Pandas核心优势

• 处理缺失数据
• 强大的数据对齐功能
• 灵活的数据重塑
• 高效的数据合并
• 时间序列处理

典型应用场景

• 数据清洗与预处理
• 数据探索与分析
• 金融数据分析
• 科学计算
• 机器学习数据准备

示例代码：创建DataFrame

import pandas as pd

# 从字典创建DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'David'],
    'Age': [25, 30, 35, 40],
    'City': ['New York', 'London', 'Paris', 'Tokyo']
}

df = pd.DataFrame(data)
print(df)

示例代码：数据清洗操作

# 处理缺失值
df.fillna(0, inplace=True)  # 用0填充缺失值
df.dropna(inplace=True)     # 删除包含缺失值的行

# 数据类型转换
df['Age'] = df['Age'].astype(int)

# 重命名列
df.rename(columns={'City': 'Location'}, inplace=True)

# 删除列
df.drop(columns=['Unnamed: 0'], inplace=True)

示例代码：分组与聚合

# 按城市分组并计算平均年龄
city_group = df.groupby('City')
avg_age = city_group['Age'].mean()

# 多列分组和多种聚合
result = df.groupby(['City', 'Gender']).agg({
    'Age': ['mean', 'min', 'max'],
    'Salary': 'sum'
})

# 使用transform进行分组转换
df['Age_Group_Avg'] = df.groupby('City')['Age'].transform('mean')

# 合并两个DataFrame
df1 = pd.DataFrame({'key': ['A', 'B', 'C'], 'value': [1, 2, 3]})
df2 = pd.DataFrame({'key': ['B', 'C', 'D'], 'value': [4, 5, 6]})

# 内连接
result = pd.merge(df1, df2, on='key', how='inner')

# 外连接
result = pd.merge(df1, df2, on='key', how='outer')