Pandas核心功能包括数据结构（Series、DataFrame）、读写文件、数据查看、选择索引、清洗、操作、分组聚合、合并连接及时间序列处理，系统掌握可应对多数数据分析任务。
Python中Pandas是数据处理和分析的核心库，广泛用于读取、清洗、转换和分析结构化数据。以下是Pandas主要知识点的系统整理，帮助快速掌握其核心功能。
1. 数据结构：Series 和 DataFrame
Series 是带标签的一维数组，支持任意数据类型。
• 创建方式：pd.Series(data, index=index)
• 示例：
s = pd.Series([1, 3, 5], index=[‘a’, ‘b’, ‘c’])
s[‘a’] → 1
DataFrame 是二维表格型数据结构，类似Excel表格或SQL表。
• 创建方式：pd.DataFrame(data, columns=列名, index=索引)
• 示例：
df = pd.DataFrame({‘name’: [‘Alice’, ‘Bob’], ‘age’: [25, 30]})
2. 数据读取与写入
Pandas支持多种文件格式的输入输出操作。
立即学习“Python免费学习笔记（深入）”；
• 读取CSV：pd.read_csv(‘file.csv’)
• 读取Excel：pd.read_excel(‘file.xlsx’)
• 读取JSON：pd.read_json(‘file.json’)
• 写入文件：
df.to_csv(‘output.csv’, index=False)
df.to_excel(‘output.xlsx’)
常用参数：
sep=’,’（指定分隔符）
header=0（指定哪行为列名）
usecols=[‘col1’, ‘col2’]（只读取指定列）
encoding=’utf-8′
Unity3D技术之纹理着色器基础详解 中文WORD版
本文档说的是unity3D中shader相关的一些知识；在shader编程中，有一些术语，有时候不明白的话容易被整懵圈，所以这里就简单提一下。Shading最开始指的在素描中给物体画明暗调子，在图形学中，其实就是给Mesh上色（Mesh就是一堆三角面片，包含顶点左边，法线坐标，uv坐标之类的），wiki中说的是根据物体相对于光线的角度及其距离光源距离改变物体颜色生成photorealistic效果的过程。我们所编写的处理shading的程序就叫做shader，中文叫着色器，程序的输入是颜色，纹理，坐标等等
0 查看详情 
3. 数据查看与基本信息
• 查看前几行：df.head(n)
• 查看后几行：df.tail(n)
• 查看列名：df.columns
• 查看索引：df.index
• 查看数据类型：df.dtypes
• 数据形状：df.shape
• 统计摘要：df.describe()（数值列均值、标准差等）
• 检查缺失值：df.isnull().sum()
4. 数据选择与索引
• 按列选择：
df[‘col’] 或 df[[‘col1’, ‘col2’]]
• 按行切片：
df[1:4]
• 使用 loc：按标签选择
df.loc[1, ‘name’]
df.loc[:, ‘age’ > 25]
• 使用 iloc：按位置选择
df.iloc[0, 1] → 第一行第二列
• 条件筛选：
df[df[‘age’] > 25]
5. 数据清洗
• 处理缺失值：
df.dropna()：删除含空值的行/列
df.fillna(value)：用指定值填充
df.fillna(method=’ffill’)：向前填充
df.fillna(df.mean())：用均值填充数值列
• 处理重复值：
df.duplicated()：返回布尔Series
df.drop_duplicates()：删除重复行
• 类型转换：
df[‘age’] = df[‘age’].astype(int)
pd.to_datetime(df[‘date_col’])
6. 数据操作
• 添加列：
df[‘new_col’] = df[‘col1’] + df[‘col2’]
• 删除列或行：
df.drop(‘col_name’, axis=1, inplace=True)
• 重命名列：
df.rename(columns={‘old’: ‘new’}, inplace=True)
• 设置索引：
df.set_index(‘col’, inplace=True)
df.reset_index(inplace=True)
7. 数据聚合与分组
• 分组操作：
grouped = df.groupby(‘category’)
grouped.mean()
grouped.size()
grouped.agg({‘age’: ‘mean’, ‘salary’: ‘sum’})
• 常用聚合函数：
sum(), mean(), count(), max(), min(), std()
8. 合并与连接数据
• 拼接（concat）：
pd.concat([df1, df2], axis=0) # 上下拼接
pd.concat([df1, df2], axis=1) # 左右拼接
• 合并（merge）：
pd.merge(df1, df2, on=’key’) # 内连接
pd.merge(df1, df2, on=’key’, how=’left’) # 左连接
pd.merge(df1, df2, left_on=’key1′, right_on=’key2′)
9. 时间序列处理
• 转换为时间类型：
pd.to_datetime(df[‘date’])
• 设置时间为索引：
df.set_index(‘date’, inplace=True)
• 重采样：
df.resample(‘M’).mean() # 按月汇总
• 时间偏移：
df.index + pd.DateOffset(days=1)
10. 实用技巧
• 查看唯一值：
df[‘col’].unique()
df[‘col’].nunique()
• 值计数：
df[‘col’].value_counts()
• 排序：
df.sort_values(by=’col’, ascending=False)
df.sort_index()
• 应用函数：
df[‘col’].apply(lambda x: x.upper())
df.apply(np.mean, axis=1)
基本上就这些。熟练掌握以上内容，就能应对大多数数据分析任务。多练习真实数据集（如CSV导入）能更快上手。不复杂但容易忽略的是索引设置和缺失值处理，建议在每步操作后打印shape或head验证结果。
以上就是python中pandas的知识点整理的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/842727.html
微信扫一扫 
支付宝扫一扫 
