pandas是一個強大的Python數據分析工具，提供了高效的數據結構和數據操作功能。它被廣泛應用於數據清理、數據轉換、數據分析和數據可視化等領域。
pandas引入了兩種主要的數據結構：Series和DataFrame。
Series是一維的數據結構，類似於帶有標籤的數組，可以容納不同類型的數據。Series提供了方便的索引和選取功能，使得數據操作更加靈活。
DataFrame是二維的數據結構，類似於表格或Excel中的數據。它由多個Series對象組成，每個Series對象代表一列。DataFrame提供了豐富的方法和函數，用於對數據進行操作、過濾、合併和分析。
pandas還提供了許多方便的功能，例如數據的加載和保存、數據的聚合和統計分析、數據的缺失值處理、時間序列數據處理等。
使用pandas，你可以快速載入數據集，對數據進行清理和預處理，進行數據操作和計算，並進行可視化呈現和報告生成。
總結來說，pandas是一個重要且強大的Python數據分析工具，為數據科學家和分析師提供了便利的數據處理和操作能力，幫助他們更高效地進行數據分析和探索。
資料集來源：https://amis.afa.gov.tw/m_fruit/FruitChartProdTransPriceVolumeTrend.aspx
下載後，檔名：水果產品交易價量走勢圖資料.ods，檔案內容如下：
把前二列刪除：
範例一：取出前五筆資料
1 2 3 4 5 6 7 | import pandas as pd # 讀取ODS文件 data = pd.read_excel('水果產品交易價量走勢圖資料.ods', engine='odf') # 顯示前5行數據 print(data.head()) |
執行結果：
交易日期 平均價 交易量
0 112/07/01 53.670853 52451.5
1 112/07/02 52.212767 45936.6
2 112/07/04 50.822808 66436.0
3 112/07/05 46.760777 52604.5
4 112/07/06 46.299146 56520.7
範例二：選擇特定列
1 2 3 4 5 6 7 8 9 10 | import pandas as pd # 讀取ODS文件 data = pd.read_excel('水果產品交易價量走勢圖資料.ods', engine='odf') # 選擇"交易日期"和"平均價"列 selected_data = data[['交易日期', '平均價']] # 顯示前5行選擇的數據 print(selected_data.head()) |
執行結果：
交易日期 平均價
0 112/07/01 53.670853
1 112/07/02 52.212767
2 112/07/04 50.822808
3 112/07/05 46.760777
4 112/07/06 46.299146
範例三：條件過濾
1 2 3 4 5 6 7 8 9 10 | import pandas as pd # 讀取ODS文件 data = pd.read_excel('水果產品交易價量走勢圖資料.ods', engine='odf') # 選擇平均價大於50的數據 filtered_data = data[data['平均價'] > 50] # 顯示過濾後的數據 print(filtered_data) |
執行結果：
交易日期 平均價 交易量
0 112/07/01 53.670853 52451.5
1 112/07/02 52.212767 45936.6
2 112/07/04 50.822808 66436.0
範例四：計算統計數據
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | import pandas as pd # 讀取ODS文件 data = pd.read_excel('水果產品交易價量走勢圖資料.ods', engine='odf') # 計算平均價的平均值 average_price = data['平均價'].mean() # 計算交易量的總和 total_volume = data['交易量'].sum() # 顯示統計數據 print('平均價的平均值:', average_price) print('交易量的總和:', total_volume) |
執行結果：
平均價的平均值: 46.06091497677586
交易量的總和: 719139.8
沒有留言:
張貼留言