你是不是也被 Excel 表格折磨得头大你是不是也想快速分析数据却不知道从哪开始别担心今天我给你推荐Python 数据分析神器——Pandas让你用代码玩转数据轻松做出报表、统计和可视化。无论你是数据小白还是想升级办公技能的高手这篇文章绝对让你收益满满Pandas是什么为什么人人都在用它Pandas 是 Python 世界里处理表格数据的瑞士军刀。它可以帮你轻松读取 CSV、Excel、SQL 数据快速清洗脏数据缺失值、重复值…高效筛选、排序、统计数据与 Matplotlib、Seaborn 搭配做可视化简单来说有了 Pandas你就是数据分析高手。安装命令pip install pandas导入方式import pandas as pd1️ 核心数据结构Series 和 DataFrameSeries一维数据的超能容器import pandas as pd s pd.Series([10, 20, 30], index[a,b,c]) print(s)输出a 10 b 20 c 30小技巧Series 就像带索引的列表每个元素都有名字查数据更方便。DataFrame二维表格Excel搬到Python里data { Name: [Alice,Bob,Charlie], Age: [25,30,35], City: [Beijing,Shanghai,Guangzhou] } df pd.DataFrame(data) print(df)输出Name Age City 0 Alice 25 Beijing 1 Bob 30 Shanghai 2 Charlie 35 Guangzhou小技巧DataFrame 就是表格每列可以不同类型行列都能灵活索引。2️ Pandas 基础操作5分钟上手查看数据df.head() # 前5行 df.tail(3) # 后3行 df.info() # 数据类型和缺失值 df.describe() # 数值统计选取数据df[Name] # 一列 df[[Name,Age]] # 多列 df.loc[0] # 一行 df.loc[0,Name] # 单元格 df.iloc[0,1] # 数字索引条件筛选df[df[Age]30] # 年龄大于30 df[(df[Age]25) (df[City]Shanghai)]3️ 数据清洗拒绝脏数据处理缺失值df.isnull() # 查缺失 df.dropna() # 删除缺失行 df.fillna(0) # 填充删除重复值df.drop_duplicates()数据干净分析才能准确这是数据分析的第一步。4️ 数据统计和分析3行代码搞定df[Age].mean() # 平均年龄 df[Age].max() # 最大年龄 df[City].value_counts() # 城市出现次数分组操作df.groupby(City)[Age].mean()想按城市计算平均年龄Pandas 一行搞定5️ 高级操作Pandas让你更强大合并数据df1 pd.DataFrame({ID:[1,2],Name:[Alice,Bob]}) df2 pd.DataFrame({ID:[1,2],Score:[90,80]}) df_merged pd.merge(df1, df2, onID)透视表pd.pivot_table(df, indexCity, valuesAge, aggfuncmean)应用函数df[Age_plus_5] df[Age].apply(lambda x:x5)总结掌握 Pandas你就能快速读取和整理数据高效分析数据趋势做出漂亮的报表和图表数据分析不再是难题Python Pandas让你3分钟搞定Excel都做不到的事