### Pandas入门教程 Pandas 是一种强大的数据分析工具库，主要用于处理表格型数据。它主要提供了一维的 `Series` 和二维的 `DataFrame` 数据结构[^2]。 #### 基础概念 - **Series**: 类似于一维数组或列表，带有标签（索引）。可以通过字典的方式创建和访问其值[^3]。 - **DataFrame**: 二维表格形式的数据结构，类似于电子表格或 SQL 表格。可以将其视为嵌套字典结构，其中键是列名，值是一系列 `Series` 对象[^3]。 --- ### 十个基础示例 以下是十个常见的 Pandas 使用场景及其代码示例： #### 示例 1: 创建一个简单的 Series ```python import pandas as pd s = pd.Series([1, 3, 5, 7]) print(s) ``` #### 示例 2: 创建 DataFrame 并查看基本信息 ```python df = pd.DataFrame({ 'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35], 'City': ['New York', 'Los Angeles', 'Chicago'] }) print(df.info()) # 查看数据框的信息 print(df.describe()) # 统计描述 ``` #### 示例 3: 访问 DataFrame 的单列 ```python column_data = df['Name'] # 获取 Name 列 print(column_data) ``` #### 示例 4: 按行索引获取数据 ```python row_data = df.loc[0] # 获取第 0 行的数据 print(row_data) ``` #### 示例 5: 条件筛选数据 ```python filtered_df = df[df['Age'] > 30] # 筛选出 Age 大于 30 的记录 print(filtered_df) ``` #### 示例 6: 添加新列到 DataFrame ```python df['Salary'] = [50000, 60000, 70000] # 新增 Salary 列 print(df) ``` #### 示例 7: 删除指定列 ```python new_df = df.drop(columns=['City']) # 删除 City 列 print(new_df) ``` #### 示例 8: 修改现有列的值 ```python df['Age'] += 1 # 将所有人的年龄加 1 print(df) ``` #### 示例 9: 排序数据 ```python sorted_df = df.sort_values(by='Age') # 按照 Age 列升序排列 print(sorted_df) ``` #### 示例 10: 合并两个 DataFrame ```python df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]}) df2 = pd.DataFrame({'A': [5, 6], 'B': [7, 8]}) merged_df = pd.concat([df1, df2]) # 合并两个 DataFrame print(merged_df) ``` --- ### 关于 Panel 的说明 虽然早期版本中的三维数据结构 `Panel` 曾被广泛讨论，但在 Pandas 0.25 版本之后已被官方弃用[^1]。推荐使用具有多级索引 (`MultiIndex`) 的 `DataFrame` 实现类似的三维数据操作需求。 ---