摘要：而且同一个数据处理场景同时有好几个方法可实现，比如拼接函数merge和join。

听到一些人说，Pandas语法太乱、太杂了，根本记不住。

确实，Pandas方法函数众多，光读取数据read方式就有十几种。

而且同一个数据处理场景同时有好几个方法可实现，比如拼接函数merge和join。

导致Pandas使用起来有杂乱无章的感觉，特别是对于初学者，这种体会尤为强烈。

但是，Pandas真的“乱”吗？

先来讲讲Pandas”乱“的原因，再详细说说怎么有效学Pandas。

Pandas语法复杂不是设计层面有问题，主要是因为它要做的事太多了。

你可以把Pandas看作代码界的Excel，都是处理行列数据的工具。

Excel的按钮和组件不计其数，比如导入、格式、转化、插入、透视等。

Pandas其实也需要处理同样多的事情，Excel的每一个按钮都对应Pandas的一个函数或方法，所以复杂度可见一斑。

其次Pandas还要兼顾面向对象和函数式两种编程风格。

比如df.join是面向对象风格，而pd.merge则是函数式风格。

虽然功能接近，但必须要这样设计。

因为面向对象是Python语言的核心理念，而函数式风格又能简化pandas处理数据的流程。

所以导致Pandas的API就格外的多了。

说了Pandas之所以”乱“的原因，想必你能理解这其中的不得已了。

想用好Pandas，其实也没那么难，你只需要掌握它的核心架构就可以，知道了全貌就能有的放矢、手到擒来。

Pandas有两种数据结构，DataFrame和Series。

DataFrame是二维数组，Series是一维数组，DataFame类似于Excel表格，有行和列，这是用的最多的数据形式。

随之而来的是这两种数据结构有各种各样的方法和属性，用来处理数据，比如df.apply、df.join等。

在这两种数据结构的方法之外，Pandas又有顶级函数，方便直接处理数据，一般都是pd.xx形式调用，比如pd.merge、pd.concat 。

接下来是Pandas中主要的几种操作方法，这里可以参考Pandas官方的cheetsheet导图来看，非常的详细且清晰。

高清PDF版本：夸克网盘分享

首先是数据IO类操作，用来数据加载和导出，多数是Excel和CSV数据。

一般使用pd.read_excel和pd.read_csv，其实不难。

其次是创建DataFrame操作，这是最常遇到的场景之一，使用pd.DataFrame方法。

数据的变形处理是高频操作，比如拼接、透视、行列转化、排序等，对应pd.concat、df.pivot、pd.melt、df.ort_values

等方法。

分组操作也是经常会遇到的数据处理任务，熟悉Excel透视的都会知道，在Pandas里通过df.groupby方法实现。

不同表的关联，类似SQL中Join，在Pandas中主要使用pd.merge实现。

数据表的子集操作，比如取样、索引、去重、最值、前N行等。

缺失值处理也是数据清洗高频操作，一般会用df.dropna、df.fillna

。

Pandas也支持可视化图表的绘制，使用df.plot.xx

方法。

Pandas中的运算逻辑和正则表达式很重要。

数据的滑动窗口计算，使用df.rolling。

Pandas支持方法链的操作，一次性清洗数据。

还有很多方法这里不一一介绍了，大家可以多看看Pandas的官方文档，非常详细。

来源：朱卫军AI