基本使用
pandas是一个用于数据处理和分析的python库，提供了许多数据结构，其中最常用的是DataFrame和Series。
创建 DataFrame：可以使用字典或二维数组来创建
For example:
import pandas as pd
data = {'A': [1, 2, 3], 'B': [4, 5, 6]}
df = pd.DataFrame(data)
读取和写入文件：
pandas 支持多种文件格式，如 CSV、Excel 和 SQL 数据库
可以使用 read_csv、read_excel 等方法来读取文件，使用 to_csv、to_excel 等方法来写入文件
import pandas as pd
df = pd.read_csv('data.csv')
df.to_csv('output.csv')
数据选择和过滤：
可以使用 loc 和 iloc 方法来选择和过滤数据。loc 方法通过行、列的名称或标签来索引，而 iloc 方法则通过行、列的索引位置来寻找数据
import pandas as pd
df = pd.read_csv('data.csv')
data1 = df.loc[0, 'A']
data2 = df.iloc[0, 0]
数据处理：
pandas 提供了许多方法来处理数据，如排序、分组和聚合。您可以使用 sort_values、groupby 和 agg 等方法来处理数据
df = pd.read_csv('data.csv')
df = df.sort_values(by='A')
grouped = df.groupby('A')
result = grouped.agg('sum')
read_excel常用参数
- io：文件路径或类似文件的对象。[一般直接写就文件名或路径即可]
- sheet_name：要读取的表格名称或索引，默认为 0，表示读取第一个表格。
- header：指定行数用来作为列名，数据开始行数。如果文件中没有列标题，则应该设置为 None。
- names：指定列名，如果文件中不包含列标题行，应该设置。
- index_col：指定某列作为行索引。
- usecols：返回一个数据子集，该列表中的值必须与文件中的列名相匹配或者是位置索引。
- skiprows：跳过指定行数的数据。
- nrows：读取指定行数的数据。
- na_values：指定哪些值应该被视为缺失值。
to_excel常用参数
- excel_writer：文件路径或类似文件的对象。
- sheet_name：要写入的表格名称，默认为 'Sheet1'。
- na_rep：缺失值的表示方式，默认为 ''。
- float_format：浮点数的格式字符串，例如 '{:.2f}'。
- columns：要写入的列，如果未指定，则写入所有列。
- header：是否写入列名，默认为 True。
- index：是否写入行索引，默认为 True。
- index_label：行索引的列名，如果未指定，则不写入行索引列名。
- startrow：起始行位置，默认为 0。startcol：起始列位置，默认为 0。
loc方法
loc 是 pandas 库中 DataFrame 对象的一个属性，它提供了一种基于标签的索引方法。可以使用 loc 来通过行标签和列标签来选择数据。
基本用法
df.loc[row_label, column_label]
df 是一个 DataFrame 对象，row_label 是行标签，column_label 是列标签。可以使用逗号分隔的两个参数来指定要选择的行和列。
选择第一行第一列的数据
import pandas as pd
data = {'A': [1, 2, 3], 'B': [4, 5, 6]}
df = pd.DataFrame(data, index=['x', 'y', 'z'])
result = df.loc['x', 'A'] # result是1
选择多行或多列数据 【前两行数据】
data = {'A': [1, 2, 3], 'B': [4, 5, 6]}
df = pd.DataFrame(data, index=['x', 'y', 'z'])
result = df.loc[['x', 'y']]
多行和指定列数据 【前两行和两列】
data = {'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}
df = pd.DataFrame(data, index=['x', 'y', 'z'])
result = df.loc['x':'y', 'A':'B']