可以这么说吧，离了 Pandas，我基本就没法做数据分析了。
Pandas不是熊猫，是Python 数据分析的主力库。它为Python扩展了非常非常易于使用的数据结构和工具。
无论是结构化的表格数据、时间序列和更加复杂的数据结构，Pandas 都能轻松 hold 住。
为何 Pandas 表现如此优秀，先卖个关子。
回忆一下，一个初级的入门分析师，使用 excel 做数据处理，需要哪些步骤？
（先略过需求分析、分析思路组织和分析框架搭建部分。这又是一个单独的课题。以后再详细聊。）
我把具体步骤列在下面了。
上面提及到的所有处理任务，Pandas 都能完美完成。因为这个涉及到完整的数据处理过程，完完整整讲清楚明白，差不多需要一本书的篇幅。
所以，这次 Pandas 的系列文章，我打算分具体的步骤，把每一篇讲清楚、讲透来。
这篇主要做深入学习之前的准备工作和基础概念导入。
小伙伴们，准备好了么？咱们开车。
01
准备工作
搭建 Python 运行环境，安装 Pandas 。
推荐安装Anaconda，配置Jupyter Notebook环境。具体的软件包下载安装和 Jupyter Notebook 指引参照这篇文章。
Python小白的安装指南Anaconda+Jupyter Notebook
Ancaconda 已经提前集成了 Pandas 库和相关的依赖包。完成以后，只需要一步，就可以完成 Pandas 库导入和使用。
import pandas as pd02
Pandas 基础知识-数据结构
Pandas库提供了两种基础的数据格式：DataFrame和Series，它们是进行数据分析时最常用的数据结构。
干讲比较抽象。接下来，我会把图示和代码放在一起看，方便理解。
1 、先说Series
Series是一个一维数组结构，可以包含任何数据类型（整数、字符串、浮点数、Python对象等）。
每个元素都有一个索引标签，这使得Series对象非常适合处理具有明确标签的数据。
划重点，Series 是一个一维数组结构。
Series 的元素可以包含任何数据类型（整数、字符串、浮点数、Python 对象等），并且每个元素都有一个索引标签。
下面做了一个图示（一个学生的各科成绩），方便理解。左边是 index，右边的是 data 。
所以，如果需要找各学科的成绩，就非常方便和简单。只要告诉 index值，就可以快速查找。
创建代码如下：
s = pd.Series([85, 92, 88, 78, 90], index=['Chinese', 'Math', 'English', 'Geography', 'Chemistry'])
print(s)2 、 再看看 DataFrame
DataFrame是一个二维表格型数据结构，类似于Excel中的表格或者SQL数据库中的表。
它是Pandas中使用最频繁的数据结构，可以将其想象为一个Series的字典（每个键是一个列名，每个值是一个Series对象）。
特点如下：
- 可以包含多种数据类型。
- 每个轴都有标签（行标签称为索引，列标签称为列名）。
- 可以进行复杂的数据操作，包括数据筛选、排序、分组、合并等。
同样的，我们用最常见的 excel 数据表来作类比。这张亲切的表，唯一需要特别注意的是 index 。
创建代码如下，小伙伴可以拷贝后黏贴到 JupyterNotebook 运行。
data = {
'学科名称': ['语文', '数学', '英语', '地理', '化学'],
'平均分': [78, 85, 82, 79, 86],
'参与考试人数': [120, 130, 125, 110, 100],
'考试时间': ['2024-06-01', '2024-06-02', '2024-06-03', '2024-06-04', '2024-06-05']
}
df = pd.DataFrame(data)
print(df)03
Series 和 DataFrame 的基础操作
- 打印DataFrame，直接打印DataFrame对象会显示其内容，包括列名和若干行数据（默认显示前5行）。
head() 方法，使用head()方法可以查看DataFrame的前几行，默认是前5行。
tail() 方法，使用tail()方法可以查看DataFrame的最后几行，默认是最后5行。
info() 方法，使用info()方法可以查看DataFrame的概要信息，包括列的数据类型、非空值的数量等。
describe() 方法，使用describe()方法可以查看数值列的统计摘要，包括计数、平均值、标准差、最小值、四分位数和最大值。
shape 属性，查看DataFrame的形状，即行数和列数。
columns 属性，查看DataFrame的列名。
dtypes 属性，查看DataFrame中各列的数据类型。
好的，简单小结一下，今天给大家介绍了 Pandas 用于数据分析的优势以及基础的 Pandas 数据结构。后续，会有其他的专栏文章，对 Pandas的数据清洗、转换、分组、聚合等复杂操作进行专项讲解。
感兴趣的小伙伴，欢迎关注、点赞、评论转发。您的每一份互动，都是我肝下去的动力。
