前言

本文整理了 Pandas 最常用的核心操作，涵盖数据选择和数值操作两大模块，所有示例均为可直接复用的实操代码，适合日常数据分析速查，也可作为新手入门 Pandas 的核心笔记。

一、环境准备与数据读取

python

运行

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')  # 关闭警告提示

# 读取Excel数据（示例路径）
df = pd.read_excel('../data/重复值.xlsx')  # 基础数据读取
df = pd.read_excel('./data/数值排序.xlsx')  # 数值操作数据
df = pd.read_excel('./data/长宽表转换.xlsx', sheet_name='Sheet2')  # 多sheet读取

二、数据选择操作（列 / 行 / 条件筛选）

2.1 列选择（按名称 / 位置）

表格

操作类型	语法示例	核心说明
单列（Series）	df['订单编号']	返回 Series 类型，仅获取指定单列
单列（DataFrame）	df[['订单编号']]	双层中括号，返回 DataFrame 类型（保持表格结构）
多列	df[['订单编号','客户姓名']]	传入列名列表，获取指定多列
按位置选指定列	df.iloc[:,[0,3]]	iloc按位置索引，[:,]代表所有行，[0,3]选第 0、3 列
按位置选连续列	df.iloc[:,0:3]	切片（左闭右开），选第 0、1、2 列（不含第 3 列）

2.2 行选择（按标签 / 位置）

表格

操作类型	语法示例	核心说明
行索引重命名	df.rename(index={0:'0a',1:'1b'},inplace=True)	自定义行索引名称，为行选择做准备
单行（按标签）	df.loc[['A1']]	loc按行索引标签选择，返回 DataFrame 单行
多行（按标签）	df.loc[['A1','A3']]	传入标签列表，选择指定多行
单行（按位置）	df.iloc[0]	iloc按位置选第 0 行（返回 Series）
多行（按位置）	df.iloc[[0,1],:]	选第 0、1 行（所有列），axis=0可省略
行 + 列（位置）	df.iloc[0:2,0:2]	切片选 0-1 行 + 0-1 列（左闭右开）

2.3 条件筛选

表格

操作类型	语法示例	核心说明
单一等值筛选	df[df['客户姓名']=='李信']	筛选 “客户姓名” 等于 “李信” 的所有行
多条件筛选	df[(df['唯一识别码']>1002)&(df['客户姓名']=='杨端和')]	多条件用&（且）/`	`（或）连接，每个条件需加括号
条件 + 列选择	df[(条件)][['客户姓名','注册时间']]	先筛选行，再保留指定列
数值范围筛选	df[df['年龄']<40]	筛选年龄小于 40 的所有行

三、数值操作（替换 / 排序 / 删除 / 计算 / 转换）

3.1 数值替换

表格

替换类型	语法示例	核心说明
一对一替换	df['年龄'].replace(240,33,inplace=True)	指定列替换值，inplace=True直接修改原数据
多对一替换	df.replace([245,280],35)	全局替换多个值为同一个值
多替多替换	df.replace({240:30,245:36})	字典形式，键 = 原数值，值 = 替换后数值
缺失值替换	df.replace(np.NaN,1,inplace=True)	将 NaN 填充为指定值（如 1）

3.2 数值排序与排名

（1）排序

表格

排序类型	语法示例	核心说明
基础升序	df.sort_values(by=['销售ID'])	默认升序，按指定列排序
降序排序	df.sort_values(by=['销售ID'],ascending=False)	ascending=False设置降序
缺失值排序	df.sort_values(by=['销售ID'],na_position='first')	na_position='first'让 NaN 排开头（默认末尾）
多列排序	df.sort_values(by=['销售ID','注册时间'],ascending=[True,False])	主关键字升序，次关键字降序

（2）排名

表格

排名规则	语法示例	核心说明
平均值排名	df['销售ID'].rank(method='average')	相同值取排名平均值（如两个 1 排 1.5）
顺序排名	df['销售ID'].rank(method='first')	按值出现顺序排名
最小排名	df['销售ID'].rank(method='min')	相同值取最小排名
最大排名	df['销售ID'].rank(method='max')	相同值取最大排名

