介绍
Python 是数据分析和数据科学中使用最广泛的语言之一。Python 很容易学习，拥有一个由学习者和讲师组成的优秀在线社区，并且拥有一些非常强大的以数据为中心的库。Pandas 是 Python 中用于数据分析和数据科学的最重要的库之一。
在本文中，我们将介绍 Python 中 13 个最重要和基本的 Pandas 函数以及每个数据分析师和数据科学家都必须了解的方法。
1.read_csv()
这是 Python 中最重要的 pandas 方法之一。read_csv() 函数有助于将逗号分隔值 (csv) 文件读取到 Pandas DataFrame 中。您所需要做的就是提及您希望其读取的文件的路径。它还可以读取由逗号以外的分隔符分隔的文件，例如 | 或选项卡。
import pandas as pd
data_1 = pd.read_csv(r'blog_dataset.csv')
数据已从数据源读取到 Pandas DataFrame 中。您必须更改要读取的文件的路径。
to_csv() 函数的工作原理与 read_csv() 完全相反。它有助于将 Pandas DataFrame 或 Series 中包含的数据写入 csv 文件。read_csv() 和 to_csv() 是 Pandas 中最常用的函数之一，因为它们在从数据源读取数据时使用，并且了解它们非常重要。
2.head()
head(n) 用于返回数据集的前 n 行。默认情况下，df.head() 将返回 DataFrame 的前 5 行。如果您想要更多/更少的行数，可以将 n 指定为整数。
data_1.head(6)
输出：
| 姓名 | 年龄 | 城市 | 状态 | 出生日期 | 性别 | 城市温度 | 薪水 |
|---|
| 0 | 阿拉姆 | 29 | 印多尔 | 中央邦 | 1991年11月20日 | 男性 | 35.5 | 50000 |
|---|
| 1 | 罗希特 | 23 | 新德里 | 德里 | 1997年9月19日 | 男性 | 39.0 | 85000 |
|---|
|
2 | 比姆拉 | 35 | 罗赫塔克 | 哈里亚纳邦 | 1985年9月1日 | 女性 | 39.7 | 20000 |
|---|
| 3 | 拉胡尔 | 25 | 加尔各答 | 西孟加拉邦 | 1995年9月19日 | 男性 | 36.5 | 40000 |
|---|
| 4 | 查曼 | 32 | 钦奈 | 泰米尔纳德邦 | 1988年3月12日 | 男性 | 41.1 | 65000 |
|---|
| 5 | 维韦克 | 38 | 古鲁格拉姆 | 哈里亚纳邦 | 1982年6月22日 | 男性 | 38.9 | 35000 |
|---|
前 6 行（索引 0 到 5）按照预期作为输出返回。
tail() 与 head() 类似，返回数据集的最后 n 行。head() 和 tail() 帮助您快速浏览数据集，并检查数据是否已正确读入 DataFrame。
3. describe()
describe() 用于生成 Pandas DataFrame 或 Series 中数据的描述性统计数据。它总结了数据集的集中趋势和离散度。describe() 有助于快速概览数据集。
data_1.describe()
输出：
| 年龄 | 城市温度 | 薪水 |
|---|
| 数数 | 9.000000 | 8.000000 | 9.000000 |
|---|
| 意思是 | 32.000000 | 38.575000 | 44444.444444 |
|---|
| 标准 | 5.894913 | 1.771803 | 21360.659582 |
|---|
| 分钟 | 23.000000 | 35.500000 | 18000.000000 |
|---|
| 25% | 29.000000 | 38.300000 | 35000.000000 |
|---|
| 50% | 32.000000 | 38.950000 | 40000.000000 |
| 75% | 38.000000 | 39.175000 | 52000.000000 |
|---|
| 最大限度 | 39.000000 | 41.100000 | 85000.000000 |
|---|
describe() 列出了数据集中所有数字列的不同描述性统计度量。通过为 include 属性分配值“all”，我们可以获得包含所有列的描述，包括那些包含分类信息的列。
4.memory_usage()
