Python的pandas库基础知识超详细教程

2025-09-27 01:50
文章标签 python pandas 基础知识 教程 详细

本文主要是介绍Python的pandas库基础知识超详细教程，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

《Python的pandas库基础知识超详细教程》Pandas是Python数据处理核心库,提供Series和DataFrame结构,支持CSV/Excel/SQL等数据源导入及清洗、合并、统计等功能...

Pandas是python中用于数据处理和分析的核心库，提供了快速、灵活且明确的数据结构，主要包括一维的Series和二维的DataFrame。它支持从CSV、Excel、SQL等多种数据源导入数据，并具备数据清洗、合并、重塑、分组统计、时间序列分析等功能。Pandas还易于与其他Python数据分析库集成，是金融、统计、社会科学和工程等领域进行数据分析和处理的强大工具。

一、配置环境

在命令行中运行以下命令：

pip show pandas

Python的pandas库基础知识超详细教程

 如果为以下内容，则表示未安装pandas库

Python的pandas库基础知识超详细教程

要安装Pandas库，你可以使用Python的包管理工具pip。在命令行界面（例如终端、命令提示符或Anaconda Prompt，取决于你的操作系统和Python安装方式）中，输入以下命令： 

pip install pandas

Python的pandas库基础知识超详细教程

安装成功展示图： 

Python的pandas库基础知识超详细教程

二、序列和数据表

2.1 初始化

         Series可以存储任何数据类型，例如整数、浮点数、字符串、python对象等，每个元素都有一个索引。

import pandas as pd
A = pd.Series(data = [1, 2, 3, 4, 5], index = ["A", "B", "C", "D", "E"], name = "A1")
print(A)

Python的pandas库基础知识超详细教程

2.2  获取数值

import pandas as pd
A = pd.Series(data = [1, 2, 3, 4, 5], index = ["A", "B", "C", "D", "E"], name = "A1")
print(A)
print("数值：", A.values)

Python的pandas库基础知识超详细教程

2.3 获取索引

import pandas as pd
A = pd.Series(data = [1, 2, 3, 4, 5], index = ["A", "B", "C", "D", "E"], name = "A1")
print(A)
print("索引：", A.index)

Python的pandas库基础知识超详细教程

2.4 索引取内容

importjavascript pandas as pd
A = pd.Series(data = [1, 2, 3, 4, 5], index = ["A", "B", "C", "D", "E"], name = "A1")
print(A)
print(A[["A", "C"]])

Python的pandas库基础知识超详细教程

2.5 索引改变取值

import pandas as pd
A = pd.Series(data = [1, 2, 3, 4, 5], index = ["A", "B", "C", "D", "E"], name = "A1")
print(A)
A[["A", "C"]] = [11, 12]
print(A)

Python的pandas库基础知识超详细教程

2.6 字典生成序列

import pandas as pd
A = pd.Series({"A":1, "B":2, "C":3, "D":4})
print(A)

Python的pandas库基础知识超详细教程

2.7 计算取值出现次数

import pandas as pd
A = pd.Series({"A":1, "B":2, "C":3, "D":4, "E":2, "F":3})
print(A.value_counts())

Python的pandas库基础知识超详细教程

2.8 数据表

import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"]}
B = pd.DataFrame(A)
print(B)

Python的pandas库基础知识超详细教程

2.9 数据表添加新变量

import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"]}
B = pd.DataFrame(A)
print(B)
B["high"] = ["180", "183", "160", "178", "158"]
print(B)

Python的pandas库基础知识超详细教程

2.10 获取列名

import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男编程", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
print(B)
print("数据表列名：", B.columns)

Python的pandas库基础知识超详细教程

2.11 根据列名获取数据

import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
print(B)
print(B[["name", "sex"]])

Python的pandas库基础知识超详细教程

2.12 输出固定行

import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
print(B.loc[2])

Python的pandas库基础知识超详细教程

2.13 输出多行

import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
print(B.loc[2 : 4])

Python的pandas库基础知识超详细教程

2.14 输出指定行和列

import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
print(B.loc[2 : 4, ["name", "high"]])

