数据分析库-Pandas的使用

Pandas介绍

Pandas和Numpy，Matplotlib（或 Scikit-learn）并称为数据分析中主要的三个核心库。Pandas提供了高效、灵活的数据结构和数据分析工具，广泛用于数据清洗、转换、分析等场景。

Pandas的核心数据结构有两种：

• Series：带标签的一维数组，类似于Python当中的字典，但比字典更强大。Series中的每个元素都由index(索引)和value(值)组成。Series的值可以以各种不同的类型存在，不像ndarray具有同质性。Series的索引可以是任意类型，且可以重复。
• DataFrame：二维表格结构，由多个Series组成，既有行索引也有列索引，是Pandas中最常用的数据结构。

如果用一张Excel表格来类比Series和DataFrame两种数据结构:

Series就像是其中的每一列数据，如姓名列、性别列、年龄列等。通过索引(在此表中是序号，实际上可以自定义)就可以找到需要的值。而DataFrame则是整张表，要想找到一个具体的元素，既需要知道该元素的行索引，也需要知道该元素的列索引。

Pandas主要功能包括:

• 支持csv、xls、sql等二十多种数据源的数据读取和写出。
• 支持数据清洗，处理重复、缺失的数据，并对数据进行类型转换。
• 支持快速筛选需要的数据，以及快速获得指定位置的数据。
• 支持数据的分组与聚合，方便进行数据的统计与分析。
• 支持数据的合并与连接，可以像数据库一样进行表的连接和合并。
• 提供强大的日期时间处理功能，适合时间序列数据分析。

Pandas的安装

• 通过python的pip命令安装:

  pip install --upgrade pip #先升级pip
  pip install pandas #安装最新版本的pandas
  #指定安装版本
  pip install pandas==version #version为需要安装的版本号

• 安装Anaconda:

  见“数据分析库-Numpy的使用”——>Numpy的安装——>安装Anaconda部分。

Pandas的使用

执行下文中的代码需要先成功安装pandas，并下行python语句导入:

import pandas as pd

一、Series的使用

① Series的创建

Series一般通过pandas的Series()方法创建。Series()方法又一般有以下几个参数:

• data：指定Series的数据，可以是list、ndarray、Series、字典等类型。
• index：为数据指定索引，可为空或者任意类型的数据，当为空时数据采用默认索引。
• name：顾名思义，给Series起名，类似于Excel的列名称。
• dtype：指定Series的数据类型。如：当指定dtype为int时，输入Series的数据在符合数据转换规则的前提下，类型都将为int。
• copy：是否要复制data，参数为bool类型。如：当copy=false时，若data为一个ndarray，修改Series的值同时会修改ndarray的值。反之亦然。

以下表当中几个创建Series的方法说明各参数的作用:

序号	创建方法	说明
1	s1 = pd.Series([1,2,3])	只定义Series的数据，不指定索引
2	s2 = pd.Series([1,2,3],index=[‘a’,‘b’,‘c’])	定义Series的数据并指定索引
3	s3 = pd.Series([1,2,3],index=[‘a’,‘b’])	索引和数据个数不匹配
4	s4 = pd.Series(s2,index=[‘a’,‘b’])	为已有索引的Series创建索引
5	s5 = pd.Series([1,2],index=[‘a’,‘b’],name=‘test’)	定义Series的数据，指定索引，并设置名字
6	s6 = pd.Series(np.array([1,2,3]),copy=False)	不复制data，直接修改s6
7	s7 = pd.Series([‘a’,‘b’,‘c’],dtype=int)	将输入Series的字符类型数据转换成整型数据

Series将以索引列和数据列的方式打印出来。

对于第一种创建方法，由于没有指定索引，故Series中的各数据将有一个类似于数组下标的默认索引。打印s1结果如下图所示:

如果按照方法二给每个数据指定索引，打印s2结果如下图所示:

可以看到每个数据和索引一一对应。如果为Series自定义索引，索引个数和数据个数必须一致，否则将会报错。按照第三种方式创建一个Series，结果如下图所示:

如前文所述，Series的data参数可以是Series、字典等本就带有索引的数据结构。如果创建时继续指定索引，那么新的Series将只会包含指定索引对应的数据。按照方法四创建s4，结果如下图所示:

对于创建的合法Series，由于没有为其指定name，故name默认为none。打印结果如下图所示:

按照方法五，在创建Series时指定参数name为test。打印s5结果如下图所示：

可以看到s5的name属性也被一并打印出来。

若将一个ndarray当作data参数的值，并将copy参数设置为False，创建一个Series并对其进行修改，两个数据结构之间的关系如下图所示:

可以看到修改series的同时，ndarray也被修改了。若将copy的值设置为Ture，再对Series修改，结果如下图所示:

可以看到修改Series并不影响ndarray的值。

若给创建的Series指定类型，且输入的数据可以转换为指定类型的话，那么该Series的数据类型将变成指定的数据类型。按照方法七创建Series，结果如下图所示：

可以看到输入的数据虽然是字符串类型，但最后打印出来该Series的类型为指定的int类型。但如果输入的数据类型不能转换为指定的数据类型(如pandas不支持截断浮点数类型为整型)，创建时将会报错。尝试将输入的字符型数据转换为整型数据，结果下图所示:

② Series的属性和访问器

以一个名为se的Series为例，它有下列几个常用的属性:

属性名	调用方法	调用效果
维度	se.ndim	输出Series的维度，但Series都是一维的
形状	se.shape	输出Series的形状，为(len(Series), )
大小	se.size	输出Series的元素个数
索引	se.index	输出Series的所有索引
值	se.values	输出Series的所有值
名称	se.name	输出Series的名称

以一个名为se的Series为例，它有以下几种访问方式:

访问器	调用方法	调用效果
显式索引	se.loc[index]	输出给定索引对应的元素(支持切片)
隐式索引	se.iloc[index]	输出隐式索引对应的元素，隐式索引类似于数组的下标，从0开始(支持切片)
显式单元素索引	se.at[index]	输出给定索引对应的单个元素
隐式单元素索引	se.iat[index]	输出隐式索引对应的单个元素，隐式索引类似于数组的下标，从0开始

对于Series来说，若只是访问单个元素，loc和at，iloc和iat的输出效果是一样的，但是这两对属性存在如下区别:

• loc、iloc：在Series中表示访问的是这个位置对应的元素，但是在DataFrame中若不指定行或列，则访问的是一整行或一整列的元素。loc、iloc支持多个元素的访问，如切片、布尔索引等。
• at、iat：访问的是单个元素，在DataFrame中必须指定行和列，且不支持切片、布尔索引。

在存在大量元素且需要单个访问某元素时，at和iat的效率将远远高于loc和iloc。

下文介绍loc和iloc访问多个元素的方法。

a) loc和iloc的切片

• iloc的切片方式和ndarray以及list一样。iloc[0:4]将会输出隐式下标为[0,4)的四个元素，只包含左端点不包含右端点。
• loc的切片方式为loc[‘a’:‘c’]。将会输出显式索引为[a,c]的元素，包含两个端点。用显示索引的方式切片必须确保切片两端的索引唯一，否则会报错。

两种访问方式的切片结果如下图所示：

b) loc和iloc访问多个元素

将需要访问元素的**显示索引*定义到一个列表当中，作为loc和iloc的参数。如下图所示：

c) loc +布尔索引访问多个元素

iloc不支持布尔索引，只有loc支持

和Numpy的布尔索引一样，用一个和Series大小、形状相同的布尔数组或者能变成布尔数组的表达式作为参数，最后返回对应位置为True的值。使用布尔索引找到满足条件的值，如下图所示:

③ Series的常用方法

a) 数据查看与统计方法

这类方法可以用来快速了解数据的基本特征。

以下方法的输出示例基于:

s7 = pd.Series([1,2,1,5,5,6,7],index=['a','b','c','d','e','f','g'],name='methods',dtype=int)

有下列常用方法:

