1、安装导入

首先安装pandas库。打开“终端”并执行以下命令：

pip install pandas matplotlib openpyxl
如网络慢，可指定国内源快速下载安装
pip install pandas matplotlib openpyxl -i https://pypi.tuna.tsinghua.edu.cn/simple
安装完成后，在终端中启动Jupyter Notebook，给文件命名，如pandas-01。在Jupyter Notebook中导入Pandas，按惯例起别名pd：

引入 Pandas库，按惯例起别名pd
import pandas as pd
这样就可以使用pd调用Pandas的所有功能了。

2、准备数据集

数据集（Data set或dataset），又称为资料集、数据集合或资料集合，是一种由数据组成的集合，可以简单理解成一个Excel表格。在分析处理数据时，要先了解数据集。对所持有数据各字段业务意义的理解是分析数据的前提。

介绍下后面会经常用的数据集team.xlsx，可以从网址 https://www.gairuo.com/file/data/dataset/team.xlsx下载。它的内容见表1。

📎team.xlsx

这是一个学生各季度成绩总表（节选），各列说明如下。

name：学生的姓名，这列没有重复值，一个学生一行，即一条数据，共100条。
team：所在的团队、班级，这个数据会重复。
Q1～Q4：各个季度的成绩，可能会有重复值。

3、读取数据

了解了数据集的意义后，将数据读取到Pandas里，变量名用df（DataFrame的缩写，后续会介绍），它是Pandas二维数据的基础结构。

import pandas as pd # 引入Pandas库，按惯例起别名pd
以下两种效果一样，如果是网址，它会自动将数据下载到内存
df = pd.read_excel('https://www.gairuo.com/file/data/dataset/team.xlsx')
df = pd.read_excel('team.xlsx') # 文件在notebook文件同一目录下
如果是CSV，使用pd.read_csv()，还支持很多类型的数据读取
这样就把数据读取到变量df中，输入df看一下内容，在Jupyter Notebook中的执行效果如图2所示。
其中：

自动增加了第一列，是Pandas为数据增加的索引，从0开始，程序不知道真正的业务索引，往往需要后面重新指定，使它有一定的业务意义；
由于数据量大，自动隐藏了中间部分，只显示前后5条；
底部显示了行数和列数。

4、查看数据

读取完数据后来查看一下数据：

df.head() # 查看前5条，括号里可以写明你想看的条数
df.tail() # 查看尾部5条
df.sample(5) # 随机查看5条

查看前5条时的结果如图3所示。

5、验证数据

拿到数据，还需要验证一下数据是否加载正确，数据大小是否正常。下面是一些常用的代码，可以执行看看效果（一次执行一行）：

df.shape # (100, 6) 查看行数和列数
df.info() # 查看索引、数据类型和内存信息
df.describe() # 查看数值型列的汇总统计
df.dtypes # 查看各字段类型
df.axes # 显示数据行和列名
df.columns # 列名
df.info()显示有数据类型、索引情况、行列数、各字段数据类型、内存占用等：

df.describe()会计算出各数字字段的总数（count）、平均数（mean）、标准差（std）、最小值（min）、四分位数和最大值（max）：

        Q1        Q2        Q3        Q4
count        100.000000        100.000000        100.000000        100.000000
mean        49.200000        52.550000        52.670000        52.780000
std        29.962603        29.845181        26.543677        27.818524
min        1.000000        1.000000        1.000000        2.000000
25%        19.500000        26.750000        29.500000        29.500000
50%        51.500000        49.500000        55.000000        53.000000
75%        74.250000        77.750000        76.250000        75.250000
max        98.000000        99.000000        99.000000        99.000000

6、建立索引

以上数据真正业务意义上的索引是name列，所以需要使它成为索引：

df.set_index('name', inplace=True) # 建立索引并生效

其中可选参数inplace=True会将指定好索引的数据再赋值给df使索引生效，否则索引不会生效。注意，这里并没有修改原Excel，从读取数据后就已经和它没有关系了，处理的是内存中的df变量。

将name建立索引后，就没有从0开始的数字索引了，如图4所示。

7、数据选取

接下来，像Excel那样，对数据做一些筛选操作。

（1）选择列

选择列的方法如下：

查看指定列
df['Q1']
df.Q1 # 同上，如果列名符合Python变量名要求，可使用
显示如下内容：

这里返回的是一个Series类型数据，可以理解为数列，它也是带索引的。之前建立的索引在这里发挥出了作用，否则索引是一个数字，无法知道与之对应的是谁的数据。

选择多列的可以用以下方法：

选择多列
df[['team', 'Q1']] # 只看这两列，注意括号
df.loc[:, ['team', 'Q1']] # 和上一行效果一样
df.loc[x, y]是一个非常强大的数据选择函数，其中x代表行，y代表列，行和列都支持条件表达式，也支持类似列表那样的切片（如果要用自然索引，需要用df.iloc[]）。下面的例子中会进行演示。

