pandas是一个功能强大的数据分析库，提供了许多常规的操作来处理和分析数据。下面是一些常见的pandas操作：

  1. 数据导入和导出：

    • pd.read_csv()：从CSV文件导入数据。

    • pd.read_excel()：从Excel文件导入数据。

    • df.to_csv()：将数据保存为CSV文件。

    • df.to_excel()：将数据保存为Excel文件。

  2. 数据查看和探索：

    • df.head()：查看数据框的前几行。

    • df.tail()：查看数据框的后几行。

    • df.info()：显示数据框的基本信息。

    • df.describe()：生成数据框的统计摘要。

    • df.shape：获取数据框的行数和列数。

    • df.columns：获取数据框的列名。

  3. 数据选择和筛选：

    • df['column_name']：选择指定列的数据。

    • df[['column1', 'column2']]：选择多列数据。

    • df.loc[row_indexer, column_indexer]：按标签进行数据选择。

    • df.iloc[row_indexer, column_indexer]：按位置进行数据选择。

    • df[df['column'] > value]：根据条件筛选数据。

  4. 数据清洗和处理：

    • df.dropna()：删除包含缺失值的行或列。

    • df.fillna(value)：将缺失值填充为指定值。

    • df.drop_duplicates()：删除重复的行。

    • df.rename(columns={'old_name': 'new_name'})：重命名列。

    • df.groupby('column').aggregate(func)：按列分组并应用聚合函数。

  5. 数据计算和转换：

    • df['new_column'] = df['column1'] + df['column2']：创建新的列。

    • df['column'].apply(func)：应用函数到指定列的每个元素。

    • df['column'].map(mapping)：根据映射关系对列进行元素转换。

    • df.sort_values('column')：按列的值对数据进行排序。

这些只是pandas提供的一些常见操作示例，还有许多其他功能和方法可供使用。pandas具有丰富的API和功能，适用于数据的处理、清洗、转换、聚合、分组、分析和可视化等各个方面。你可以根据实际需求和数据处理任务选择合适的pandas操作。