第二篇：Pandas核心基础操作📂文件读写+数据查看+精准筛选

上一篇我们认识了Pandas的核心概念和两大对象，本篇进入实战核心环节，也是日常使用频率最高的操作：数据文件读写、基础信息查看、行列数据筛选。

不管是Excel、CSV还是TXT文件，Pandas都能轻松读取，几行代码就能精准提取目标数据，彻底告别手动翻表格、筛选数据的繁琐，全程代码可直接复制运行，新手看完就能上手处理真实数据✨

📤 最常用：各类数据文件读写（职场必备）

Pandas支持十几种数据格式读写，日常最常用的是CSV和Excel，代码极简，注意路径和编码问题即可，彻底解决文件兼容难题。

1. Excel文件读写（处理.xlsx/.xls）

import pandas as pd# 读取Excel文件，sheet_name指定工作表，默认第一个df = pd.read_excel('test.xlsx', sheet_name='Sheet1')# 读取指定列，避免多余数据df = pd.read_excel('test.xlsx', usecols=['姓名', '数学', '语文'])# 数据处理后，写入Excel文件df.to_excel('处理后成绩表.xlsx', index=False)  # index=False 不保存行索引

pip install openpyxl

2. CSV文件读写（处理.csv，大数据首选）

# 读取CSV文件，encoding指定编码，中文用utf-8或gbkdf = pd.read_csv('学生成绩表.csv', encoding='utf-8')# 写入CSV文件df.to_csv('处理后成绩表.csv', index=False, encoding='utf-8')

💡 读写避坑小技巧

• 中文乱码：编码切换为gbk或gb2312；

• 文件路径：用绝对路径，避免相对路径报错；

• 大数据：优先用CSV，比Excel读取更快。

👀 数据快速查看：读懂数据基本信息

读取数据后，先通过核心函数查看数据结构、内容、缺失值，快速掌握数据概况，不用逐行翻找：

# 查看前5行数据（默认），括号填数字查看指定行数print(df.head(3))# 查看后5行数据print(df.tail(3))# 查看数据基本信息（行列数、数据类型、缺失值、内存占用）print(df.info())# 查看数据统计描述（均值、最值、标准差、分位数）print(df.describe())# 查看行列数print(f"数据形状：{df.shape[0]}行，{df.shape[1]}列")# 查看列名print(df.columns.tolist())

🔍 精准数据筛选：提取目标内容（核心）

Pandas筛选功能远超Excel，支持按列、按行、按条件精准提取，灵活度拉满，日常筛选全靠这几个方法：

1. 按列筛选（提取单列/多列）

# 提取单列，返回Seriesname_col = df['姓名']print("姓名列：", name_col)# 提取多列，返回DataFramescore_df = df[['姓名', '数学', '语文']]print("成绩列：", score_df)

2. 按行筛选（按索引/位置）

# loc：按行索引标签筛选df_loc = df.loc[0:2]  # 筛选前3行print("loc[0:2]:", df_loc)# iloc：按行位置索引筛选df_iloc = df.iloc[0:2]  # 筛选前2行print("iloc[0:2]:", df_iloc)# 筛选指定行+指定列df_select = df.loc[0:2, ['姓名', '数学']]print("loc[0:2, ['姓名', '数学']]:", df_select)

3. 按条件筛选（最常用，批量过滤）

# 单条件筛选：数学成绩大于90分high_math = df[df['数学'] > 90]print("high_math:", high_math)# 多条件筛选：女生且数学大于85分（&且，|或，加括号）condition_df = df[(df['性别'] == '女') & (df['数学'] > 85)]print("condition_df:", condition_df)# 包含指定字符筛选：姓名包含“小”name_contains = df[df['姓名'].str.contains('小', na=False)]print("name_contains:", name_contains)

📌 第二篇小结+下篇预告

本篇我们掌握了Pandas最核心的基础操作：文件读写、数据查看、行列筛选，覆盖日常数据处理70%的基础需求，能轻松处理各类表格数据。第三篇将讲解数据清洗核心技巧：缺失值、重复值、异常值处理，搞定脏数据，让数据更规范，彻底解决数据预处理难题～