方法名	功能说明	语法格式	示例（基于 s7）
head(n)	返回前n个元素，默认n=5，适合快速预览数据	s7.head(n=5)	s7.head(3) → 输出a:1, b:2, c:1
tail(n)	返回后n个元素，默认n=5，适合查看数据末尾	s7.tail(n=5)	s7.tail(2) → 输出f:6, g:7
describe()	返回数值型数据的核心统计信息（计数、均值、标准差、最值、四分位数）	s7.describe()	输出：count=7.0, mean=3.857, std=2.390, min=1, 25%=1, 50%=5, 75%=6, max=7
var()	返回数据的方差（离散程度指标），仅对数值型有效；字符型需可转数值（否则报错）	s7.var()	s7.var() → 约5.714
std()	返回数据的标准差（方差的平方根，更易理解的离散程度指标），仅对数值型有效	s7.std()	s7.std() → 约2.390
mean()	返回数据的平均值（集中趋势指标），仅对数值型有效	s7.mean()	s7.mean() → 约3.857
median()	返回数据的中位数（抗极端值的集中趋势指标），仅对数值型有效	s7.median()	s7.median() → 5
quantile(q)	返回数据的分位数，支持传入列表（如q=[0.25,0.5,0.75]）批量计算	s7.quantile(q)（0≤q≤1）	s7.quantile([0.25,0.5,0.75]) → 输出0.25:1, 0.5:5, 0.75:6
mode()	返回数据的众数（出现次数最多的元素），可返回多个（若存在多个众数）	s7.mode()	s7.mode() → 输出1,5（均出现 2 次）
sum()	返回数据的总和，仅对数值型有效	s7.sum()	s7.sum() → 27
max()	返回数据的最大值，仅对数值型有效	s7.max()	s7.max() → 7
min()	返回数据的最小值，仅对数值型有效	s7.min()	s7.min() → 1
value_counts()	统计元素出现次数 / 占比，normalize=True返回占比，ascending=True升序，dropna=False统计NaN	s7.value_counts (normalize=False, ascending=False, dropna=True)	s7.value_counts(normalize=True) → 输出1:0.286,5:0.286,2:0.143,6:0.143,7:0.143
unique()	返回不重复的元素（数组形式），无排序（按首次出现顺序）	s7.unique()	s7.unique() → array([1,2,5,6,7], dtype=int64)
nunique()	返回不重复的元素个数（忽略NaN）	s7.nunique()	s7.nunique() → 5
diff()	返回每个元素和前一个元素的差	s7.diff()	s7.diff() → 输出1:nan,2:1,1:-1,5:4,5:0,6:1,7:1
pct_change()	返回每日收益率（收益率＝当前收盘价/前日收盘价 - 1）	s7.pct_change()	s7.pct_change()→ 输出a:Nan,b:1.000000,c: 0.500000,d:0.333333,e:0.250000
idxmax()	返回值最大的元素对应的第一个索引	s7.idxmax()	s7.idxmax()→ 输出‘g’
idxmin()	返回值最小的元素对应的第一个索引	s7.idxmin()	s7.idxmin()→ 输出‘a’

b) 数据清洗方法

这类方法可以高效地处理数据的缺失值。

以下方法的输出示例基于:

s_miss = pd.Series([1, np.nan, 3, np.nan, 5], index=['a','b','c','d','e'])）

(1) 缺失值处理方法

有下列常用方法:

方法名	功能说明	语法格式	示例（基于 s_miss）
isna()/isnull()	检测缺失值，返回布尔 Series（NaN对应True，非缺失值对应False）	se.isna()	s_miss.isna() → 索引b、d对应True，其余为False
notna()/notnull()	与isna()相反，非缺失值对应True，缺失值对应False	se.notna()	s_miss.notna() → 索引a、c、e对应True，其余为False
dropna()	删除包含缺失值的行；inplace=True时直接修改原 Series（不返回新对象）	se.dropna(inplace=False)	s_miss.dropna() → 返回删除b、d后的 Series：a:1, c:3, e:5
fillna()	用指定值填充缺失值（value可为常数、均值、中位数等）	se.fillna(value, inplace=False)	s_miss.fillna(s_miss.mean()) → 用均值3填充NaN，结果：a:1, b:3, c:3, d:3, e:5

