Python Pandas核心方法速查|英文释义+实战代码,零基础直接抄!

学Python数据分析，Pandas是绕不开的核心库，也是数据处理、职场办公、数据分析岗的必备技能。

但很多新手刚上手就犯难：方法太多记不住，英文术语看不懂，写代码总是卡壳，好不容易敲完还报错...

别担心！今天整理了Pandas高频核心方法，每个都标注英文全称+中文释义+可直接运行代码，零基础也能复制即用，看完就能上手做数据处理，建议直接收藏！

一、基础创建与读取：快速搭建数据表

数据分析第一步，先学会创建/读取数据，这是入门基础中的基础。

1. DataFrame

- 英文：DataFrame
- 中文释义：pandas核心二维数据表，类似Excel的行列结构化数据，是最常用的数据存储格式

python
# 导入pandas库，简写为pd
import pandas as pd

# 构建基础数据表
data = {
"姓名": ["张三", "李四", "王五"],
"年龄": [23, 25, 27],
"薪资": [8000, 10000, 12000]
}
df = pd.DataFrame(data)
# 打印查看数据
print(df)
 

2. read_csv

- 英文：read_csv
- 中文释义：读取本地CSV格式文件，职场处理表格数据高频使用

python
# 括号内填写文件路径，相对路径/绝对路径均可
# df = pd.read_csv("data.csv")
# 查看读取后的数据
# print(df)
 

二、基础查看信息：快速摸清数据概况

拿到数据先看整体情况，不用逐行翻阅，几行代码搞定数据探查。

3. head()

- 英文：head
- 中文释义：查看数据前N行，默认显示前5行，避免数据过多刷屏

python
# 查看前2行
df.head(2)
 

4. tail()

- 英文：tail
- 中文释义：查看数据末尾N行，默认显示后5行

python
# 查看最后1行
df.tail(1)
 

5. info()

- 英文：info
- 中文释义：查看数据完整信息，包含数据类型、缺失值、行列总数

python
df.info()
 

6. describe()

- 英文：describe
- 中文释义：数值列统计描述，自动计算均值、最值、分位数、标准差

python
df.describe()
 

7. shape

- 英文：shape
- 中文释义：返回数据维度，格式为(行数, 列数)

python
print("数据行数、列数：", df.shape)

三、行列筛选：精准提取目标数据

数据筛选是日常操作，学会loc、iloc，再也不用手动找数据。

8. loc[]

- 英文：loc (location)
- 中文释义：标签索引，按行名、列名精准取值

python
# 提取第0行，姓名列的数据
print(df.loc[0, "姓名"])
 

9. iloc[]

- 英文：iloc (integer location)
- 中文释义：数字索引，按行列下标取值，从0开始计数

python
# 提取第0行第1列的数据
print(df.iloc[0, 1])
 

10. filter

- 英文：filter
- 中文释义：按列名/行名筛选指定数据，保留目标字段

python
# 只保留姓名、年龄两列
df_filter = df.filter(items=["姓名", "年龄"])
print(df_filter)

四、缺失值处理：搞定数据脏活累活

原始数据总有缺失值，3个方法快速处理，保证数据规范。

11. isnull()

- 英文：isnull
- 中文释义：判断数据是否为空值，返回布尔矩阵（空值为True）

python
# 查看所有缺失值位置
print(df.isnull())
 

12. fillna()

- 英文：fillna
- 中文释义：填充缺失值，可指定填充数值

python
# 用0填充所有缺失值
df_fill = df.fillna(0)
 

13. dropna()

- 英文：dropna
- 中文释义：删除包含缺失值的行/列，保证数据完整性

python
# 删除有缺失值的行
df_drop = df.dropna()

五、去重与排序：让数据更规整

数据重复、排序混乱？两行代码轻松规整化。

14. drop_duplicates()

- 英文：drop_duplicates
- 中文释义：删除数据中的重复行，保留唯一数据

python
df_unique = df.drop_duplicates()
 

15. sort_values()

- 英文：sort_values
- 中文释义：按指定列数据排序，ascending=False为降序

python
# 按薪资列降序排序
df_sort = df.sort_values(by="薪资", ascending=False)
print(df_sort） 

六、新增/修改列：灵活调整数据结构

需要新增计算列、修改列数据，一个方法搞定。

16. assign

- 英文：assign
- 中文释义：新增数据列，不修改原数据表，避免数据错乱

python
# 新增岗位列
df_new = df.assign(岗位=["运营", "开发", "产品"])
print(df_new)

七、分组聚合：高效做数据统计

分组统计、多维度计算，数据分析核心操作。

17. groupby()

- 英文：groupby
- 中文释义：按指定字段分组，搭配统计函数使用

python
# 按年龄分组，计算各组平均薪资
df_group = df.groupby("年龄")["薪资"].mean()
print(df_group)
 

18. agg()

- 英文：aggregate (agg)
- 中文释义：批量聚合运算，一次性实现求和、均值、最大值等

python
# 对薪资列同时计算求和、均值、最大值
result = df["薪资"].agg(["sum", "mean", "max"])
print(result)

八、合并拼接：多表数据整合

多个表格需要合并关联，替代Excel复杂vlookup函数。

19. concat()

- 英文：concat (concatenate)
- 中文释义：数据表拼接，可上下合并、左右合并

python
df1 = df
df2 = df
# 上下拼接两个表，忽略原索引
df_concat = pd.concat([df1, df2], ignore_index=True)
print(df_concat)
 

20. merge()

- 英文：merge
- 中文释义：关联合并，类似SQL的join，按共同字段匹配数据

python
# 构建关联表
df_city = pd.DataFrame({"姓名":["张三", "李四"], "城市":["北京", "上海"]})
# 按姓名字段合并两个表
df_merge = pd.merge(df, df_city, on="姓名")
print(df_merge)
 

九、常用统计：一键计算核心指标

简单统计需求，直接调用内置函数。

21. sum() / mean() / max() / min()

- 英文：sum / mean / maximum / minimum
- 中文释义：求和、求平均值、求最大值、求最小值

python
# 薪资列求和
print("薪资总和：", df["薪资"].sum())
# 薪资列求均值
print("平均薪资：", df["薪资"].mean())

十、高级映射：自定义数据处理

复杂数据处理，用这两个方法实现个性化需求。

22. apply()

- 英文：apply
- 中文释义：将自定义函数批量作用于行/列，灵活处理数据

python
# 定义判断薪资等级的函数
def salary_level(salary):
if salary >= 10000:
return "高薪"
else:
return "普通"

# 批量应用函数，新增等级列
df["薪资等级"] = df["薪资"].apply(salary_level)
print(df)
 

23. map()

- 英文：map
- 中文释义：单列字典映射、批量替换数值，适合分类数据转换

python
# 定义映射规则
name_map = {"张三": "小张", "李四": "小李", "王五": "小王"}
# 批量替换姓名
df["昵称"] = df["姓名"].map(name_map)
print(df)

一句话总结