本文默认读者具备以下技能：
- 熟悉python基础知识，vscode或其它编辑工具
- 熟悉表格文件的基本操作
- 具备自主扩展学习能力
前文中对Pandas的数据结构以及基础操作做了介绍,本文中会在前文的基础上,对常见的操作进行拓展,并举例说明。
一、数据读取与查看
Pandas提供了多种方法读取不同格式的数据文件，例如CSV、Excel等。读取数据后，可以通过简单的函数查看数据的整体情况。
import pandas as pd # 读取CSV文件 df = pd.read_csv('data.csv') # 查看数据的前5行 print(df.head()) # 查看数据的基本信息，包括列名、数据类型、非空值数量等 print(df.info())扩展信息：read_csv函数支持多种参数，如header指定列名所在的行，delimiter指定分隔符等。head函数默认显示前5行，但可以通过传递参数来指定显示的行数。
二、数据筛选
Pandas提供了灵活的条件筛选功能，可以根据条件过滤出满足特定条件的数据行。
# 筛选年龄大于30的数据行 filtered_df = df[df['age'] > 30] # 使用逻辑运算符进行复合条件筛选 filtered_df_complex = df[(df['age'] > 30) & (df['gender'] == 'male')] print(filtered_df_complex)
扩展信息：除了使用列名和比较运算符进行筛选，Pandas还支持使用isin函数进行多值筛选，以及使用query函数进行更复杂的查询。
三、数据排序
Pandas允许我们根据一列或多列对数据进行排序。
# 根据年龄列进行升序排序 sorted_df = df.sort_values(by='age', ascending=True) # 根据多列进行排序，先按年龄升序，再按姓名降序 sorted_df_multi = df.sort_values(by=['age', 'name'], ascending=[True, False]) print(sorted_df_multi)
扩展信息：sort_values函数支持ascending参数指定排序方式（升序或降序），默认为升序。同时，也可以通过inplace参数选择是否直接修改原DataFrame。
四、数据分组与聚合
Pandas提供了groupby功能，可以对数据进行分组，并对每个组执行聚合操作。
# 根据性别列分组，并计算每组的平均年龄 grouped_df = df.groupby('gender')['age'].mean() # 展示分组后的结果 print(grouped_df)
扩展信息：除了计算平均值，groupby还可以与许多聚合函数一起使用，如sum、count、max、min等。同时，还可以使用agg函数执行多个聚合操作。
五、缺失数据处理
Pandas提供了处理缺失数据（NaN）的功能，包括检测、填充和删除等操作。
# 检测缺失值 print(df.isnull().sum()) # 填充缺失值，例如使用列的平均值填充年龄列的缺失值 df['age'].fillna(df['age'].mean(), inplace=True) # 删除含有缺失值的行 df_dropna = df.dropna() print(df_dropna)
扩展信息：fillna函数支持多种填充方式，如使用固定值、前一个有效值、后一个有效值等。同时，dropna函数还支持指定轴（行或列）进行删除操作。
