【pandas基础】--目录（完结）

pandas,基础,目录,完结 · 浏览次数 : 251

小编点评

**目录** **1. pandas 数据结构** * Series 和 DataFrame * Series：用于存储单列的数据 * DataFrame：用于存储多列的数据 **2. 数据读取** * 数据读取 * pandas 支持多种数据格式的数据读取 * 读取 CSV、Excel、JSON、SQL、HTML 数据 **3. 数据数据结构** * 数据整理： * 数据概览 *缺失值和重复值处理 * 数据清洗 **4. 数据检索** * pandas 中的各种数据过滤方式 * 行列过滤 * 列选择过滤 * 函数式过滤 **5. 数据修改** * 数据行与列操作 * 条件选择修改 * 数据拆分与合并 **6. 数据排序** * 数据排序 * 获取特定信息 **7. 数据类型** * 数据类型定义 * 数据存储方式和内存占用量 * 日期处理时间序列数据 **8. 数据索引和轴** *索引（index）用于访问数据的关键 * 轴（axis）表示数据表中的行和列 **9. 数据切片和筛选** * 切片：根据索引或条件切分数据集 *筛选：根据列名筛选数据 **10. 数据统计** * 提供多种聚合函数 * 基于列的统计分析

正文

pandas 基础内容的目录：

概述
pandas 主要功能和应用场景的介绍。

数据读取
数据读取是第一步，只有成功加载数据之后，后续的操作才有可能。
pandas 可以读取和导入各种数据格式的数据，如 CSV，Excel，JSON，SQL，HTML 等，不需要手动编写复杂的读取代码。

核心数据结构
pandas 最大的优势在于处理表格类数据，如果数据维度超过二维，一般我们会使用另一个 python 的库 numpy。
本篇主要介绍这两种核心数据结构 Series 和 DataFrame 的创建方式。

数据检索
pandas 的数据检索功能是其最基础也是最重要的功能之一。

pandas 中最常用的几种数据过滤方式如下：
1. 行列过滤：选取指定的行或者列
2. 条件过滤：对列的数据设置过滤条件
3. 函数过滤：通过函数设置更加复杂的过滤条件

数据整理
pandas 进行数据整理的意义在于，它是数据分析、数据科学和机器学习的前置步骤。
通过数据整理可以提前了解数据的概要，缺失值、重复值等情况，为后续的分析和建模提供更为可靠的数据基础。

本篇主要介绍利用 pandas 进行数据整理的各种方法。

数据修改
pandas 作为一种常用的数据分析工具，提供了广泛的数据修改方法。
既可以针对行或者列的数据进行修改，也可以对具体单个元素进行修改，还可以基于条件选择要修改的行或者列的数据。

数据拆分与合并
数据集拆分是将一个大型的数据集拆分为多个较小的数据集，可以让数据更加清晰易懂，也方便对单个数据集进行分析和处理。
同时，分开的数据集也可以分别应用不同的数据分析方法进行处理，更加高效和专业。

数据集合并则是将多个数据集合并成一个大的数据集，可以提供更全面的信息，也可以进行更综合的数据分析。
同时，数据集合并也可以减少数据处理的复杂度和时效性，提升数据分析的准确性和结果的可靠性。

数据排序
pandas 的数据排序可以帮助我们更好地理解和分析数据。
通过对数据进行排序，我们可以提取出特定的信息，
例如最大值、最小值、中位数、众数等等，从而更准确地识别数据的特征和特点。

数据类型
数据类型是计算机编程中将不同类型的数据值分类和定义的方式。
通过数据类型，可以确定数据的存储方式和内存占用量，了解不同类型的数据进行各种运算的能力。

日期处理
时间序列数据是数据分析中一类常见且重要的数据。
它们按照时间顺序记录，通常是从某些现象的观察中收集的，比如经济指标、气象数据、股票价格、销售数据等等。

时间序列数据的特点是有规律地随着时间变化而变化，它们的变化趋势可以被分析和预测。
时间序列分析是一种用于预测未来值或评估过去值的统计方法，常常被用于预测未来趋势、季节性变化、周期性变化、随机波动等。

索引和轴
在 pandas 中，索引（index）是用于访问数据的关键。
它为数据提供了基于标签的访问能力，类似于字典，可以根据标签查找和访问数据。

而 pandas 的轴（axis）是指数据表中的一个维度，可以理解为表格中的行和列。
通过指定轴，我们可以对数据进行切片、筛选、聚合等操作。

数据统计
在进行统计分析时，pandas 提供了多种工具来帮助我们理解数据。
pandas 提供了多个聚合函数，其中包括均值、标准差、最大值、最小值等等。
此外，pandas 还可以进行基于列的统计分析，例如通过 groupby()函数对数据进行聚合，并计算每组的统计分析结果。