数据分析师必备的Pandas cheat sheet，效率提升100%

在数据分析和机器学习的领域，Pandas无疑是Python中最核心、最常用的库之一。无论是数据清洗、转换、聚合还是可视化，都离不开它。今天，我将为大家系统性地梳理Pandas的核心知识点，并附上大量代码示例。无论是新手入门还是老手查漏补缺，这篇文章都值得你点赞收藏，方便日后随时翻阅！

一、Pandas两大数据结构：Series和DataFrame

Pandas的基石，必须先理解它们。

1. Series - 带标签的一维数组

核心特点：索引自动对齐，在进行数据计算时非常重要。

2. DataFrame - 二维表格，核心中的核心

可以看作是一个由Series组成的字典。

二、数据读取与导出（I/O操作）

这是所有数据分析的第一步。

三、数据查看与筛选（重中之重！）

1. 查看数据

2. 数据筛选：loc 和 iloc (最容易混淆的点！)

• loc：基于标签进行选择。

• iloc：基于整数位置进行选择。💡 避坑指南：loc的切片是闭区间 [start:end]，而iloc是开区间 [start:end)，和Python列表一样！

  四、数据处理与清洗（实战核心）

  1. 处理缺失值 NaN2. 处理重复值3. 数据类型转换4. 重命名列

  五、数据变形与分组（进阶操作）

  1. 分组聚合 groupby

  这是Pandas最强大的功能之一。

  2. 数据透视表 pivot_table

  像Excel数据透视表一样方便。3. 表的合并 merge / concat

  六、常用函数与技巧（效率神器）

  1. apply 函数：对数据应用自定义函数2. value_counts：快速计数3. sort_values：排序4. str 访问器：处理字符串列

  七、时间序列处理（特色功能）

  Pandas在时间序列分析上非常强大。

  总结

  为了让大家更好地记忆，我将最核心的操作总结为一张图：

  操作类别	核心函数/方法	一句话说明
  数据读取	read_csv, read_excel	从文件加载数据
  数据查看	head, info, describe	快速了解数据概况
  数据筛选	loc[], iloc[], query()	精确选取目标数据
  数据清洗	isnull(), dropna(), fillna()	处理缺失值和异常
  数据变形	groupby, pivot_table, merge	聚合、透视、合并数据
  数据应用	apply, map, value_counts	应用函数和快速统计

  以上就是Pandas在实际工作中最常用、最核心的知识点总结。熟练掌握这些，你就能解决90%以上的数据处理任务。希望这篇干货能对你的学习和工作有所帮助！

  如果觉得有用，请不要吝啬你的【点赞👍】和【收藏⭐】，这对我的是巨大的鼓励！

  有任何问题，欢迎在评论区留言交流~ 我也会分享更多数据分析的实战技巧，记得关注我哦！