（2）选择行

选择行的方法如下：

用指定索引选取
df[df.index == 'Liver'] # 指定姓名
用自然索引选择，类似列表的切片
df[0:3] # 取前三行
df[0:10:2] # 在前10个中每两个取一个
df.iloc[:10,:] # 前10个

（3）指定行和列

同时给定行和列的显示范围：

df.loc['Ben', 'Q1':'Q4'] # 只看Ben的四个季度成绩
df.loc['Eorge':'Alexander', 'team':'Q4'] # 指定行区间

（4）条件选择

按一定的条件显示数据：

单一条件
df[df.Q1 > 90] # Q1列大于90的
df[df.team == 'C'] # team列为'C'的
df[df.index == 'Oscar'] # 指定索引即原数据中的name
组合条件
df[(df['Q1'] > 90) & (df['team'] == 'C')] # and关系
df[df['team'] == 'C'].loc[df.Q1>90] # 多重筛选

8、排序

Pandas的排序非常方便，示例如下：

df.sort_values(by='Q1') # 按Q1列数据升序排列
df.sort_values(by='Q1', ascending=False) # 降序
df.sort_values(['team', 'Q1'], ascending=[True, False]) # team升序，Q1降序

9、分组聚合

可以实现类似SQL的groupby那样的数据透视功能：

df.groupby('team').sum() # 按团队分组对应列相加
df.groupby('team').mean() # 按团队分组对应列求平均
不同列不同的计算方法
df.groupby('team').agg({'Q1': sum,  # 总和
                        'Q2': 'count', # 总数
                        'Q3':'mean', # 平均
                        'Q4': max}) # 最大值

统一聚合执行后的效果如图5所示。

不同计算方法聚合执行后的效果如图6所示。

10、数据转换

对数据表进行转置，对类似图6中的数据以A-Q1、E-Q4两点连成的折线为轴对数据进行翻转，效果如图7所示，不过这里仅用sum聚合。

df.groupby('team').sum().T

也可以试试以下代码，看有什么效果：

df.groupby('team').sum().stack()
df.groupby('team').sum().unstack()

11、增加列

用Pandas增加一列非常方便，就与新定义一个字典的键值一样。

df['one'] = 1 # 增加一个固定值的列
df['total'] = df.Q1 + df.Q2 + df.Q3 + df.Q4 # 增加总成绩列
将计算得来的结果赋值给新列
df['total'] = df.loc[:,'Q1':'Q4'].apply(lambda x:sum(x), axis=1)
df['total'] = df.sum(axis=1) # 可以把所有为数字的列相加
df['avg'] = df.total/4 # 增加平均成绩列

12、统计分析

根据数据分析目标，试着使用以下函数，看看能得到什么结论。

df.mean() # 返回所有列的均值
df.mean(1) # 返回所有行的均值，下同
df.corr() # 返回列与列之间的相关系数
df.count() # 返回每一列中的非空值的个数
df.max() # 返回每一列的最大值
df.min() # 返回每一列的最小值
df.median() # 返回每一列的中位数
df.std() # 返回每一列的标准差
df.var() # 方差
s.mode() # 众数

13、绘图

Pandas利用plot()调用Matplotlib快速绘制出数据可视化图形。注意，第一次使用plot()时可能需要执行两次才能显示图形。如图8所示，可以使用plot()快速绘制折线图。

df['Q1'].plot() # Q1成绩的折线分布

如图9所示，可以先选择要展示的数据，再绘图。

df.loc['Ben','Q1':'Q4'].plot() # ben四个季度的成绩变化

如图10所示，可以使用plot.bar绘制柱状图。

df.loc[ 'Ben','Q1':'Q4'].plot.bar() # 柱状图
df.loc[ 'Ben','Q1':'Q4'].plot.barh() # 横向柱状图

如果想绘制横向柱状图，可以将bar更换为barh，如图11所示。

对数据聚合计算后，可以绘制成多条折线图，如图12所示。

各Team四个季度总成绩趋势
df.groupby('team').sum().T.plot()
也可以用pie绘制饼图，如图13所示。

各组人数对比
df.groupby('team').count().Q1.plot.pie()

14、导出

可以非常轻松地导出Excel和CSV文件。

df.to_excel('team-done.xlsx') # 导出 Excel文件
df.to_csv('team-done.csv') # 导出 CSV文件
导出的文件位于notebook文件的同一目录下。