(2) 重复值处理方法

以下方法的输出示例基于：

s_dup = pd.Series([1,2,2,3,3,3], index=['a','b','c','d','e','f'])

有下列常用方法:

方法名	功能说明	语法格式	示例（基于 s_miss）
duplicated()	se.duplicated(keep='first')	检测重复值，返回布尔 Series：keep='first'（默认）：仅标记重复的后续值为True；keep='last'：仅标记重复的前序值为True；keep=False：所有重复值均标记为True	s_dup.duplicated() → 索引c、e、f对应True（仅标记后续重复值）s_dup.duplicated(keep='last') → 索引b、d、e对应True（仅标记前序重复值）
drop_duplicates()	se.drop_duplicates(keep='first', inplace=False)	删除重复值(返回删除重复值后的Series副本，原本的Series不会发生改变)，保留规则与duplicated()一致	s_dup.drop_duplicates() → 返回去重后的 Series：a:1, b:2, d:3

c) 数据转换方法

这类方法可以高效实现各种不同类型的数据转换。

以下方法的输出示例基于：

s7 = pd.Series([1,2,3,4,5], dtype=int)

有下列常用方法:

方法名	语法格式	功能说明	示例
astype(dtype)	se.astype(dtype)	转换 Series 的数据类型（需确保转换合法，否则报错）	s7.astype(float) → 所有元素转为浮点型：1.0,2.0,...5.0
apply(func)	se.apply(func)	对每个元素应用自定义函数func，灵活性极高	若func = lambda x: x*2，则s7.apply(func) → 2,4,6,8,10
map(func/dict)	se.map(func/dict)	对每个元素映射（类似apply，但更适合简单映射）：- 传函数：同apply；- 传字典：按 “键 - 值” 替换元素，未被指定要替换的元素将变成缺失值	s7.map({1:'一',2:'二',3:'三',4:'四',5:'五'}) → 元素转为中文数字
算术方法	se.add(n)/se.sub(n) se.mul(n)/se.div(n)	对所有元素进行加减乘除运算（n为常数）	s7.add(10) → 所有元素加 10：11,12,13,14,15

d) 排序与索引方法

这类方法可以高效地对Series按索引或值排序。

以下方法的输出示例基于:

s_sort = pd.Series([3,1,4,2,5], index=['c','a','d','b','e'])

有下列常用方法:

方法名	语法格式	功能说明	示例
sort_values(ascending=True)	se.sort_values(ascending=True)	按元素值排序：ascending=True（默认）升序，ascending=False降序	s_sort.sort_values()→ 按值升序：a:1, b:2, c:3, d:4, e:5
sort_index(ascending=True)	se.sort_index(ascending=True)	按索引排序：规则同sort_values，适合自定义索引的 Series	s_sort.sort_index() → 按索引字母升序：a:1, b:2, c:3, d:4, e:5
reset_index(drop=False)	se.reset_index(drop=False)	重置索引为默认整数索引（0,1,2…）：drop=False（默认）：原索引转为新列；drop=True：原索引直接删除	s_sort.reset_index (drop=True) → 索引变为0-4，值为[3,1,4,2,5]

e) 时间类方法

Pandas支持对时间序列的操作，这类方法可以高效地实现时间方面的需求。

有下列常用方法:

方法名	语法格式	功能说明
date_range()	pd.date_range('starttime', periods=, freq=)	生成一个时间序列，起始时间为Starttime，periods为序列的个数，freq为频率（如按小时，日，月，年生成）
between_time()	se.between_time('starttime', 'endtime')	返回从starttime到endtime之间的数据
resample()	se.resample('Rule').method()	按照Rule参数给定值将数据重新分组（如将按月份给出的数据重新按季度划分)，并统计每一组需要统计的值

二、Series案例

首先导入numpy和pandas库:

import numpy as np
import pandas as pd

案例一：成绩统计分析

现有学生成绩数学成绩表如下:

姓名	成绩
小明	85
小红	92
小刚	78
小丽	92
小强	88
小芳	75
小美	92

请以姓名作为索引，成绩作为值，生成一个名为数学成绩的Series并完成以下操作：

• 快速预览顺序为前 3 名学生的成绩。

• 查看顺序为最后 2 名学生的成绩。

• 获取成绩的基本统计信息。

• 计算成绩的方差和标准差。

• 统计每个分数出现的次数。

• 获取不重复的分数以及不重复分数的个数。

• 按照成绩降序排序

• 找出大于90分的成绩

具体代码如下：

scores = pd.Series([85,92,78,92,88,75,92],index=['小明','小红','小刚','小丽','小强','小芳','小美'],name='数学成绩')
print("前三名学生成绩为:\n",scores.head(3))
print("最后两名学生的成绩为:\n",scores.tail(2))
print("成绩的基本统计信息为:\n",scores.describe())
print("成绩的标准差和方差为:",scores.std(),scores.var())
print("每个成绩出现的次数:\n",scores.value_counts())
print("不重复的分数:",scores.unique(),"不重复的分数个数:",scores.nunique())
print("降序排序结果为:\n",scores.sort_values(ascending=False))
print("成绩高于90分的有:\n",scores.loc[scores>90])

案例二：温度数据分析

给定某城市一周每天的最高温度:

temperatures = pd.Series([28,31,29,32,30,27,33],index=['周一','周二','周三','周四','周五','周六','周日'])

完成以下任务:

• 找出温度超过三十度的天数
• 计算平均温度
• 将温度从高到低排序
• 找出和前一天的温差

具体代码如下：

print("温度超过三十度的天数:",temperatures.loc[temperatures>30].size)
print("平均温度:",temperatures.mean())
print("温度从高到低排序:\n",temperatures.sort_values(ascending=False))
print("和前一天的温差:\n",temperatures.diff())

案例三：股票价格分析

给定某股票连续10个交易日的收盘价Series：

prices = pd.Series([102.3,103.5,105.1,104.8,106.2,107.0,106.0,108.1,109.3,110.2],index=pd.date_range("2025-09-28",periods=10))

完成以下任务：

• 计算每日收益率(当前收盘价/前日收盘价 - 1)
• 找出收益率最高和最低的日期
• 计算波动率(收益率的标准差)

具体代码如下：

rate = pd.Series(prices.pct_change(),index=pd.date_range("2025-09-28",periods=10))
print("每日的收益率:\n",rate)
print("收益率最高的日期:",rate.idxmax())
print("收益率最低的日期:",rate.idxmin())
print("波动率:\n",rate.std())

案例四：销售数据分析

给定某产品过去12个月的销售量Series：

sales = pd.Series([120,135,145,160,155,170,180,175,190,200,210,220],index=pd.date_range("2025-09-29",periods=12,freq='M'))

完成以下任务:

• 计算季度平均销量(每三个月为一个季度)
• 找出销量最高月份
• 计算月环比增长率
• 找出连续增长超过2个月的月份

具体代码如下：

print(sales.resample('QS').mean()) #重新采样
print("销售量最大的月份:",sales.idxmax())
rates = sales.pct_change()
#先判断各月份是否增长
increase = rates > 0
print("月环比增长率:\n",rates)
print("连续增长超过两个月的月份:\n",increase[increase.rolling(3).sum()==3].index.tolist())

方法补充：

resample()主要用于改变时间序列的频率，例如将高频数据（如按小时记录）转换为低频数据（如按天、周、月汇总），或者反之（升采样）。它本质上是对时间序列进行分组聚合操作。如：此题中将给出的一个年份的数据重新按季度分组成三个数据。

rolling（滚动窗口）用于在滑动的固定大小窗口内计算统计量，窗口会随着时间索引滑动，对每个窗口内的数据应用聚合函数。如：此题要找到连续增长超过两个月的月份，实际上就是找一个大小为3的窗口，看该窗口内元素是否均为True，对应窗口和为1。统计完毕后，每个窗口的结果将会对应在窗口的最后一个元素上。

