Pandas 常用操作示例：数据处理、分析与转换

读取数据：使用 read_csv 函数读取 csv 文件，使用 read_excel 函数读取 Excel 文件。

import pandas as pd
df = pd.read_csv('data.csv')
df = pd.read_excel('data.xlsx')

查看数据：使用 head 函数查看前几行数据，使用 tail 函数查看后几行数据，使用 describe 函数查看数据的统计信息。

print(df.head())
print(df.tail())
print(df.describe())

筛选数据：使用 loc 函数按行和列标签筛选数据，使用 iloc 函数按行和列位置筛选数据，使用 query 函数按条件筛选数据。

# 根据标签筛选数据
df.loc[df['age'] > 18, ['name', 'age']]

# 根据位置筛选数据
df.iloc[0:3, 0:2]

# 根据条件筛选数据
df.query('age > 18')

排序数据：使用 sort_values 函数对数据进行排序，默认升序排序，可以设置 ascending 参数为 False 进行降序排序。

# 按年龄升序排序
df.sort_values('age')

# 按年龄降序排序
df.sort_values('age', ascending=False)

分组数据：使用 groupby 函数对数据进行分组，然后使用聚合函数对分组后的数据进行计算。

# 按性别分组，计算平均年龄
df.groupby('gender')['age'].mean()

# 按性别和城市分组，计算人数和平均年龄
df.groupby(['gender', 'city']).agg({'age': 'mean', 'name': 'count'})

合并数据：使用 merge 函数将两个数据集合并为一个，使用 concat 函数将多个数据集合并为一个。

# 根据 id 将两个数据集合并
pd.merge(df1, df2, on='id')

# 将多个数据集按行合并
pd.concat([df1, df2])

缺失值处理：使用 isnull 函数判断数据是否缺失，使用 dropna 函数删除缺失值，使用 fillna 函数填充缺失值。

# 判断数据是否缺失
df.isnull()

# 删除缺失值
df.dropna()

# 填充缺失值
df.fillna(0)

数据转换：使用 apply 函数对数据进行转换，使用 map 函数对数据进行映射，使用 replace 函数对数据进行替换。

# 对年龄进行转换
df['age'] = df['age'].apply(lambda x: x + 1)

# 对性别进行映射
df['gender'] = df['gender'].map({'male': 1, 'female': 0})

# 对城市进行替换
df['city'] = df['city'].replace({'beijing': '北京', 'shanghai': '上海'})