🐼 Pandas：强大的数据分析库

Pandas 是 Python 中用于处理结构化数据（表格数据、时间序列等）的高级工具，它构建于 NumPy 之上。

---

🎯 Pandas 解决了什么问题？

Python 原生的列表、字典虽然可以保存数据，但不方便进行：

• 数据清洗
• 表格处理（如 Excel、CSV）
• 缺失值处理
• 数据聚合、分组分析
• 时间序列分析

Pandas 通过两大核心数据结构解决这些问题：

---

📦 核心数据结构

结构类型	简述
Series	一维带索引的数组，类似字典
DataFrame	二维表格型数据结构，类似 Excel 表格

---

1️⃣ 创建 Series

导入 pandas 作为 pd
成绩 = pd.Series([90, 85, 78], 索引=["张三", "李四", "王五"])
打印(成绩)

---

2️⃣ 创建 DataFrame

数据 = {
  "姓名": ["张三", "李四", "王五"],
  "成绩": [90, 85, 78]
}
表格 = pd.DataFrame(数据)
打印(表格)

---

3️⃣ 读取与保存数据

df = pd.read_csv("data.csv")
df.to_excel("结果.xlsx")

---

4️⃣ 访问与切片

打印(df["成绩"])
打印(df.loc[0])   # 按标签
打印(df.iloc[1])  # 按位置

---

5️⃣ 描述性统计与清洗

打印(df.describe())  # 汇总统计
df.dropna()        # 删除空值
df.fillna(0)       # 填充空值

---

6️⃣ 排序与筛选

# 根据成绩排序
df.sort_values("成绩", 升序=False)

# 筛选成绩大于80的行
df[df["成绩"] > 80]

---

7️⃣ 分组与聚合

df.groupby("班级")["成绩"].平均()

---

8️⃣ 处理时间序列

df["时间"] = pd.to_datetime(df["时间"])
df.set_index("时间").按月分组().求和()

---

🔚 总结：Pandas 优势

功能模块	用途
读取/写入	CSV、Excel、SQL
清洗数据	缺失值处理、重复值
分组聚合	groupby()
时间序列	resample()、滚动窗口
数据合并	merge()、concat()

---