CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章十分钟搞定pandas(入门教程)由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

本文是对pandas官方网站上《10minutes to pandas》的一个简单的翻译，原文在这里。这篇文章是对pandas的一个简单的介绍，详细的介绍请参考：cookbook 。习惯上，我们会按下面格式引入所需要的包:

1、创建对象 。

可以通过data structure intro setion 来查看有关该节内容的详细信息.

1、可以通过传递一个list对象来创建一个series，pandas会默认创建整型索引:

2、通过传递一个numpyarray，时间索引以及列标签来创建一个dataframe:

3、通过传递一个能够被转换成类似序列结构的字典对象来创建一个dataframe:

4、查看不同列的数据类型:

5、如果你使用的是ipython，使用tab自动补全功能会自动识别所有的属性以及自定义的列，下图中是所有能够被自动识别的属性的一个子集:

2、查看数据 。

详情请参阅：basics section 。

1、 查看frame中头部和尾部的行:

2、 显示索引、列和底层的numpy数据:

3、 describe()函数对于数据的快速统计汇总:

4、 对数据的转置:

5、 按轴进行排序 。

6、 按值进行排序 。

3、选择 。

虽然标准的python/numpy的选择和设置表达式都能够直接派上用场，但是作为工程使用的代码，我们推荐使用经过优化的pandas数据访问方式： .at,.iat,.loc,.iloc和.ix详情请参阅indexingand selecing data 和 multiindex/ advanced indexing.

l 获取 。

1、 选择一个单独的列，这将会返回一个series，等同于df.a:

2、 通过[]进行选择，这将会对行进行切片 。

l 通过标签选择 。

1、 使用标签来获取一个交叉的区域 。

2、 通过标签来在多个轴上进行选择 。

3、 标签切片 。

4、 对于返回的对象进行维度缩减 。

5、 获取一个标量 。

6、 快速访问一个标量（与上一个方法等价） 。

l 通过位置选择 。

1、 通过传递数值进行位置选择（选择的是行） 。

2、 通过数值进行切片，与numpy/python中的情况类似 。

3、 通过指定一个位置的列表，与numpy/python中的情况类似 。

4、 对行进行切片 。

5、 对列进行切片 。

6、 获取特定的值 。

l 布尔索引 。

1、 使用一个单独列的值来选择数据:

2、 使用where操作来选择数据:

3、 使用isin()方法来过滤:

l 设置 。

1、 设置一个新的列:

2、 通过标签设置新的值:

3、 通过位置设置新的值:

4、 通过一个numpy数组设置一组新值:

上述操作结果如下:

5、 通过where操作来设置新的值:

4、缺失值处理 。

在pandas中，使用np.nan来代替缺失值，这些值将默认不会包含在计算中，详情请参阅：missing data section.

1、 reindex()方法可以对指定轴上的索引进行改变/增加/删除操作，这将返回原始数据的一个拷贝：、 。

2、 去掉包含缺失值的行:

3、 对缺失值进行填充:

4、 对数据进行布尔填充:

5、相关操作 。

详情请参与basic section on binary ops 。

l 统计（相关操作通常情况下不包括缺失值） 。

1、 执行描述性统计:

2、 在其他轴上进行相同的操作:

3、 对于拥有不同维度，需要对齐的对象进行操作。pandas会自动的沿着指定的维度进行广播:

l apply 。

1、 对数据应用函数:

l 直方图 。

具体请参照：histogrammingand discretization 。

l 字符串方法 。

series对象在其str属性中配备了一组字符串处理方法，可以很容易的应用到数组中的每个元素，如下段代码所示。更多详情请参考：vectorized string methods. 。

6、合并 。

pandas提供了大量的方法能够轻松的对series，dataframe和panel对象进行各种符合各种逻辑关系的合并操作。具体请参阅：mergingsection 。

l concat 。

l join 类似于sql类型的合并，具体请参阅：databasestyle joining 。

l append 将一行连接到一个dataframe上，具体请参阅appending:

7、分组 。

对于”group by”操作，我们通常是指以下一个或多个操作步骤:

l （splitting）按照一些规则将数据分为不同的组； 。

l （applying）对于每组数据分别执行一个函数； 。

l （combining）将结果组合到一个数据结构中； 。

详情请参阅：groupingsection 。

1、 分组并对每个分组执行sum函数:

2、 通过多个列进行分组形成一个层次索引，然后执行函数:

8、reshaping 。

详情请参阅hierarchicalindexing和reshaping.

l stack 。

l 数据透视表，详情请参阅：pivottables. 。

可以从这个数据中轻松的生成数据透视表:

9、时间序列 。

pandas在对频率转换进行重新采样时拥有简单、强大且高效的功能（如将按秒采样的数据转换为按5分钟为单位进行采样的数据）。这种操作在金融领域非常常见。具体参考：timeseries section.

1、 时区表示:

2、 时区转换:

3、 时间跨度转换:

4、 时期和时间戳之间的转换使得可以使用一些方便的算术函数.

10、categorical 。

从0.15版本开始，pandas可以在dataframe中支持categorical类型的数据，详细介绍参看：和apidocumentation.

1、 将原始的grade转换为categorical数据类型:

2、 将categorical类型数据重命名为更有意义的名称:

3、 对类别进行重新排序，增加缺失的类别:

4、 排序是按照categorical的顺序进行的而不是按照字典顺序进行:

5、 对categorical列进行排序时存在空的类别:

11、画图 。

具体文档参看：plottingdocs 。

对于dataframe来说，plot是一种将所有列及其标签进行绘制的简便方法:

12、导入和保存数据 。

l csv，参考：writingto a csv file 。

1、 写入csv文件:

2、 从csv文件中读取:

l hdf5，参考：hdfstores 。

1、 写入hdf5存储:

2、 从hdf5存储中读取:

l excel，参考：msexcel 。

1、 写入excel文件:

2、 从excel文件中读取:

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我.

原文链接：https://www.cnblogs.com/chaosimple/p/4153083.html 。

最后此篇关于十分钟搞定pandas(入门教程)的文章就讲到这里了,如果你想了解更多关于十分钟搞定pandas(入门教程)的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。