数据读取

我们想要使用 Pandas 来分析数据，那么首先需要读取数据。大多数情况下，数据都来源于外部的数据文件或者数据库。Pandas 提供了一系列的方法来读取外部数据，非常全面。下面，我们以最常用的 CSV 数据文件为例进行介绍。

读取数据 CSV 文件的方法是 pandas.read_csv()，你可以直接传入一个相对路径，或者是网络 URL。

df = pd.read_csv("path/name.csv")
df
df.head()  # 默认显示前 5 条
df.tail(7)  # 指定显示后 7 条
df.describe() #escribe() 相当于对数据集进行概览，会输出该数据集每一列数据的计数、最大值、最小值等。
df.values #Pandas 基于 NumPy 开发，所以任何时候你都可以通过 .values 将 DataFrame 转换为 NumPy 数组。
df.columns  # 查看列名 结果：Index(['Zip Code', 'Total Population', 'Median Age', 'Total Males','Total Females', 'Total Households', 'Average Household Size'],dtype='object')
df.index  # 查看索引 结果：RangeIndex(start=0, stop=319, step=1)
df.shape  # 查看行列大小

由于 CSV 存储时是一个二维的表格，那么 Pandas 会自动将其读取为 DataFrame 类型。

pd.read_ 前缀开始的方法还可以读取各式各样的数据文件，且支持连接数据库。这里，我们不再依次赘述，你可以阅读 官方文档相应章节 熟悉这些方法以及搞清楚这些方法包含的参数。

通过上面的内容，我们已经知道一个 DataFrame 结构大致由 3 部分组成，它们分别是列名称、索引和数据。

df = pd.DataFrame([{'one': 1, 'two': 4},
                   {'one': 2, 'two': 5},
                   {'one': 3, 'two': 6},
                  {'777': 3, '888': 6}])
df

	one	two	777	888
0	1.0	4.0	NaN	NaN
1	2.0	5.0	NaN	NaN
2	3.0	6.0	NaN	NaN
3	NaN	NaN	3.0	6.0

这个是输出结果，我们可以看到，相同的键就会合并，会在一列上面，然后根据索引位置摆放，不同的键就会单独做一列，然后更具索引位置摆放数据，有些地方没有数据，就是NaN，
一定要自己操作体验一下
在数据处理和分析中，NaN 是一个常见的术语，代表 “Not a Number”。它是一个特殊的浮点值，用于表示未定义或不可表示的值。在 Pandas 中，NaN 通常用来表示缺失或空缺的数据。

以下是关于 NaN 的几个要点：

1. 数据缺失的表示：在 Pandas 的 DataFrame 或 Series 中，NaN 用于表示缺失的或未知的数据。
2. 数学运算中的行为：NaN 与任何数字进行数学运算的结果都是 NaN，这是为了避免给出错误的计算结果。
3. 数据清洗：在数据分析过程中，经常需要处理 NaN 值。常用的方法包括删除含有 NaN 的行或列、用特定值填充 NaN（例如平均值、中位数等），或使用插值方法估算 NaN 的值。
4. 检测和过滤：Pandas 提供了函数如 isna() 或 notna() 来检测数据中的 NaN 值，以便进行过滤或其他处理。

数据选择

数据预处理过程中，我们往往会对数据集进行切分，只将需要的某些行、列，或者数据块保留下来，输出到下一个流程中去。这也就是所谓的数据选择，或者数据索引。

由于 Pandas 的数据结构中存在索引、标签，所以我们可以通过多轴索引完成对数据的选择。

基于索引数字选择

当我们新建一个 DataFrame 之后，如果未自己指定行索引或者列对应的标签，那么 Pandas 会默认从 0 开始以数字的形式作为行索引，并以数据集的第一行作为列对应的标签。其实，这里的「列」也有数字索引，默认也是从 0 开始，只是未显示出来。

所以，我们首先可以基于数字索引对数据集进行选择。这里用到的 Pandas 中的 .iloc 方法。该方法可以接受的类型有：

1. 整数。例如：5
2. 整数构成的列表或数组。例如：[1, 2, 3]
3. 布尔数组。
4. 可返回索引值的函数或参数。

下面，我们使用上方的示例数据进行演示。

首先，我们可以选择前 3 行数据。这和 Python 或者 NumPy 里面的切片很相似。

df.iloc[:3] #第一到第三行
df.iloc[5] #第五行
df.iloc[[1, 3, 5]] #单独选择需要的行

选择列是不是很简单几乎和切片一模一样

选择行学会以后，选择列就应该能想到怎么办了。例如，我们要选择第 2-4 列。

df.iloc[:, 1:4] #前面是不是全部的行都要呀，之后就是2-4列的切片

基于标签名称选择

除了根据数字索引选择，还可以直接根据标签对应的名称选择。这里用到的方法和上面的 iloc 很相似，少了个 i 为 df.loc[]

df.loc[] 可以接受的类型有：

1. 单个标签。例如：2 或 'a'，这里的 2 指的是标签而不是索引位置。
2. 列表或数组包含的标签。例如：['A', 'B', 'C']。
3. 切片对象。例如：'A':'E'，注意这里和上面切片的不同之处，首尾都包含在内。
4. 布尔数组。
5. 可返回标签的函数或参数。

df.loc[0:2] #0,1，2行包含首尾

	Zip Code	Total Population	Median Age	Total Males	Total Females	Total Households	Average Household Size
0	91371	1	73.5	0	1	1	1.00
1	90001	57110	26.6	28468	28642	12971	4.40
2	90002	51223	25.5	24876	26347	11731	4.36

再选择 1，3，5 行：

df.loc[[0, 2, 4]]

	Zip Code	Total Population	Median Age	Total Males	Total Females	Total Households	Average Household Size
0	91371	1	73.5	0	1	1	1.00
2	90002	51223	25.5	24876	26347	11731	4.36
4	90004	62180	34.8	31302	30878	22547	2.73

然后，选择 2-4 列，是列，所以需要输入列名：

df.loc[:, 'Total Population':'Total Males']

	Total Population	Median Age	Total Males
0	1	73.5	0
1	57110	26.6	28468
2	51223	25.5	24876
3	66266	26.3	32631
4	62180	34.8	31302
…	…	…	…
314	38158	28.4	18711
315	2138	43.3	1121
316	18910	32.4	9491
317	388	44.5	263
318	7285	30.9	3653

最后，选择 1，3 行和 Median Age 后面的列：

df.loc[[0, 2], 'Median Age':]

	Median Age	Total Males	Total Females	Total Households	Average Household Size
0	73.5	0	1	1	1.00
2	25.5	24876	26347	11731	4.36