做网站需要多少屏品牌营销是什么
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！ 🚀