案例五：每小时销售数据分析

某商店每小时销售额Series：

np.random.seed(42)
hourly_sales = pd.Series(np.random.randint(0,100,24),index=pd.date_range('2025-01-01',periods=24,freq='H'))

完成以下任务:

• 按天重采样计算每日总销售额
• 计算每天营业时间和非营业时间的销售额比例
• 找出销售额最高的三个销售

具体代码如下：

print("按天重采样:",hourly_sales.resample('D').sum())
worktime_sales = hourly_sales.between_time('8:00','22:00').sum()
print("8点到22点的营业额占比:",(hourly_sales.sum() - worktime_sales)/hourly_sales.sum())
print("销售额最高的三个时间段:\n",hourly_sales.sort_values(ascending=False).iloc[0:3].index.tolist())

三、DataFrame的使用

DataFrame类似于一整张Excel表，它既有行索引，又有列索引。要想精确地访问其中的某一个元素，必须知道其行索引和列索引。

下文代码在使用前首先确保导入numpy和pandas库。

import numpy as np
import pandas as pd

① DataFrame的创建

DataFrame的创建创建离不开pandas的DataFrame({key1:data1,key2:data2…},index=,columns=})方法，根据参数类型的不同，可以有如下创建方式。

方法一：通过Series创建

DataFrame是由一列列Series组成的表，故可以直接通过Series创建DataFrame。具体代码如下:

Series1 = pd.Series([1,2,3,4,5])
Series2 = pd.Series([6,7,8,9,10])
df = pd.DataFrame({'第一列':Series1,'第二列':Series2})

打印df结果如下图所示:

DataFrame会将所有Series索引的并集当作自己的索引。假设有两个size = 5的Series的索引完全不同，那么用它们当作DataFrame的参数时，会出现十个索引，共有十行元素。对于不存在该索引的Series来说，对应位置将会被标记为缺失值，用NaN(缺失值)填充。具体代码如下:

Series1 = pd.Series([1,2,3,4,5],index=['a','b','c','d','e'])
Series2 = pd.Series([6,7,8,9,10])
df_na = pd.DataFrame({'第一列':Series1,'第二列':Series2})

打印df_na结果如下图所示：

方法二：通过自定义的字典创建

可以通过自定义字典创建DataFrame，字典的每一项的key就相当于列名，value相当于该列数据。创建示例代码如下：

df_d = pd.DataFrame({
    '姓名':['jay','JJ','david','khalil'],
    '代表作':['龙卷风','曹操','爱很简单','好不容易'],
    '演唱会':['2004无与伦比','无','2003SoulPower','2011 15']
},index=[1,2,3,4],columns=['演唱会','姓名','代表作'])

打印df_d结果如下图所示:

其中columns参数可以自定义列的顺序。如图所示，df_d按照columns的顺序打印出了每一列。

方法三：通过列表创建，且列表内的元素是字典

这种方式将列表内的每个字典当作是DataFrame的一行元素，字典内的每个key相当于是列名。创建示例代码如下：

df_a = pd.DataFrame([
    {'姓名':'jack','性别':'男','年龄':'19'},
    {'姓名':'david','性别':'男','年龄':'56'},
    {'姓名':'khalil','性别':'男','年龄':'41'},
],index=[1,2,3],columns=['性别','年龄','姓名'])

打印df_a结果如下图所示：

可以看到输入列表中的每一个字典均对应最后元素的一行，输出的结果用columns参数调整了顺序。

对columns参数的补充：

不管在columns中输入什么内容，这些内容在最后都将作为DataFrame的列名输出。

• 如果前面的data中包含这些列名对应的列：那么这些列将按照columns的顺序输出。
• 如果前面的data中不含这些列名对应的列：那么该列的所有值将用NaN填充。

