天津网站建设电话/sem分析

在 Pandas 中，DataFrame 提供了丰富的数据操作功能，包括 查询、编辑、分类和汇总。

---

1. 数据查询（Filtering & Querying）

1.1 按索引或列名查询

import pandas as pddata = {"ID": [101, 102, 103, 104, 105],"Name": ["Alice", "Bob", "Charlie", "David", "Eva"],"Age": [25, 30, 35, 40, 28],"Salary": [5000, 7000, 6000, 8000, 7200],"Department": ["HR", "IT", "Finance", "IT", "HR"]
}df = pd.DataFrame(data)# 查询某一列
print(df["Age"])  # 返回 Series
print(df[["Name", "Salary"]])  # 返回 DataFrame# 查询某一行（基于索引）
print(df.loc[2])  # 按标签索引
print(df.iloc[2])  # 按行号索引

1.2 按条件查询

# 查询 Age > 30 的员工
df[df["Age"] > 30]# 查询 IT 部门的员工
df[df["Department"] == "IT"]# 查询 Age 大于 30 且 Salary 大于 7000 的员工
df[(df["Age"] > 30) & (df["Salary"] > 7000)]

1.3 使用 query() 方法

df.query("Age > 30 & Salary > 7000")

---

2. 数据编辑（Updating & Modifying）

2.1 修改某列数据

# 调整所有工资增加 10%
df["Salary"] = df["Salary"] * 1.1

2.2 修改某个单元格

df.at[2, "Salary"] = 6500  # 使用 `at`（基于标签）
df.iat[2, 3] = 6500  # 使用 `iat`（基于整数索引）

2.3 添加新列

df["Bonus"] = df["Salary"] * 0.1

2.4 删除行/列

df.drop(columns=["Bonus"], inplace=True)  # 删除列
df.drop(index=2, inplace=True)  # 删除某行

2.5 重命名列

df.rename(columns={"Salary": "Income"}, inplace=True)

---

3. 数据分类（Categorization）

3.1 按类别转换数据

# 将 'Department' 转换为分类数据类型
df["Department"] = df["Department"].astype("category")

3.2 使用 cut() 进行数值分箱

df["Age Group"] = pd.cut(df["Age"], bins=[20, 30, 40, 50], labels=["Young", "Middle-aged", "Senior"])

3.3 使用 map() 转换数据

df["Department_Code"] = df["Department"].map({"HR": 1, "IT": 2, "Finance": 3})

---

4. 数据汇总（Aggregation & Grouping）

4.1 统计汇总

df.describe()  # 统计数值列的基本信息
df["Salary"].sum()  # 计算总工资
df["Salary"].mean()  # 计算平均工资
df["Salary"].median()  # 计算工资中位数
df["Salary"].std()  # 计算工资标准差

4.2 按类别分组聚合

df.groupby("Department")["Salary"].mean()  # 按部门计算平均工资
df.groupby("Department")["Salary"].agg(["mean", "max", "min"])  # 计算多个统计指标

4.3 透视表（Pivot Table）

df.pivot_table(values="Salary", index="Department", aggfunc="mean")

---

总结

操作	方法
查询	df[df["Age"] > 30]，df.query()
编辑	df["Salary"] = df["Salary"] * 1.1，df.at[]，df.drop()
分类	df["Age Group"] = pd.cut()，df["Department"].astype("category")
汇总	df.groupby("Department").agg()，df.pivot_table()

这些 Pandas 操作可以高效地管理和分析 DataFrame 数据，提高数据处理效率！ 🚀