep=first意味着当有多个重复行时，
第一行被认为是合法的，可以保留。
删除重复值，drop_duplicates，逐行检测并删除重复记录，或者通过keep参数设置保留项。默认情况下，该方法按行检测，因此如果需要按列删除，可以在执行该方法之前对其进行转置。
离群值，判断离群值的标准取决于具体的分析数据，这里只提供两种备选的处理离群值的方法。
Delete、drop和accept参数用于删除特定轴上的一条或多条记录。可以通过轴参数设置是按行删除还是按列删除。
Replace，replace，非常强大的功能，对序列或数据帧中的每个元素进行条件替换操作，还开启了正则表达式功能。
数值计算
因为pandas是在numpy的基础上实现的，所以numpy的常见数值计算操作也适用于pandas:
通用函数ufunc可以像操作标量一样对所有串行或数据帧的元素执行相同的操作，这与numpy的特性是一致的。比如上面提到的replace函数，本质上可以看作是一个通用函数。
按如下方式逐个元素对数据表求平方。
广播机制，即当尺寸或形状不匹配时，会根据一定条件广播后计算。因为熊猫是带标签的数组，所以在播放过程中会根据标签匹配自动播放，而不是像numpy那样纯顺序播放。举个例子，
在下面的示例中，dataframe和series相乘。虽然两者的维度和大小不同，标签顺序不一致，但是通过标签匹配仍然可以得到预期的结果。
字符串矢量化，即对数据类型为字符串格式的列执行矢量化的字符串操作。本质上就是调用series.str属性的series接口来完成相应的字符串操作。特别强大的是，除了常用的字符串操作方法，
str属性接口还集成了正则表达式的大部分功能，这使得pandas在处理字符串列时高效而强大。例如，下面的代码可以用来计算每个句子的字数。
与字符串一样，时间类型向量化操作是在pandas中得到优先处理的另一种数据类型。就像字符串列可以用str属性调用字符串接口一样，时间类型列可以用dt属性调用相应的接口，在处理时间类型的时候会非常有效。
数据转换
pandas还提供了更为强大的数据转换方法
map，适用于series对象，功能与python中的普通map函数类似，即对给定序列中的每个值执行相同的映射操作，
不同的是series中的map接口的映射方式既可以是一个函数，也可以是一个字典
apply，既适用于series对象也适用于dataframe对象，
但对二者处理的粒度是不一样的：apply应用于series时是逐元素执行函数操作；apply应用于dataframe时是逐行或者逐列执行函数操作（通过axis参数设置对行还是对列，默认是行），
仅接收函数作为参数
applymap，仅适用于dataframe对象，且是对dataframe中的每个元素执行函数操作，从这个角度讲，与replace类似，applymap可看作是dataframe对象的通函数。
合并与拼接
pandas中又一个重量级数据处理功能是对多个dataframe进行合并与拼接，对应SQL中两个非常重要的操作：union和join。pandas完成这两个功能主要依赖以下函数：
concat，与numpy中的concatenate类似，但功能更为强大，可通过一个axis参数设置是横向或者拼接，要求非拼接轴向标签唯一（例如沿着行进行拼接时，要求每个df内部列名是唯一的，
但两个df间可以重复，毕竟有相同列才有拼接的实际意义）
merge，完全类似于SQL中的join语法，仅支持横向拼接，通过设置连接字段，实现对同一记录的不同列信息连接，支持inner、left、right和outer4种连接方式，
但只能实现SQL中的等值连接
join，语法和功能与merge一致，不同的是merge既可以用pandas接口调用，也可以用dataframe对象接口调用，而join则只适用于dataframe对象接口
append，concat执行axis=0时的一个简化接口，类似列表的append函数一样
实际上，concat通过设置axis=1也可实现与merge类似的效果，二者的区别在于：merge允许连接字段重复，类似一对多或者多对一连接，此时将产生笛卡尔积结果；而concat则不允许重复，
仅能一对一拼接。
pandas教程，以上就是本文为您收集整理的pandas教程最新内容，希望能帮到您！更多相关内容欢迎关注。
声明：易商讯尊重创作版权。本文信息搜集、整理自互联网，若有来源标记错误或侵犯您的合法权益，请联系我们。我们将及时纠正并删除相关讯息，非常感谢！
