谈到用Python做数据分析，那就少不了对Pandas库引用！针对繁多的函数；我在这里整理了 Pandas 核心功能，覆盖数据读取、清洗等常用方法。希望可以协助到有需要的小伙伴，快速上手项目。

一、数据创建与输入输出

用来“造数据、读文件、存文件”，是任何项目的第一步。

pd.DataFrame(), pd.Series()
pd.read_csv(), pd.read_excel()
df.to_csv(), df.to_excel()

技巧：

• pd. 一般用于“读入文件”
• df. 一般用于“输出文件”
• CSV 是最通用格式，Excel 适合展示汇报

---

二、数据查看与信息统计

数据读进来，第一步要知道它“长啥样”。

df.head(), df.tail(), df.info(), df.describe()
df.columns, df.index, df.dtypes

技巧：

• df.head() 看前 5 行
• df.info() 看列名、类型、缺失值
• df.describe() 自动统计平均值、标准差、分布范围

---

三、数据选择与索引

想取某几行某几列？这几招最常用！

df.loc[], df.iloc[], df.at[], df.iat[], df.filter()

技巧：

• loc 是按名字取
• iloc 是按位置取
• filter 可以模糊匹配列名

---

四、数据清洗与缺失处理

数据不干净？这里是 Pandas 的杀手级功能！

df.dropna(), df.fillna(), df.replace(), df.drop()
pd.isnull()

技巧：

• dropna() 删除缺失行
• fillna() 用均值/中位数填补空值
• replace() 替换错误值（如 “—” → NaN）

---

五、数据转换与重命名

想要统一格式？批量处理列？直接用这些。

df.astype(), df.apply(), df.rename()

技巧：

• apply() = 批量应用函数
• astype() = 改类型
• rename() = 改列名（配合字典）

---

六、统计与聚合分析

一行就能算平均值、相关性、标准差。

df.sum(), df.mean(), df.std(), df.corr()

技巧：

• corr() = 变量间相关性
• mean() = 常用于 KPI 平均分析

---

七、分组与聚合操作

数据分析的灵魂操作，最像 Excel 透视表。

df.groupby(), df.agg(), df.transform()

技巧：

• groupby('列') → 按列分组
• agg() → 批量统计，如求和、均值、计数

---

八、数据排序与合并

数据太乱？轻松排序、拼接表格！

df.sort_values(), df.sort_index()
df.merge(), df.join(), pd.concat()

技巧：

• merge() 类似 SQL join
• concat() 纵向拼表

---

九、数据透视与变形

想做“长表转宽表”？就像 Excel 透视表。

df.pivot(), df.melt(), df.stack(), df.unstack()

技巧：

• pivot()：行列互转
• melt()：压平结构（长表）

---

十、时间序列与索引管理

Pandas 原生支持时间序列，超级强劲。

pd.to_datetime(), df.resample(), df.shift(), df.rolling()
df.set_index(), df.reset_index(), df.reindex()

技巧：

• to_datetime() 转时间格式
• resample() 做时间分组（如按月统计）
• rolling() 做移动平均

十一、总结：一张表看全 Pandas 核心逻辑

#Python##Pandas##数据分析#