方法四：读入文件创建DataFrame

读取不同格式的文件的方法如下：

# 读取CSV文件（需提前准备文件路径）
df_csv = pd.read_csv('data.csv')

# 读取Excel文件（需安装openpyxl库）
df_excel = pd.read_excel('data.xlsx', sheet_name='Sheet1')

# 读取JSON文件
df_json = pd.read_json('data.json')

② DataFrame的属性

DataFrame有下列常用属性：

属性	描述
shape	返回元组 (行数, 列数)，表示 DataFrame 的维度。
size	返回元素总个数（行数 × 列数）。
ndim	返回维度数（固定为 2，因 DataFrame 是二维结构）。
index	返回行索引（Index 对象），可查看或修改行标签。
columns	返回列索引（Index 对象），可查看或修改列名。
values	以 NumPy 二维数组（ndarray）形式返回数据（不含索引和列名）。
dtypes	返回每列的数据类型（Series 对象，索引为列名）。
empty	返回布尔值，判断 DataFrame 是否为空（无数据行或列）。
T	返回转置后的 DataFrame（行和列互换），等同于 df.transpose()。
axes	返回列表 [index, columns]，包含行索引和列索引

以df_a为例，逐个测试DataFrame的属性，测试代码如下：

print("DF的形状:",df_a.shape)
print("DF的维度:",df_a.ndim)
print("DF的元素个数:",df_a.size)
print("DF的行索引:",df_a.index.tolist())
print("DF的列索引:",df_a.columns.tolist())
print("DF的值(返回二维ndarray):\n",df_a.values)
print("DF每一列的元素类型:\n",df_a.dtypes)
print("DF的转置:\n",df_a.T)
print("判断DF是否为空:",df_a.empty)
print("返回DF的行索引、列索引列表:\n",df_a.axes)

代码的输出结果如下:

DF的形状: (3, 3)
DF的维度: 2
DF的元素个数: 9
DF的行索引: [1, 2, 3]
DF的列索引: ['性别', '年龄', '姓名']
DF的值(返回二维ndarray):
 [['男' '19' 'jack']
 ['男' '56' 'david']
 ['男' '41' 'khalil']]
DF每一列的元素类型:
 性别    object
年龄    object
姓名    object
dtype: object
DF的转置:
        1      2       3
性别     男      男       男
年龄    19     56      41
姓名  jack  david  khalil
判断DF是否为空: False
返回DF的行索引、列索引列表:
 [Index([1, 2, 3], dtype='int64'), Index(['性别', '年龄', '姓名'], dtype='object')]

矩阵的转置指的是a[i,j]和a[j,i] (i < j)上的元素互换。一个i行j列的矩阵经过转置后会变成j行i列的矩阵

③ 访问DataFrame数据的方法

访问DataFrame一般需要访问其中的某一列、某一行或某个元素，获取数据的方法如下(以df_a为例):

方法一：直接通过列名访问列数据

如果已知列名，访问代码如下:

print(df_a['姓名'])
print(df_a.姓名)
print(df_a[['姓名','年龄']])

方法一和方法二返回的是列名为“姓名”的Series，只能访问该列数据。方法三返回的是一个DataFrame。将要返回的列的列名加入列表，即可返回需要的列。输出结果如下通过所示：

方法二：使用loc和iloc，at和iat方法

at和iat方法只支持访问单个元素。使用时需要确定要访问元素的行索引和列索引。对于at方法，由于其是显式索引，所以行索引为自定义或默认的索引，列索引为每一列的列名。对于iat方法，由于其是隐式索引，所以行列索引均为要访问元素对应的数组下标。

loc和iloc方法一般用来访问某些行的元素，支持切片。切片方式和Series完全一样。

方法三：随机抽样

使用sample(n)方法可以随机返回某n行元素。如有以下基于df_a的代码：

print(df_a.sample(2))

输入结果如下图所示:

方法四：布尔索引

通过对DataFrame某一列或某些列的判断，来找到符合条件的某几条值。中括号内必须要填和DataFrame列规模一致的布尔数组，或是可以转换为布尔数组的布尔表达式。如要找到df_a中年龄大于40且性别为’‘男’’的人的信息，有以下代码:

print(df_a[(df_a.年龄>'40')&(df.性别=='男')])

输出结果如下图所示:

④ DataFrame的常用方法

虽然 DataFrame 的许多方法（如 sum()、mean() 等）可以作用于列（类似 Series 方法），但也有一些方法是 DataFrame 专属的，主要用于处理二维结构的特性（如多列交互、行列转换、合并等）。以下是 DataFrame 专属的核心方法：

