10个常用于数据分析的python方法

以下是10个常用于数据分析的Python方法，结合Pandas库实现：

1. 数据读取

从不同文件格式（如CSV、Excel）加载数据是分析的第一步。

import pandas as pddf = pd.read_csv('data.csv') # 读取CSV文件df = pd.read_excel('data.xlsx') # 读取Excel文件2. 汇总统计

快速查看数据的分布和特征（如均值、标准差、分位数等）。

df.describe() # 数值列统计df.describe(include='all') # 包含分类列

3. 数据选择与过滤

按列选择或按条件筛选行。

df[['列1', '列2']] # 选择多列df.loc[df['列1'] > 100] # 筛选满足条件的行4. 数据聚合

按分组计算统计量（如总和、均值）。

df.groupby('分组列').agg({'数值列': 'sum'}) # 分组求和

5. 数据合并（Join）

合并多个数据集（如内连接、左连接）。

pd.merge(df1, df2, on='关键列', how='inner') # 内连接6. 内置函数应用

直接调用数学函数（如求和、均值）。

df['列'].sum() # 列求和df.groupby('分组列').agg({'列': 'mean'}) # 分组均值7. 自定义函数

对数据应用用户定义的逻辑。

def custom_func(x): return x * 2df['新列'] = df['列'].apply(custom_func) # 应用自定义函数8. 数据透视（Pivot）

将行值转为列名，重塑数据结构。

pd.pivot_table(df, columns='分类列', values='数值列') # 创建透视表9. 遍历数据框

逐行处理数据（适用于复杂逻辑）。

for index, row in df.iterrows(): print(row['列名']) # 访问每行数据10. 字符串操作

处理文本列（如大小写转换、长度计算）。

df['新列'] = df['文本列'].str.upper() # 转为大写df['长度'] = df['文本列'].str.len() # 计算字符串长度总结

掌握这些方法可覆盖约70%的数据操作需求。如需深入学习，可参考

CDA课程

。

热门标签