memory_usage() 返回一个 Pandas Series，其中包含 Pandas DataFrame 中每列的内存使用情况（以字节为单位）。通过将 deep 属性指定为 True，我们可以了解每列实际占用的空间。
data_1.memory_usage(deep=True)
输出：
指数80
名称 559
72岁
城市578
州 584
出生603
性别553
城市温度 72
工资 72
数据类型：int64
每列的内存使用情况已作为 Pandas Series 的输出给出。了解 DataFrame 的内存使用情况非常重要，这样您就可以解决 Python 中的 MemoryError 等错误。
5.astype()
astype() 用于将 Python 对象转换为特定数据类型。如果您的数据未以正确的格式（数据类型）存储，它可能是一个非常有用的功能。例如，如果浮点数被 Python 误解为字符串，您可以使用 astype() 将它们转换回浮点数。或者，如果要将对象数据类型转换为类别，可以使用 astype()。
data_1['Gender'] = data_1.Gender.astype('category')
您可以通过使用 dtypes 属性查看数据集中所有列的数据类型来验证数据类型的更改。
6. loc[:]
loc[:] 有助于根据我们的要求访问数据集中的一组行和列，即数据集的一部分。例如，如果我们只想要数据集的最后 2 行和前 3 列，我们可以借助 loc[:] 访问它们。我们还可以根据标签而不是行号和列号来访问行和列。
data_1.loc[0:4, ['Name', 'Age', 'State']]
输出：
| 姓名 | 年龄 | 状态 |
|---|
| 0 | 阿拉姆 | 29 |
中央邦 |
|---|
| 1 | 罗希特 | 23 | 德里 |
|---|
| 2 | 比姆拉 | 35 | 哈里亚纳邦 |
|---|
| 3 | 拉胡尔 | 25 | 西孟加拉邦 |
|---|
| 4 | 查曼 | 32 | 泰米尔纳德邦 |
|---|
上面的代码将返回前 5 条客户记录的“Name”、“Age”和“State”列。请记住，Python 中的索引从 0 开始，并且 loc[:] 包含提到的两个值。因此 0:4 表示索引 0 到 4，两者都包括在内。
loc[:] 是 Pandas 中最强大的函数之一，是所有数据分析师和数据科学家必须了解的。
iloc[:] 的工作方式类似，只是 iloc[:] 不包含这两个值。因此 iloc[0:4] 将返回索引为 0、1、2 和 3 的行，而 loc[0:4] 将返回索引为 0、1、2、3 和 4 的行。
7. to_datetime()
to_datetime() 将 Python 对象转换为日期时间格式。它可以采用整数、浮点数、列表、Pandas Series 或 Pandas DataFrame 作为参数。当数据集具有时间序列值或日期时，to_datetime() 非常强大。
data_1['DOB'] = pd.to_datetime(data_1['DOB'])
DOB 列现已更改为 Pandas 数据时间格式。所有日期时间函数现在都可以应用于此列。
8. value_counts()
value_counts() 返回包含唯一值计数的 Pandas Series。考虑一个数据集，其中包含有关公司 5,000 名客户的客户信息。value_counts() 将帮助我们识别系列中每个唯一值的出现次数。它可以应用于包含州、就业行业或客户年龄等数据的列。
data_1['状态'].value_counts()
输出：
哈里亚纳邦 3
德里 2
西孟加拉邦 1
泰米尔纳德邦 1
比哈尔邦 1
中央邦 1
名称：状态，数据类型：int64
正如预期的那样，数据集中每个状态的出现次数已在输出中返回。value_counts() 还可用于绘制分类数据和序数数据的条形图。
data_1['State'].value_counts(normalize=True).plot(kind='bar', title='State')
9. drop_duplicates()
drop_duplicates() 返回删除了重复行的 Pandas DataFrame。即使在重复项中，也可以选择保留重复项的第一次出现（记录）或最后一次出现。您还可以指定 inplace 和ignore_index 属性。
data_1.drop_duplicates(inplace=True)
inplace=True 确保更改应用于原始数据集。
