Pandas 是一个强大的 Python 数据分析库，而 DataFrame 是 Pandas 中最重要的数据结构之一。DataFrame 就像电子表格或 SQL 表格，它允许你以一种便捷的方式对数据进行操作、查询和分析。

创建 DataFrame

• 从字典创建：

import pandas as pd  
data = {  
    'Name': ['Alice', 'Bob', 'Charlie'],  
    'Age': [25, 32, 37],  
    'City': ['New York', 'Los Angeles', 'Chicago']  
}  
df = pd.DataFrame(data)  

• 从 CSV 文件读取：

df = pd.read_csv('data.csv')  

• 从 Excel 文件读取：

df = pd.read_excel('data.xlsx')  

查看数据

• 查看前几行：

print(df.head())  # 默认查看前5行  
print(df.head(10))  # 查看前10行  

• 查看数据类型：

print(df.dtypes)  

• 查看基本统计信息：

print(df.describe())  

选择和过滤数据

• 选择列：

ages = df['Age']  
print(ages)  

• 选择多列：

subset = df[['Name', 'City']]  
print(subset)  

• 选择行（按索引）：

first_row = df.iloc[0]  # 按位置选择  
specific_rows = df.iloc[1:3]  # 选择一段范围  

• 选择行（按条件）：

adults = df[df['Age'] > 30]  
print(adults)  

数据操作

• 添加新列：

df['Salary'] = [70000, 80000, 120000]  

• 删除列：

df = df.drop('Salary', axis=1)  # axis=1 表示列  

• 修改数据：

df.loc[0, 'Name'] = 'Alicia'  

• 缺失值处理：

df = df.dropna()  # 删除包含 NaN 的行  
df = df.fillna(value=0)  # 用指定值填充 NaN  

分组和聚合

• 按列分组：

grouped = df.groupby('City')  
print(grouped['Age'].mean())  # 计算每个城市的平均年龄  

• 聚合操作：

result = df.groupby('City').agg({'Age': 'mean', 'Salary': 'sum'})  
print(result)  

数据排序

• 按列排序：

df = df.sort_values(by='Age')  # 升序  
df = df.sort_values(by='Age', ascending=False)  # 降序  

保存和导出

• 保存到 CSV 文件：

df.to_csv('new_data.csv', index=False)  

• 保存到 Excel 文件：

df.to_excel('new_data.xlsx', index=False)  

这些操作展示了 Pandas DataFrame 的基础用法。在实际的分析中，Pandas 还支持更复杂的操作和与其他数据源的整合。探索 Pandas 的文档（Pandas Documentation）可以帮助你发掘更多的功能。