Python的pandas库基础知识超详细教程

2.15 输出性别为“男”的行和列

import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
print(B.loc[B.sex == "男", ["name", "sex"]])

Python的pandas库基础知识超详细教程

2.16 获取指定行

import pandas as pd
A = China编程{"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
print(B.iloc[0 : 2])

Python的pandas库基础知识超详细教程

2.17 获取指定列

import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
print(B.iloc[ : , 0 : 2])

Python的pandas库基础知识超详细教程

2.18 获取指定位置数据

import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
print(B.iloc[0 : 2, 0 : 2])

Python的pandas库基础知识超详细教程

2.19 索引转化

import numpy as np
import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
# 转换为列表
print(B.iloc[list(B.sex == "男"), 0 : 3])
# 转换为数组
print(B.iloc[np.array(B.sex == "男"), 0 : 3])

Python的pandas库基础知识超详细教程

2.20 判断条件

import numpy as np
import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
print(list(B.age >= "18"))

Python的pandas库基础知识超详细教程

2.21 重新赋值

import numpy as np
import pandas as pd
A = {"name": ["小米", "小华", "小魅", "小破", "小领"],
     "age": ["20", "18", "16", "23", "19"],
     "sex": ["男", "男", "女", "男", "女"],
     "high": ["180", "183", "160", "178", "158"]}
B = pd.DataFrame(A)
B.high = ["179", "186", "168", "183", "160"]
print(B)

Python的pandas库基础知识超详细教程

三、数据聚合和分组运算

3.1 获取数据集

iris.csv（iris数据集、鸢尾花数据集)

3.2 读取数据集

        鸢尾花数据集（Iris Dataset），又称安德森鸢尾花卉数据集（Anderson’s Iris Data Set），是数据科学与机器学习领域中最著名的经典数据集之一。

        鸢尾花数据集可以通过多种方式获取，如Scikit-learn提供的内置数据集，以及UCI机器学习库等。获取后，可以使用Python等编程语言进行数据加载、预处理和模型训练等操作。

        鸢尾花数据集以其简洁明了的数据结构和广泛的应用场景，成为了机器学习初学者的首选案例。通过学习和实践这一数据集，初学者可以逐步掌握机器学习的基础知识和技能。

import numpy as np
import pandas as pd
iris = pd.read_csv("D:/iris.csv")
print(iris.head())

Python的pandas库基础知识超详细教程

3.3 计算每列均值

import numpy as np
import pandas as pd
iris = pd.read_csv("D:/iris.csv")
print(iris.iloc[ : , 1 : 5].apply(func = np.mean, axis = 0))

Python的pandas库基础知识超详细教程

3.4 计算每列的最小值

import numpy as np
import pandas as pd
iris = pd.read_csv("D:/iris.csv")
min = iris.iloc[ : , 1 : 5].apply(func = np.min , axis = 0)
print(min)

Python的pandas库基础知识超详细教程

3.5 计算每列的最大值

import numpy as np
import pandas as pd
iris = pd.read_csv("D:/iris.csv")
max = iris.iloc[ : , 1 : 5].apply(func = np.max , axis = 0)
print(max)

Python的pandas库基础知识超详细教程

3.6 计算每列的样本数量

import numpy as np
import pandas as pd
iris = pd.read_csv("D:/iris.csv")
size = iris.iloc[ : , 1 : 5].apply(func = np.size , axis = 0)
print(size)

Python的pandas库基础知识超详细教程

3.7 行计算

只展示前五行 

其中代码的axis=0要改成axis=1

import numpy as np
import pandas as pd
iris = pd.read_csv("D:/iris.csv")
data = iris.iloc[0 : 5, 1 : 5].apply(func = (np.min, np.max, np.mean, np.std, np.var) , axis = 1)
print(data)

Python的pandas库基础知识超详细教程

3.8 分组计算均值

import numpy as np
import pandas as pd
irisphp = pd.read_csv("D:/iris.csv")
res = iris.drop("Id", axis = 1).groupby(by = "Species").mean()
print(res)