3.3 数据删除（行 / 列）

表格

删除类型	语法示例	核心说明
按列名删除	df.drop(['注册时间','销售ID'],axis=1)	axis=1指定列，返回新 DataFrame（需 inplace=True 修改原数据）
按列位置删除	df.drop(df.columns[[2,4]],axis=1)	按列的位置索引删除
简洁删列	df.drop(columns=['销售ID','注册时间'])	更直观的删列写法（推荐）
按行索引删除	df.drop(['0a','3d'],axis=0)	axis=0指定行（可省略），按行索引删除
简洁删行	df.drop(index=['4e','2c'])	更直观的删行写法（推荐）

3.4 数值计算与查找

表格

操作类型	语法示例	核心说明
频次统计	df['销售ID'].value_counts()	统计列中各值出现次数（如销售 ID=2 出现 3 次）
占比统计	df['销售ID'].value_counts(normalize=True)	返回各值占比（如销售 ID=2 占比 0.5）
唯一值获取	df['销售ID'].unique()	返回列去重后的唯一值（如 [1,2,3]）
单列值查找	df['年龄'].isin([31,23])	返回布尔值，标记列中是否包含指定值
全表值查找	df.isin(['A1',23])	全表查找指定值，返回同维度布尔 DataFrame
区间切分（等距）	pd.cut(df['年龄'],bins=[0,3,6,10])	按指定端点切分区间（左开右闭，如 (0,3] 包含 1/2/3）
区间切分（分位）	pd.qcut(df['年龄'],3)	按分位数将数据均分为 3 组

3.5 列插入与行列转换

（1）列插入

表格

插入方式	语法示例	核心说明
指定位置插入	df.insert(2,'商品编号',['cat'+str(i) for i in range(1,7)])	在第 2 列位置插入新列
末尾新增列	df['商品编号2']=['dog'+str(i)for i in range(1,7)]	直接赋值新增列（最简洁）

（2）行列互换与结构转换

表格

转换类型	语法示例	核心说明
行列转置	newdf=df.T	原行→新列，原列→新行
表格转树形	newdf=df.stack()	将列 “压入” 行，生成多层索引 Series
树形转表格	newdf.unstack()	将堆叠的行 “还原” 为列，恢复表格结构
宽表转长表	df.melt(id_vars=['Company','Name'],var_name='year',value_name='sale')	id_vars指定不变列，var_name/value_name定义新列名
长表转宽表	df.pivot_table(index=['Company','Name'],columns='year',values='sale')	pivot_table聚合转换，行多→列多

3.6 批量数值处理（apply/applymap）

表格

函数类型	语法示例	核心说明
单列批量处理	df['C1'].apply(lambda x:x*10)	apply+ 匿名函数，处理单列每个元素
单行批量处理	df.iloc[0].apply(lambda x:x*10)	处理单行每个元素
全表批量处理	df.applymap(lambda x:x*100)	遍历全表每个元素（等价 Python 二重循环，效率更高）

四、核心避坑点

1. loc按标签索引（如订单编号 A1），iloc按位置索引（数字），二者不可混用；
2. 多条件筛选时，必须用&/|（而非and/or），且每个条件需用括号包裹；
3. drop()/sort_values()等方法默认返回新 DataFrame，需加inplace=True才修改原数据；
4. 切片操作（如0:3）均为左闭右开，实际包含起始位置到结束位置前一位；
5. apply()用于单列 / 单行处理，applymap()用于全表处理（Pandas 2.0 + 也可用df.map()）。

总结

本文覆盖 Pandas 日常分析高频操作：

1. 数据选择：列（名称 / 位置）、行（标签 / 位置）、条件筛选的核心语法；
2. 数值操作：替换、排序、排名、删除、计算、行列转换、批量处理的实操方法；
3. 避坑要点：索引混用、条件连接符、方法返回值等新手易出错的细节。

可直接将本文内容发布到 CSDN 个人作品中，作为 Pandas 核心操作速查手册，后续可根据学习进度补充数据清洗、聚合分析等进阶内容。