方法	功能描述	示例
merge()	基于共同列或索引合并两个 DataFrame（类似 SQL 的 JOIN 操作）	pd.merge(df1, df2, on='key')（按 key 列内连接）
concat()	沿指定轴（行或列）拼接多个 DataFrame 或 Series	pd.concat([df1, df2], axis=0)（纵向拼接，增加行）
pivot()	将长格式数据转换为宽格式（重塑数据，基于指定列创建行、列和值）	df.pivot(index='date', columns='category', values='value')
pivot_table()	创建透视表（对数据进行分组聚合，支持多重索引）	pd.pivot_table(df, index='A', columns='B', values='C', aggfunc='mean')
melt()	将宽格式数据转换为长格式（pivot 的逆操作）	df.melt(id_vars='id', value_vars=['col1', 'col2'])
transpose() / T	行列转置（行变列，列变行）	df.transpose() 或 df.T
join()	基于索引合并两个 DataFrame（类似 merge，但更简洁，默认按索引连接）	df1.join(df2, lsuffix='_left', rsuffix='_right')
explode()	将包含列表 / 数组的列拆分为多行（每行对应一个元素）	df.explode('list_column')
stack() / unstack()	层级索引转换：stack 将列索引转为行索引（压缩），unstack 反之（展开）	df.stack()（列→行，数据变窄）；df.unstack()（行→列，数据变宽）
get_dummies()	将分类变量转换为哑变量（One-Hot 编码）	pd.get_dummies(df, columns=['category'])
merge_ordered()	类似 merge，但会对结果按键排序（适用于时间序列等有序数据）	pd.merge_ordered(df1, df2, on='date')
compare()	比较两个 DataFrame 的差异，返回不同值的详细信息	df1.compare(df2)（显示两表不同的单元格）

四、DataFrame案例

案例一：学生成绩分析

某班级的学生成绩数据如下：

data = {
    '姓名':['张三','李四','王五','赵六','钱七'],
    '数学':[85,92,78,88,95],
    '英语':[90,88,85,92,80],
    '物理':[75,80,88,85,90]
}

请完成以下任务:

• 计算每位学生的总分和平均分
• 找出数学成绩高于90分且英语成绩高于85分的学生
• 按总分从高到低排序，并输出前三名学生

具体代码如下：

scores = pd.DataFrame(data)
#只需要物理数学英语三列数据
scores_pme = scores[['物理','数学','英语']]
scores['总分'] = scores_pme.sum(axis=1)
scores['平均分'] = scores_pme.mean(axis=1)
print(scores[['姓名','总分','平均分']])
print('符合条件的同学为:\n',scores[(scores.数学>90) & (scores.英语>85)])
print('按总分从高到低排序的前三位:\n',scores.sort_values(by='总分',ascending=False).head(3))

实现结果如下:

方法补充：

一些统计类的方法，如sum()、mean()、median()等默认按照列进行统计，若需要按行进行统计，将axis参数设置成1即可。

案例二：销售数据分析

某公司的销售数据如下:

data = {
    '产品名称':['A','B','C','D'],
    '单价':[100,150,200,120],
    '销量':[50,30,20,40]
}

完成以下任务:

• 计算每种产品的总销售额(销售额 = 单价 * 销量)
• 找出销售额最高的产品
• 按销售额从高到低排序，并输出所有产品信息

具体代码如下:

sells = pd.DataFrame(data)
sells['总销售额'] = sells.单价 * sells.销量
print('总销售额为:\n',sells[['产品名称','总销售额']])
print('销售额最高的产品:\n',sells.nlargest(1,'总销售额'))
print('销售额从高到底排序:\n',sells.sort_values(by='总销售额',ascending=False))

实现结果如下:

方法补充：

• nlargest(n,columns)，返回指定列的最大的n条数据。按照colunms参数中的先后顺序确认优先按照哪一列排序。

• nsmallest(n,columns)，返回指定列的最小的n条数据。按照colunms参数中的先后顺序确认优先按照哪一列排序。