### Python Pandas 数据分析实训教程与应用示例 #### 使用 Pandas 的基本操作 Pandas 是一种强大的数据分析工具，它提供了灵活的数据结构和高效的操作方法。通过导入 Pandas 并创建 Series 和 DataFrame 对象，可以轻松处理各种数据集[^2]。 以下是基于 Pandas 的一个简单数据分析实例： ```python import pandas as pd # 创建一个简单的DataFrame对象 data = { 'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35], 'City': ['New York', 'Los Angeles', 'Chicago'] } df = pd.DataFrame(data) print(df) ``` 运行上述代码会生成如下表格形式的结果： ``` Name Age City 0 Alice 25 New York 1 Bob 30 Los Angeles 2 Charlie 35 Chicago ``` #### 数据聚合与统计计算 Pandas 支持多种内置的统计功能，例如求和 `sum()` 和累积乘法 `prod()` 等。这些函数可以帮助快速完成复杂的数据运算[^3]。 下面是一个具体的例子展示如何利用 Pandas 计算数值列的总和以及各列之间的关系： ```python import numpy as np import pandas as pd # 构造随机数矩阵并转换成DataFrame np.random.seed(0) # 设置种子以便结果可重复 random_data = np.random.randint(low=0, high=100, size=(5, 4)) columns = ["A", "B", "C", "D"] df_random = pd.DataFrame(random_data, columns=columns) # 执行汇总操作 total_sum = df_random.sum() product_result = df_random.prod() print("原始数据:\n", df_random) print("\n每列的合计值:\n", total_sum) print("\n每列的连乘积:\n", product_result) ``` 执行以上脚本后可以看到类似这样的输出： ``` 原始数据: A B C D 0 51 92 1 74 1 86 29 13 88 2 78 77 50 34 3 21 59 52 10 4 18 83 31 35 每列的合计值: A 254 B 340 C 147 D 231 dtype: int64 每列的连乘积: A 375006 B 982776 C 1372 D 7739520 dtype: int64 ``` #### 结合实际场景的应用案例 假设有一个销售记录表，包含日期、产品名称及其对应的销售额度。我们可以借助 Pandas 来加载 CSV 文件并对特定时间段内的销量情况进行深入探索。 ```python # 假设存在名为sales.csv的文件存储着销售信息 file_path = './sales.csv' df_sales = pd.read_csv(file_path) # 查看前几行数据概览 print(df_sales.head()) # 统计每个月份不同产品的平均售价 monthly_avg_price = df_sales.groupby(['Month', 'Product']).mean()['Price'] print(monthly_avg_price) ``` 此段程序首先读取外部CSV文档中的内容至内存中形成DataFrame；接着调用了`groupby`方法按照月份与商品类别分组，并针对价格字段做均值运算得出每月各类别的均价情况。 相关问题