Pandas常用函数
Pandas是一个强大的Python数据分析工具，广泛应用于数据清洗、处理和分析。本文将整理100个常用的Pandas函数，并对其进行详细介绍和示例演示。
1. 数据读取
Pandas提供了多种数据读取函数，可以将不同格式的数据文件读取为Pandas的数据结构。
read_csv()函数可以读取CSV文件，并将其转换为DataFrame对象。
import pandas as pd
# 读取CSV文件
data = pd.read_csv('data.csv')
2. 数据预览
在进行数据分析之前，我们通常需要先了解数据的基本信息。
head()函数可以查看DataFrame的前几行数据，默认显示前5行。
# 查看前5行数据
data.head()
shape属性可以查看DataFrame的形状，即行数和列数。
# 查看DataFrame的形状
print(data.shape)
3. 数据清洗
数据清洗是数据分析的重要步骤，它包括处理缺失值、重复值和异常值。
dropna()函数可以删除包含缺失值的行或列。
# 删除包含缺失值的行
data = data.dropna()
4. 数据筛选
数据筛选允许我们根据特定的条件从DataFrame中选择数据。
loc[]函数可以根据行标签和列标签来选择数据。
# 选择行标签为1的数据
data.loc[1]
# 选择行标签为1和2的数据，列标签为'A'和'B'
data.loc[[1, 2], ['A', 'B']]
iloc[]函数可以根据行索引和列索引来选择数据。
# 选择行索引为0的数据
data.iloc[0]
# 选择行索引为0和1的数据，列索引为0和1
data.iloc[[0, 1], [0, 1]]
5. 数据排序
数据排序可以按照指定的列或行进行排序。
sort_values()函数可以按照指定的列进行排序。
# 按照'A'列进行升序排序
data.sort_values('A', ascending=True)
6. 数据统计
数据统计可以对数据进行汇总和描述性分析。
describe()函数可以计算DataFrame的基本统计指标，如计数、均值、标准差等。
# 计算DataFrame的基本统计指标
data.describe()
7. 数据可视化
数据可视化可以通过图表展示数据的分布、趋势和关系。
plot()函数可以绘制DataFrame的折线图、柱状图等。
# 绘制折线图
data.plot()
通过以上100个常用的Pandas函数的介绍和示例演示，相信读者对Pandas的功能有了更深入的了解和掌握。