做数据分析绕不开Pandas,这句话我说了很多次,也是真心话。无论你是用Python做数据清洗、报表统计,还是给机器学习模型喂特征,Pandas几乎都是第一道关。这个系列写到第48章,我不想再重复那种照着官方文档念的入门课,而是想把日常工作中真正高频的核心操作、容易踩坑的细节、以及每个操作背后的设计逻辑,一次性讲透。
这篇内容适合两类人:一类是刚学完Python基础、想往数据分析方向走的新手,另一类是用Excel处理数据已经到瓶颈、想切换到Python流程的办公族。看完之后,你能独立完成从读取数据、清洗整理、筛选聚合到合并输出的完整链路,也能理解很多教程里没讲透的“为什么”。
1. 准备工作与Pandas安装
1.1 安装Pandas:pip和conda两手准备
网上经常有人问“pycharm怎么安装pandas包”,其实Pandas的安装路径基本就两条:pip或者conda。如果你用的是官方Python环境,直接在终端执行:
bash复制pip install pandas
如果你是Anaconda用户,推荐用conda安装,依赖关系处理得更干净:
bash复制conda install pandas
装完之后一定要验证一下,不然后面所有代码都会卡在import这一步:
bash复制python -c "import pandas as pd; print(pd.__version__)"
这里多说一句,很多新手在PyCharm里装了包却报ModuleNotFoundError,十有八九是解释器选错了。PyCharm右下角或者Settings -> Project -> Python Interpreter里,确认当前项目用的解释器路径,和你pip安装包的解释器是同一个。出现两个Python环境互相打架的情况,我见得太多,每次都是这个原因。
1.2 数据导入:Excel、CSV、各种格式的读取姿势
数据导入是整个分析流程的第一步,Pandas最常见的两个数据来源是CSV和Excel。读CSV用:
python复制import pandas as pd
df = pd.read_csv("sales_data.csv")
读Excel则要稍微注意一点,因为Pandas本身不解析xlsx文件,底层依赖openpyxl引擎。如果直接报错Missing optional dependency 'openpyxl',就先安装:
bash复制pip install openpyxl
然后再用:
python复制df = pd.read_excel("sales_data.xlsx", sheet_name="2024年订单")
这里有个隐藏痛点:很多企业导出的Excel表不是规规矩矩的二维表,第一行可能是标题合并单元格,第三行才是真正的列名。这时需要加参数跳过行:
python复制df = pd.read_excel("sales_data.xlsx", header=2)
还有编码问题,尤其是从Windows导出的CSV文件,默认可能是GBK编码。不指定编码直接读,会出现一堆乱码或者直接报UnicodeDecodeError,处理方式是:
python复制df = pd.read_csv("sales_data.csv", encoding="gbk")
遇到UTF-8和GBK都报错的情况,还可以试试encoding="gb18030",这个编码覆盖的中文字符集更全,容错率更高。读取这一步是后面所有操作的基础,文件读不进来,后面都是空谈。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 快速摸清数据底细
2.1 用head、info、describe三件套预览数据
拿到一份新数据,不要急着做清洗和可视化,先做三件事:看长什么样、看什么类型、看分布情况。
第一件事,看前几行确认数据结构:
python复制df.head()
默认显示前5行,也可以传参数df.head(10)看更多。配合df.tail()看尾部数据,能初步判断数据是按什么顺序排列的。
第二件事,用info()看每一列的数据类型和非空数量:
python复制df.info()
这个输出信息量很大,能看到每列有多少个非空值、数据类型是什么、总共占用多少内存。比如你发现一列“年龄”显示object而不是int64,说明里面有脏数据混进去了,后面清洗方向就有了。
第三件事,用describe()看数值列的统计指标:
python复制df.describe()
它会输出count、mean、std、min、25%、50%、75%、max这些指标,一组数据的分布轮廓就出来了。比如某列最大值是99999,最小值是0,明显不合常理,就可以顺藤摸瓜去找原因。
这套组合拳看起来简单,但我每次拿到新数据都老老实实先跑一遍。很多人上来直接写分析逻辑,结果后面发现列名对不上、类型不对、空值一大堆,返工成本比先花一分钟看数据结构要高得多。
