pandas 是数据分析时必须用到的一个库，功能非常强大
其有两种数据结构：一维Series 二维表DataFrame（一般读取后的数据都是df）
导入：import pandas as pd
数据读取：pd.read_csv('d:/a.csv',dtype=objec,encoding='utf-8')
pd.read_csv('d:/a.txt',dtype=objec,encoding='utf-8')
pd.read_excel('d:/a.xls',dtype=objec,encoding='utf-8')
dtype：指定数据读取后的类型 encoding:指定编码 jupyter默认为utf-8
数据输出：pd.to_excel(path)
一次写入多张表：利用ExcelWriter()方法
with pd.ExcelWriter(r'd:/test.xlsx',encoding='utf8') as writer: #利用ExcelWriter()创建一个工作薄，并指定路径和名字 r表示后面的输入为长字符串，可以省略报错再加
df1.to_excel(writer,sheet_name='sheet1') #写入刚刚创建的工作薄并给工作表命名有几个表就写入几次
df2.to_excel(writer,sheet_name='sheet2')
数据统计：
pandas 做数据统计的时候有两种聚合方式：
1，groupby()分组
2,pivot_table()透视表
pandas 分析实例：
筛选出需要的字段并赋值给新的df，方法是df[['字段名','字段名']]
注意需要加两个中括号
选取某一列数据：有两种方法 df['字段名'] 或df.字段名
选取符合要求的数据：类似高级筛选
方法是字段加上条件判断：如df.分公司=='渝北' df.时间>='2019-01-01' 如果多重判断可以使用& 或者 or 简化为：| 竖线 但是每个条件要()起来
同一列的多重筛选方法:df.分公司.isin(['....','....'])
模糊筛选方法：如不知道具体名称，只知道名称包含什么 可以说使用str.contains()方法
一个特别实用的技巧：
在筛选条件之前加上“~”会得到相反得结果如：
字符串文本提取：
python提取文本非常方便——利用切片如：
提取日期的年份 ’2019-06-02‘[:4]
提取月份：
如果有不规则的数据需要文本提取，则找到相似的规律执行 比如日期都有 ’-‘，思路是通过find()函数找到其的位置，然后再切片提取。
怎样将整列数据应用文本提取？
就是前面讲过的 apply() 方法
这里定义了一个匿名函数lambda来实现，有关匿名函数请看以前的博客
分类统计：
利用groupby()实现聚类 利用统计函数实现计算
常见的统计函数有：count(),sum(),mean()等
指定统计某一列：
筛选所需数据：如计数大于500
对值进行排序：sort_values(ascending=False) 默认为True升序 False为降序
对行进行筛选：利用df.loc['....']实现 loc 是pandas中对行进行操作
利用透视表pivot_table()进行分类统计：
pd.pivot_table(df,index=' ',columns=' ',values=' ',aggfunc=' ',margins= ,margins_name=' ',fill_value=)
#df:数据源 index：分组字段 columns：列字段 values：计数对象字段 aggfunc：调用函数 margins：添加汇总 margins_name：赋值汇总名称 fill_value：填充空值
筛选方法和上面讲的一样
暂停一下，改天继续。
来源：https://www.cnblogs.com/dataxiong/p/11543627.html