【pandas基础】--目录（完结）

pandas 基础内容的目录：

• 概述
  pandas 主要功能和应用场景的介绍。
  

• 数据读取
  数据读取是第一步，只有成功加载数据之后，后续的操作才有可能。
  pandas 可以读取和导入各种数据格式的数据，如 CSV，Excel，JSON，SQL，HTML 等，不需要手动编写复杂的读取代码。
  

• 核心数据结构
  pandas 最大的优势在于处理表格类数据，如果数据维度超过二维，一般我们会使用另一个 python 的库 numpy。
  本篇主要介绍这两种核心数据结构 Series 和 DataFrame 的创建方式。
  

• 数据检索
  pandas 的数据检索功能是其最基础也是最重要的功能之一。
  pandas 中最常用的几种数据过滤方式如下：
  
  
  
  • 行列过滤：选取指定的行或者列
    
  • 条件过滤：对列的数据设置过滤条件
    
  • 函数过滤：通过函数设置更加复杂的过滤条件
    
  
  

• 数据整理
  pandas 进行数据整理的意义在于，它是数据分析、数据科学和机器学习的前置步骤。
  通过数据整理可以提前了解数据的概要，缺失值、重复值等情况，为后续的分析和建模提供更为可靠的数据基础。
  本篇主要介绍利用 pandas 进行数据整理的各种方法。
  

• 数据修改
  pandas 作为一种常用的数据分析工具，提供了广泛的数据修改方法。
  既可以针对行或者列的数据进行修改，也可以对具体单个元素进行修改，还可以基于条件选择要修改的行或者列的数据。
  

• 数据拆分与合并
  数据集拆分是将一个大型的数据集拆分为多个较小的数据集，可以让数据更加清晰易懂，也方便对单个数据集进行分析和处理。
  同时，分开的数据集也可以分别应用不同的数据分析方法进行处理，更加高效和专业。
  数据集合并则是将多个数据集合并成一个大的数据集，可以提供更全面的信息，也可以进行更综合的数据分析。
  同时，数据集合并也可以减少数据处理的复杂度和时效性，提升数据分析的准确性和结果的可靠性。
  

• 数据排序
  pandas 的数据排序可以帮助我们更好地理解和分析数据。
  通过对数据进行排序，我们可以提取出特定的信息，
  例如最大值、最小值、中位数、众数等等，从而更准确地识别数据的特征和特点。
  

• 数据类型
  数据类型是计算机编程中将不同类型的数据值分类和定义的方式。
  通过数据类型，可以确定数据的存储方式和内存占用量，了解不同类型的数据进行各种运算的能力。
  

• 日期处理
  时间序列数据是数据分析中一类常见且重要的数据。
  它们按照时间顺序记录，通常是从某些现象的观察中收集的，比如经济指标、气象数据、股票价格、销售数据等等。
  时间序列数据的特点是有规律地随着时间变化而变化，它们的变化趋势可以被分析和预测。
  时间序列分析是一种用于预测未来值或评估过去值的统计方法，常常被用于预测未来趋势、季节性变化、周期性变化、随机波动等。
  

• 索引和轴
  在 pandas 中，索引（index）是用于访问数据的关键。
  它为数据提供了基于标签的访问能力，类似于字典，可以根据标签查找和访问数据。
  而 pandas 的轴（axis）是指数据表中的一个维度，可以理解为表格中的行和列。
  通过指定轴，我们可以对数据进行切片、筛选、聚合等操作。
  

• 数据统计
  在进行统计分析时，pandas 提供了多种工具来帮助我们理解数据。
  pandas 提供了多个聚合函数，其中包括均值、标准差、最大值、最小值等等。
  此外，pandas 还可以进行基于列的统计分析，例如通过 groupby()函数对数据进行聚合，并计算每组的统计分析结果。
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！