Python的pandas库基础知识超详细教程

3.9 分组计算偏度

import numpy as np
import pandas as pd
iris = pd.read_csv("D:/iris.csv")
res = iris.drop("Id", axis = 1).groupby(by = "Species").skew()
print(res)

Python的pandas库基础知识超详细教程

3.10 聚合运算

3.10.1 分组前

import numpy as np
import pandas as pd
iris = pd.read_csv("D:/iris.csv")
res = iris.drop("Id", axis = 1).agg({"SepalLengthCm" : ["min", "max", "mean"],
                                     "SepalWidthCm" : ["min", "max", "mean"],
                                     "PetalLengthCm" : ["min", "max", "mean"]})
print(res)

Python的pandas库基础知识超详细教程

3.10.2 分组后

import numpy as np
import pandas as pd
iris = pd.read_csv("D:/iris.csv")
res = (iris.drop("Id", axis = 1).groupby(by = www.chinasem.cn"SepalLengthCm")
       .agg({"SepalLengthCm" : ["min", "max", "mean"],
             "SepalWidthCm" : ["min"],
             "PetalLengthCm" : ["skew"]}))
print(res)

Python的pandas库基础知识超详细教程

四、数据可视化

Mtplotlib是Python中一个广泛使用的绘图库，它提供了一个类似于MATLAB的绘图框架。Mtplotlib可以生成高质量的图表，这些图表可以用于数据可视化、科学研究、教育以及出版等领域。 

4.1 安装matplotlib库

pip install matplotlib

Python的pandas库基础知识超详细教程

安装成功展示图： 

Python的pandas库基础知识超详细教程

4.2 检测matplotlib库

pip show matplotlib

Python的pandas库基础知识超详细教程

4.3  箱线图

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
iris = pd.read_csv("D:/iris.csv")
iris.iloc[ : , 1 : 6].boxplot(column = ["SepalLengthCm", "SepalWidthCm", "PetalLengthCm", "PetalWidthCm"], by = "Species", figsize=(10,10))
plt.show()

Python的pandas库基础知识超详细教程

4.4 散点图

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
iris = pd.read_csv("D:/iris.csv")
color = iris.Species.map({"setosa" : "blue", "versicolor" : "green", "virginica" : "red"})
iris.plot(kind = "scatter" , x = "SepalLengthCm", y = "SepalWidthCm", s = 30, c = color, figsize = (10,10))
plt.show()

Python的pandas库基础知识超详细教程

4.5 六边形热力图

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
iris = pd.read_csv("D:/iris.csv")
iris.plot(kind = "hexbin" , x = "SepalLengthCm", y = "SepalWidthCm", gridsize = 15, figsize = (10,7), sharex = False)
plt.show()

Python的pandas库基础知识超详细教程

4.6 折线图

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
iris = pd.read_csv("D:/iris.csv")
iris.iloc[ : , 0 : 5].plot(kind = "line", x = "Id", figsize = (12, 8))
plt.show()

Python的pandas库基础知识超详细教程

到此这篇关于Python的pandas库基础知识超详细教程的文章就介绍到这了,更多相关Python的pandas库基础知识内容请搜索China编程(www.chinasem.cn)以前的文章或继续浏览下面的相关文章希望大家以后多多支持China编程(www.chinasem.cn)！

这篇关于Python的pandas库基础知识超详细教程的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1156054。

相关文章

python中的高阶函数示例详解

python中的高阶函数示例详解

《python中的高阶函数示例详解》在Python中,高阶函数是指接受函数作为参数或返回函数作为结果的函数,下面：本文主要介绍python中高阶函数的相关资料,文中通过代码介绍的非常详细,需要的朋... 目录1.定义2.map函数3.filter函数4.reduce函数5.sorted函数6.自定义高阶函数
阅读更多...
利用Python操作Word文档页码的实际应用

