【pandas基础】--目录(完结)

pandas 基础内容的目录:

  1. 概述
    pandas 主要功能和应用场景的介绍。

  1. 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。

  1. 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 SeriesDataFrame 的创建方式。

  1. 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:

    1. 行列过滤:选取指定的行或者列
    2. 条件过滤:对列的数据设置过滤条件
    3. 函数过滤:通过函数设置更加复杂的过滤条件

  1. 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。


  1. 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。

  1. 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。


  1. 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。

  1. 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。

  1. 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。


  1. 索引和轴
    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。

    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。


  1. 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。

热门相关:流鱼无恙         法医王妃不好当!   朕是红颜祸水