- 使用
read_csv()读取 CSV 文件：df = pd.read_csv("data.csv") - 处理缺失值：
- 移除缺失值：
df = df.dropna() - 填充缺失值：
df["column_name"].fillna(value)
- 移除缺失值：
- 转换数据类型：
df["column_name"] = df["column_name"].astype(dtype) -
排序和分组：
- 排序：
df.sort_values(by="column_name") - 分组：
groupby_object = df.groupby(by="column_name")
- 排序：
二、数据分析
- 统计
-
describe()：查看数据的基本统计信息 -
mean()：计算平均值 -
std()：计算标准差
-
-
绘制图表：
-
plot()：生成各种图表类型，如折线图、散点图 -
bar()：生成条形图 -
pie()：生成饼图
-
- 数据聚合：
-
agg()：在分组数据上应用聚合函数 -
pivot_table()：创建交叉表格，用于汇总和分析数据
-
三、数据操作
-
索引和切片：
-
loc[index_values]：按索引值获取数据 -
iloc[index_values]：按索引位置获取数据 -
query()：按条件过滤数据
-
- 数据操作：
-
append()：将数据追加到 DataFrame -
merge()：将两个或多个 DataFrame 合并 -
concat()：将多个 DataFrame 连接在一起
-
- 数据转换：
-
apply()：逐行或逐列应用函数 -
lambda()：创建匿名函数来转换数据
-
四、高级技巧
- 自定义函数：创建和使用自定义函数以扩展 pandas 的功能
- 矢量化操作：使用 NumPy 的矢量化函数以提高效率
- 数据清理：
-
str.strip()：移除字符串中的空白字符 -
str.replace()：替换字符串中的字符或正则表达式 -
str.lower()：将字符串转换为小写
-
五、案例应用
立即学习“Python免费学习笔记（深入）”；
- 分析客户数据：了解客户行为、购买模式和趋势
- 处理金融数据：计算财务指标、分析股票表现
- 探索科学数据：处理传感器数据、分析实验结果
