简介 pandas 是 Python 中最常用的数据处理库，核心数据结构是 Series（一维）和 DataFrame（二维表格）。常用于读写数据文件、清洗数据、做统计分析。
安装 pip install pandas # 或者用 uv，速度更快 uv pip install pandas 核心数据结构 Series 一维带标签的数组。
import pandas as pd s = pd.Series([1, 2, 3], index=["a", "b", "c"]) print(s["b"]) # 2 DataFrame 二维表格，每列可以是不同的数据类型。
import pandas as pd df = pd.DataFrame({ "name": ["Alice", "Bob", "Carol"], "age": [25, 30, 35], }) print(df) 读写数据 # 读 CSV df = pd.read_csv("data.csv") # 写 CSV df.to_csv("output.csv", index=False) # 读 Excel df = pd.read_excel("data.xlsx") # 读 JSON df = pd.read_json("data.json") 查看数据 df.head() # 前 5 行 df.tail(3) # 后 3 行 df.shape # (行数, 列数) df.columns # 列名 df.dtypes # 每列的数据类型 df.info() # 概览 df.describe() # 数值列的统计摘要 选择数据 df["age"] # 选一列，返回 Series df[["name", "age"]] # 选多列，返回 DataFrame df.loc[0] # 按标签选行 df.iloc[0] # 按位置选行 df[df["age"] > 28] # 条件筛选 常见操作 新增列 df["age_plus_1"] = df["age"] + 1 缺失值处理 df.isna().sum() # 每列缺失值数量 df.dropna() # 删除含缺失值的行 df.fillna(0) # 用 0 填充缺失值 分组聚合 df.groupby("name")["age"].mean() 排序 df.sort_values("age", ascending=False) 合并 # 按列拼接（类似 SQL join） pd.merge(df1, df2, on="id", how="left") # 按行堆叠 pd.concat([df1, df2]) copy() 与 SettingWithCopyWarning 对 DataFrame 做切片或筛选后再赋值，pandas 可能不确定是在原对象上改还是在副本上改，从而报 SettingWithCopyWarning。显式调用 .copy() 可以避免这个问题：
...