数据专家必备！最常用的 10 大类 Pandas 函数⛵️

人工智能

2023-11-23 18:54:37

数据专家必备：掌握 10 大类 Pandas 函数，数据处理事半功倍

作为一名数据科学家，您一定对 Pandas 库不陌生。这个强大的 Python 工具库能为您提供轻松处理和分析数据的利器。今天，我们就来深入探讨数据专家最常用的 10 大类 Pandas 函数，让您如虎添翼，工作效率倍增。

一、数据结构

Pandas 提供了多种数据结构，让您灵活地存储和处理数据：

Series： 一维数组，拥有索引功能，类似 NumPy 数组。
DataFrame： 二维表格，如同 Excel 电子表格，由多个 Series 组成。
Panel： 三维数组，具有两个索引，与 NumPy 数组类似。

二、字符串操作

Pandas 提供丰富的字符串操作函数，让字符串处理变得轻而易举：

str.upper()： 转换为大写。
str.lower()： 转换为小写。
str.strip()： 去除两端空格。
str.replace()： 替换指定字符串。

三、数值操作

轻松处理数值数据，Pandas 的数值操作函数助您一臂之力：

add()： 相加。
sub()： 相减。
mul()： 相乘。
div()： 相除。

四、时间序列操作

时间序列数据处理不再繁琐，Pandas 提供了专用的函数：

resample()： 重采样。
shift()： 移动。
diff()： 计算差分。
autocorr()： 计算自相关。

五、数据聚合

轻松聚合数据，获取关键信息：

sum()： 求和。
mean()： 求平均值。
median()： 求中位数。
max()： 求最大值。
min()： 求最小值。

六、数据过滤

精准筛选数据，让您直达目标：

query()： 条件表达式过滤。
isin()： 值列表过滤。
notna()： 非 NaN 值过滤。
dropna()： 删除 NaN 值行或列。

七、数据排序

按照指定顺序排列数据，一目了然：

sort_values()： 按值排序。
sort_index()： 按索引排序。
argsort()： 返回排序后索引。

八、数据合并

整合数据，打破数据孤岛：

merge()： 合并两个 DataFrame。
join()： 合并两个 DataFrame，保留一个索引。
concat()： 合并多个 DataFrame。

九、数据透视表

汇总分组数据，洞察数据趋势：

Pandas 提供了透视表功能，让您轻松创建透视表。透视表可以按行列汇总和分组数据，帮助您快速发现数据中的模式和趋势。

十、数据可视化

让数据更直观，Pandas 的可视化函数让您轻松绘制图表：

plot()： 绘制各种图表。
hist()： 绘制直方图。
scatter()： 绘制散点图。
boxplot()： 绘制箱线图。

代码示例

import pandas as pd

# 创建一个 Series
series = pd.Series([1, 2, 3, 4, 5])

# 创建一个 DataFrame
df = pd.DataFrame({
    "Name": ["John", "Mary", "Bob"],
    "Age": [20, 25, 30]
})

# 字符串操作
df["Name"] = df["Name"].str.upper()

# 数值操作
df["Total"] = df["Age"] * 2

# 时间序列操作
df["Date"] = pd.to_datetime("2023-01-01", "2023-01-02", "2023-01-03")
df = df.resample("D").mean()

# 数据聚合
df["Age_Group"] = pd.cut(df["Age"], bins=[0, 20, 30, 40, 50])

# 数据过滤
filtered_df = df[df["Age"] > 25]

# 数据排序
sorted_df = df.sort_values("Age")

# 数据合并
new_df = pd.merge(df, series, on="Name")

# 透视表
pivot_table = df.pivot_table(index="Age_Group", columns="Name", values="Age")

# 可视化
df.plot(kind="scatter", x="Age", y="Total")