Python 是开源的，它很棒，但是也无法避免开源的一些固有问题：很多包都在做同样的事情。如果你是 Python 新手，那么你很难知道某个特定任务的最佳包是哪个，你需要有经验的人告诉你。有一个用于数据科学的包绝对是必需的，它就是 pandas。pandas

可以使用中括号取单个索引，或者中括号里一个列表取多个索引。使得两个Series进行相加。可以使用pd.isnull()，pd.notnull()，或s.isnull(),notnull()函数检测缺失数据。DataFrame由按一定顺序排列的多列数据组成。

从源数据转化使用数据透式表的话，最终的样式不方便筛选，存在合并单元格。实际想转化为中间的样式。table = pd.pivot_table(df, values=‘销售额‘, index=[‘地区‘, ‘时间‘],关于 stack 和 unstack 也可

计算的时候总共分3步，1到2是第二组......lower: i. 这组数据中的小值 higher: j. 这组数据中的大值，fraction 是第三步中的小数部分，意思是当前这组数据的0到1的分位数

从网络采集来的数据集往往是杂乱无章的，而使用 Python 处理字符串往往是比较容易的，Pandas 同样提供了一系列向量化字符串操作方法。如果用函数向量化的方法，对上面的 Series 中的字符串进行处理，比如所有单词的首写字母都转化为大写，是可行的，但

多数大佬都是直接pandas官网甩我脸上，然后举一个入门级的例子。这个函数里面需要写入csv文件的路径，如果是把csv文件保存到了python的工程文件夹下，则只需要./文件名即可，然后encoding=‘utf-8‘是使用utf-8方式编码，有时候需要换

Pandas是一个强大的分析结构化数据的工具集；它的使用基础是Numpy；用于数据挖掘和数据分析，同时也提供数据清洗功能。Pandas有三大数据结构，Series、DataFrame以及Panel。仅由一组数据也可产生简单的Series对象。DataFra

Series是一种类似于一维数组的对象,由一组数据以及一组与之对应的索引组成。 index: 索引序列,必须是唯一的,且与数据的长度相同. 如果没有传入索引参数,则默认会自动创建一个从0~N的整数索引

# data[data.日期.str.slice(-5).str.contains(‘2‘)][1:9]. dataframe.loc[dataframe.交易额 < 1500,‘交易额‘] = dataframe[dataframe.交易额 <

# 读取全部数据，使用默认索引。data.loc[data.交易额 < 200,‘交易额‘] = 200. # inplace 表示对源数据也进行修改。0 1001 张三 20190301 9:00-14:00 2000 化妆品。1

dataframe = pd.read_excel(r‘C:\Users\lenovo\Desktop\总结\Python\超市营业额.xlsx‘,count = dataframe.groupby[‘时段‘].count(). dataframe.gro

# 两个数据类型：Series = 索引+一维数据、DataFrame = 行列索引+二维数据。Series类型：一组数据及与之相关的数据索引组成。# pd.Series # index自定义索引。DataFrame类型：表格型的数据类型，由共用相同索引的

Pands模块可以帮助数据分析师轻松地解决数据的预处理问题，如数据类型的转换、缺失值的处理、描述性统计分析、数据的汇总等。Pandas模块的核心操作对象就是序列和数据框。序列可以理解为数据集中的一个字段，数据框是指含有至少两个字段（或序列）的数据集。通过同

从这里找的一个宝贝源码，可以大大缓解内存问题。# 哪些列包含空值，空值用-999填充。# Integer does not support NA, therefore Na needs to be filled. if mmin > np.iinfo

columns_list = [‘id‘, ‘Code‘, ‘Name‘, ‘update_time‘]

直接调用会报错呀。又找到pandas bool方法的源码，如下，

import pandas as pdexcel_reader=pd.ExcelFile # 指定文件。df_data = excel_reader.parse # 读取表单的内容，i是表单名的索引，等价于pd.read_excel. df.to_e

在使用pandas的DataFrame打印时，如果表太长或者太宽会自动只给前后一些行列，但有时候因为一些需要，可能想看到所有的行列。所以只需要加一下的代码就行了。

从上面的结果中， 你会发现 Series 对象将一组数据和一组索引绑定在一起， 我们可以通过 values 属性和index 属性获取数据。values 属性返回的结果与 NumPy 数组类似：。 通过单个 Series 对象创建。由于整数索引很容易造成混

后面四个字段的值，并不对应上面的一条记录，返回的是每个字段的最小值，然后把各字段的最小值组合起来，返回给这个userid