Pandas提供了強大的數據操作和分析功能，是數據科學的日常基本工具。在本文中，我們將介紹最常用的15個Pandas代碼片段。這些片段將幫助簡化數據分析任務，從數據集中提取有價值的見解。
1、過濾數據
Pandas提供了多種方法來過濾數據。
import pandas as pd
# Create a DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],
'Age': [25, 30, 35, 40]}
df = pd.DataFrame(data)
# Filter rows where Age is greater than 30
filtered_df = df[df['Age'] > 30]
print(filtered_df)2、分組和聚合數據
# Grouping by a column and calculating the mean
grouped = df.groupby('Age').mean()
print(grouped)3、數據缺失值
# Check for missing values
missing_values = df.isnull().sum()
# Fill missing values with a specific value
df['Age'].fillna(0, inplace=True)4、將函數應用於列
apply()函數允許在 DataFrame 的行或列上應用自定義函數，以實現更復雜的數據處理和轉換操作。
df['Age'] = df['Age'].apply(lambda x: x * 2)5、連接DataFrames
這裏的連接主要是行的連接，也就是説將兩個相同列結構的DataFrame進行連接
# Concatenate two DataFrames
df1 = pd.DataFrame({'A': ['A0', 'A1'], 'B': ['B0', 'B1']})
df2 = pd.DataFrame({'A': ['A2', 'A3'], 'B': ['B2', 'B3']})
result = pd.concat([df1, df2], ignore_index=True)
print(result)6、合併DataFrames
這裏的合併指的是列的合併，也就是説根據一個或若干個相同的列，進行合併
# Merge two DataFrames
left = pd.DataFrame({'key': ['A', 'B', 'C'], 'value': [1, 2, 3]})
right = pd.DataFrame({'key': ['B', 'C', 'D'], 'value': [4, 5, 6]})
merged = pd.merge(left, right, on='key', how='inner')
print(merged)7、數據透視表
pivot_table是用於數據透視的重要函數之一。它根據一個或多個列的值對數據進行重新排列和彙總，以便更好地理解數據的結構和關係。
# Creating a pivot table
pivot_table = df.pivot_table(index='Name', columns='Age', values='Value')
print(pivot_table)8、處理時間/日期類型數據
# Converting a column to DateTime
df['Date'] = pd.to_datetime(df['Date'])9、數據重塑
pandas.melt()是用於將寬格式（wide format）的數據表格轉換為長格式（long format）。這個函數通常用於數據重塑（data reshaping）操作，以便更容易進行數據分析和可視化。
pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)參數説明：
frame：要進行重塑操作的數據表格（DataFrame）。id_vars：需要保留的列，它們將成為長格式中的標識變量（identifier variable），不被"融化"。value_vars：需要"融化"的列，它們將被整合成一列，並用新的列名錶示。var_name：用於存儲"融化"後的列名的新列的名稱。value_name：用於存儲"融化"後的值的新列的名稱。col_level：如果輸入數據是多級索引（MultiIndex），則可以指定在哪個級別上應用"融化"操作。
下面是一個示例，演示如何使用
melt()函數將寬格式數據轉換為長格式，假設有以下的寬格式數據表格
df：
ID Name Math English History
0 1 Amy 90 85 88
1 2 Bob 78 92 76
2 3 John 88 79 90我們要將
Math、
English和
History列"融化"為一個長格式數據表格，可以這樣做：
melted_df=pd.melt(df, id_vars=['ID', 'Name'], value_vars=['Math', 'English', 'History'], var_name='Subject', value_name='Score')轉換後的長格式數據表格
melted_df如下所示：
ID Name Subject Score
0 1 Amy Math 90
1 2 Bob Math 78
2 3 John Math 88
3 1 Amy English 85
4 2 Bob English 92
5 3 John English 79
6 1 Amy History 88
7 2 Bob History 76
8 3 John History 90通過這種方式，你可以將寬格式數據表格中的多列數據整合到一個列中，以更容易進行分析、可視化或其他操作。
melt()函數在數據清洗和轉換階段非常有用。
melt()或者可以理解為上面
pivot_table或者
unstack的反操作。
10、分類數據
astype('category')是用於將一列數據類型轉換為分類（Category）類型的方法。將數據列轉換為分類類型有助於節省內存和提高性能，特別是當數據列中包含有限的不同取值時。
# Encoding categorical variables
df['Category'] = df['Category'].astype('category')
df['Category'] = df['Category'].cat.codes11、數據抽樣
# Randomly sample rows from a DataFrame
sampled_df = df.sample(n=2)12、計算累加和
# Calculating cumulative sum
df['Cumulative_Sum'] = df['Values'].cumsum()13、刪除重複的數據
# Removing duplicate rows
df.drop_duplicates(subset=['Column1', 'Column2'], keep='first', inplace=True)14、創建虛擬變量
pandas.get_dummies()是 Pandas 中用於執行獨熱編碼（One-Hot Encoding）的函數。
# Creating dummy variables for categorical data
dummy_df = pd.get_dummies(df, columns=['Category'])15、數據導出
有很多個to方法，可以到導出不同的格式
# Exporting DataFrame to CSV
df.to_csv('output.csv', index=False)總結
以上這15個Pandas代碼片段是我們日常最常用的數據操作和分析操作。熟練的掌握它，並將它們合併到工作流程中，可以提高處理和探索數據集的效率和效果。
https://avoid.overfit.cn/post/d5097a67e5c34a0ab42395d8c22091e1
作者:pythonfundamentals
