Python 数据分析必备神器！带你轻松掌握 Pandas，从零到大师！
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 DataFrame
Series：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, on='ID')透视表
pd.pivot_table(df, index='City', values='Age', aggfunc='mean')应用函数
df['Age_plus_5'] = df['Age'].apply(lambda x:x+5)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！