利用Python操作Word文档页码的实际应用

《利用Python操作Word文档页码的实际应用》在撰写长篇文档时,经常需要将文档分成多个节,每个节都需要单独的页码,下面：本文主要介绍利用Python操作Word文档页码的相关资料,文中通过代码... 目录需求：文档详情：要求：该程序的功能是：总结需求：一次性处理24个文档的页码。文档详情：1、每个
阅读更多...
Python 常用数据类型详解之字符串、列表、字典操作方法

Python 常用数据类型详解之字符串、列表、字典操作方法

《Python常用数据类型详解之字符串、列表、字典操作方法》在Python中,字符串、列表和字典是最常用的数据类型,它们在数据处理、程序设计和算法实现中扮演着重要角色,接下来通过本文给大家介绍这三种... 目录一、字符串（String）（一）创建字符串（二）字符串操作1. 字符串连接2. 字符串重复3. 字
阅读更多...
Python内存管理机制之垃圾回收与引用计数操作全过程

Python内存管理机制之垃圾回收与引用计数操作全过程

《Python内存管理机制之垃圾回收与引用计数操作全过程》SQLAlchemy是Python中最流行的ORM（对象关系映射）框架之一,它提供了高效且灵活的数据库操作方式,本文将介绍如何使用SQLAlc... 目录安装核心概念连接数据库定义数据模型创建数据库表基本CRUD操作创建数据读取数据更新数据删除数据查
阅读更多...
5 种使用Python自动化处理PDF的实用方法介绍

5 种使用Python自动化处理PDF的实用方法介绍

《5种使用Python自动化处理PDF的实用方法介绍》自动化处理PDF文件已成为减少重复工作、提升工作效率的重要手段,本文将介绍五种实用方法,从内置工具到专业库,帮助你在Python中实现PDF任务... 目录使用内置库（os、subprocess）调用外部工具使用 PyPDF2 进行基本 PDF 操作使用
阅读更多...
Python中的sort方法、sorted函数与lambda表达式及用法详解

Python中的sort方法、sorted函数与lambda表达式及用法详解

《Python中的sort方法、sorted函数与lambda表达式及用法详解》文章对比了Python中list.sort()与sorted()函数的区别,指出sort()原地排序返回None,sor... 目录1. sort()方法1.1 sort()方法1.2 基本语法和参数A. reverse参数B.
阅读更多...
uni-app小程序项目中实现前端图片压缩实现方式(附详细代码)

uni-app小程序项目中实现前端图片压缩实现方式(附详细代码)

《uni-app小程序项目中实现前端图片压缩实现方式(附详细代码)》在uni-app开发中,文件上传和图片处理是很常见的需求,但也经常会遇到各种问题,下面：本文主要介绍uni-app小程序项目中实... 目录方式一：使用<canvas>实现图片压缩（推荐，兼容性好）示例代码（小程序平台）：方式二：使用uni
阅读更多...
python依赖管理工具UV的安装和使用教程

python依赖管理工具UV的安装和使用教程

《python依赖管理工具UV的安装和使用教程》UV是一个用Rust编写的Python包安装和依赖管理工具,比传统工具（如pip）有着更快、更高效的体验,：本文主要介绍python依赖管理工具UV... 目录前言一、命令安装uv二、手动编译安装2.1在archlinux安装uv的依赖工具2.2从github
阅读更多...
利用Python把路径转为绝对路径的方法

利用Python把路径转为绝对路径的方法

《利用Python把路径转为绝对路径的方法》在Python中,如果你有一个相对路径并且想将其转换为绝对路径,你可以使用Path对象的resolve()方法,Path是Python标准库pathlib中... 目录1. os.path.abspath 是什么？怎么用？基本用法2. os.path.abspat
阅读更多...
Python绘制TSP、VRP问题求解结果图全过程

Python绘制TSP、VRP问题求解结果图全过程

《Python绘制TSP、VRP问题求解结果图全过程》本文介绍用Python绘制TSP和VRP问题的静态与动态结果图,静态图展示路径,动态图通过matplotlib.animation模块实现动画效果... 目录一、静态图二、动态图总结【代码】python绘制TSP、VRP问题求解结果图（包含静态图与动态图
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2