您可以通过查看原始数据集的形状和修改后的数据集（删除重复项后）来验证更改。您会注意到行数已从 9 行减少到 8 行（因为删除了 1 个重复项）。
10. groupby()
groupby() 用于按 1 列或多列对 Pandas DataFrame 进行分组，并对其执行一些数学运算。groupby() 可以用来以简单的方式汇总数据。
data_1.groupby(by='State').Salary.mean()
输出：
状态
比哈尔邦 18000
德里 68500
哈里亚纳邦 27500
中央邦 50000
泰米尔纳德邦 65000
西孟加拉邦 40000
名称：工资，dtype：int64
上面的代码将按“州”列对数据集进行分组，并将返回各州的平均年龄。
11. merge()
merge() 用于在公共列（字段）上合并 2 个 Pandas DataFrame 对象或一个 DataFrame 和一个 Series 对象。如果你熟悉SQL中JOIN的概念，合并功能与此类似。它返回合并的 DataFrame。
data_1.merge(data_2, on='Name', how='left')
12. sort_values()
sort_values() 用于按升序或降序对 Pandas DataFrame（或 Pandas Series）中的列进行排序。通过将inplace属性指定为True，可以直接在原始DataFrame中进行更改。
data_1.sort_values(by='Name', inplace=True)
输出：
| 姓名 | 年龄 | 城市 | 状态 | 出生日期 | 性别 | 城市温度 | 薪水 |
|---|
| 0 | 阿拉姆 | 29 | 印多尔 | 中央邦 | 1991-11-20 | 男性 | 35.5 | 50000 |
|---|
| 2 | 比姆拉 | 35 | 罗赫塔克 | 哈里亚纳邦 | 1985-09-01 | 女性 | 39.7 | 20000 |
|---|
| 4 | 查曼 | 32 | 钦奈 | 泰米尔纳德邦 | 1988-12-03 | 男性 | 41.1 | 65000 |
|---|
| 6 | 查鲁 | 29 | 新德里 | 德里 | 1992-03-18 | 女性 | 39.0 | 52000 |
|---|
| 7 | 加内什 | 39 | 巴特那 | 比哈尔邦 | 1981-07-12 | 男性 | 南 | 18000 |
|---|
| 3 | 拉胡尔 | 25 | 加尔各答 | 西孟加拉邦 | 1995-09-19 | 男性 | 36.5 | 40000 |
|---|
| 1 | 罗希特 | 23 | 新德里 | 德里 | 1997-09-19 | 男性 | 39.0 | 85000 |
|---|
| 5 | 维韦克 | 38 | 古鲁格拉姆 | 哈里亚纳邦 | 1982年6月22日 | 男性 | 38.9 | 35000 |
|---|
您可以看到记录的顺序现在已更改。记录现在按名称的字母顺序列出。sort_values() 还有许多其他可以指定的属性。
与sort_values()类似的是sort_index()。它用于按索引而不是列值对 DataFrame 进行排序。
13. fillna()
通常，在大型数据集中，您会发现多个被 Python 标记为 NaN 的条目。NaN 代表“不是数字”，表示原始数据源中未填充的条目。在填充 DataFrame 中的值时，Pandas 确保用户可以单独识别这些条目。
fillna() 通过将这些缺失值替换为更合适的值，帮助替换 DataFrame 或 Series 中的所有 NaN 值。
data_1['City temp'].fillna(38.5, inplace=True)
上面的代码将用 38.5 替换所有空白的“City temp”条目。缺失值可以用平均值、中位数、众数或其他值来估算。我们为我们的案例选择了均值。
尾注
在本文中，我们了解了 Pandas 中对数据分析和数据科学非常重要的 13 个最重要的函数和方法。
Python工作流程庞大且复杂。如果您熟练掌握，还有更多的内容需要学习。
值得庆幸的是，您来对地方了！
我们提供由前百度资深大数据工程师主持的自定进度课程”Python零基础到全栈视频课程”，您将通过大量的实践练习来学习Python入门、网络爬虫、数据分析、机器学习等内容。
如果您想了解培训如何进行，可以访问码易编程的官网：https://mayibiancheng.net/
有任何问题可以想咨询蚂蚁老师 ant_learn_python 微信账号。
点击下方“阅读全文”，可以直达课程主页。
