Pandas 入门二：DataFrame 核心操作，新手也能轻松筛选/修改数据
Pandas数据处理实战：从数据洞察到精准操作
在上一篇文章中，我们掌握了Pandas的安装和数据读取，成功将表格数据加载为DataFrame。今天，我们将继续深入，聚焦数据处理中最核心的三个环节：如何快速了解你的数据、如何精准筛选出目标信息，以及如何高效地修改数据内容。每个环节都配有可直接复制的代码和直观的结果展示，跟随步骤实践一遍，你就能在短时间内掌握DataFrame的基础操作精髓。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
一、衔接回顾：数据准备
让我们先快速回顾并准备好操作环境。沿用上一篇的示例数据，通过几行代码即可将数据载入并预览。
import pandas as pd
# 读取数据（确保文件路径正确）
df = pd.read_csv("data.csv")
print("原始数据：")
print(df.head())运行后，你将看到一个结构清晰的DataFrame：
原始数据：
姓名 年龄 城市 消费金额
0 张三 25 北京 300
1 李四 32 上海 500
2 王五 28 广州 450
3 赵六 23 深圳 380
4 孙七 35 杭州 600后续的所有操作都将基于这个DataFrame展开。
二、第一步：快速数据诊断
在动手筛选或修改之前，花几分钟了解数据的“底细”至关重要。这能帮你避免后续操作中的许多潜在错误。
1. 查看数据基本信息：info()
想要一目了然地掌握数据全貌吗？info()函数是你的首选。它能告诉你数据有多少行、多少列、每列的数据类型以及是否存在缺失值。
df.info()运行结果示意：
RangeIndex: 10 entries, 0 to 9 # 共10行数据
Data columns (total 4 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 姓名 10 non-null object
1 年龄 10 non-null int64
2 城市 10 non-null object
3 消费金额 10 non-null int64
dtypes: int64(2), object(2) 2. 查看数据统计信息：describe()
如果数据中包含数值列（如年龄、金额），describe()能快速生成一份统计摘要，包括计数、均值、标准差、分位数等关键指标。
df.describe()运行结果示意：
年龄 消费金额
count 10.000000 10.000000 # 数据个数
mean 29.300000 423.000000 # 平均值
std 4.578209 105.687374 # 标准差
min 23.000000 300.000000 # 最小值
25% 26.500000 365.000000 # 25%分位数
50% 29.000000 435.000000 # 中位数
75% 32.500000 500.000000 # 75%分位数
max 35.000000 600.000000 # 最大值3. 查看数据形状：shape
想立刻知道数据表是“高瘦型”还是“矮胖型”吗？使用shape属性（注意，它不是函数，不需要括号）。
print("数据形状（行数×列数）：", df.shape) # 输出：(10, 4) 表示10行4列三、第二步：核心数据筛选技巧
数据筛选是数据分析的日常高频操作。无论是提取特定列，还是根据条件过滤行，Pandas都能用简洁的代码高效完成。
1. 场景一：按列筛选
假设我们只需要查看“姓名”和“消费金额”这两列，有两种主流且简单的方法。
# 方法1：直接传入列名列表（最直观）
df_selected = df[["姓名", "消费金额"]]
# 方法2：使用loc函数（为后续复杂筛选铺垫）
df_selected2 = df.loc[:, ["姓名", "消费金额"]] # 冒号:表示选取所有行
print("筛选后的数据（姓名+消费金额）：")
print(df_selected.head())运行结果：
筛选后的数据（姓名+消费金额）：
姓名 消费金额
0 张三 300
1 李四 500
2 王五 450
3 赵六 380
4 孙七 6002. 场景二：按条件筛选行
如何找出“年龄大于28岁”或“城市在北京”的用户？这就需要用到“布尔索引”。
# 1. 筛选年龄大于28岁的用户
df_age = df[df["年龄"] > 28]
print("年龄大于28岁的用户：")
print(df_age)
# 2. 筛选城市是北京的用户（文本匹配需用==）
df_city = df[df["城市"] == "北京"]
print("\n城市是北京的用户：")
print(df_city)
# 3. 多条件组合筛选（例如：年龄>25 且 消费金额≥400）
# 关键点：每个条件必须用括号括起来，逻辑运算符使用 &（且）、|（或）
df_multi = df[(df["年龄"] > 25) & (df["消费金额"] >= 400)]
print("\n年龄>25且消费金额≥400的用户：")
print(df_multi)运行结果示意（多条件筛选）：
年龄>25且消费金额≥400的用户：
姓名 年龄 城市 消费金额
1 李四 32 上海 500
2 王五 28 广州 450
4 孙七 35 杭州 6003. 进阶技巧：按位置索引筛选
当你明确知道需要第几行、第几列的数据时，iloc（基于整数位置的索引）是最高效的工具。
# iloc[行索引, 列索引] → 索引从0开始计数
# 1. 选取第2行（索引为1）的所有列
df_row = df.iloc[1, :]
print("第2行数据：")
print(df_row)
# 2. 选取前3行（索引0-2）的第1列和第4列（索引0和3）
df_row_col = df.iloc[:3, [0, 3]]
print("\n前3行的姓名和消费金额：")
print(df_row_col)四、第三步：数据修改与增强
筛选出目标数据后，修改和增强是常见的后续步骤。以下四个操作覆盖了大部分修改需求。
1. 修改列名
如果原始列名不够直观，可以使用rename()函数进行批量或单个修改。
# 通过字典映射修改列名
df_renamed = df.rename(columns={"消费金额": "消费总额", "城市": "所在城市"})
print("修改列名后：")
print(df_renamed.head())运行结果示意：
修改列名后：
姓名 年龄 所在城市 消费总额
0 张三 25 北京 300
1 李四 32 上海 5002. 修改特定单元格的值
需要修正某个具体数据？例如，将“张三”的消费金额改为350。
# 推荐方法：按条件定位修改（更安全，不易因行序变动而出错）
df.loc[df["姓名"] == "张三", "消费金额"] = 350
# 备选方法：按精确索引位置修改（已知行号列号时使用）
# df.iloc[0, 3] = 350 # 第1行第4列
print("修改后的数据（张三的消费金额）：")
print(df[df["姓名"] == "张三"])运行结果：
修改后的数据（张三的消费金额）：
姓名 年龄 城市 消费金额
0 张三 25 北京 3503. 添加新列
基于现有列计算衍生指标是数据分析的常见需求，例如计算折扣价或打标签。
# 1. 添加“折扣后金额”（基于消费金额计算）
df["折扣后金额"] = df["消费金额"] * 0.9
# 2. 添加“是否高消费”标签（条件判断）
df["是否高消费"] = df["消费金额"] >= 500 # 结果为布尔值True/False
print("添加新列后：")
print(df.head())运行结果示意：
添加新列后：
姓名 年龄 城市 消费金额 折扣后金额 是否高消费
0 张三 25 北京 350 315.0 False
1 李四 32 上海 500 450.0 True
2 王五 28 广州 450 405.0 False4. 删除列或行
对于不再需要的数据，可以将其从DataFrame中移除。
# 1. 删除列：指定axis=1，inplace=True表示直接修改原数据
df.drop(columns=["是否高消费"], axis=1, inplace=True)
# 2. 删除行：指定axis=0，例如删除索引为3的行
df.drop(index=[3], axis=0, inplace=True)
print("删除列和行后：")
print(df.head())五、新手避坑指南
在实践过程中，有几个高频错误点需要特别注意：
列名书写错误：列名必须与df.info()的输出完全一致，注意中英文、空格和大小写。
多条件筛选缺少括号：像df[df[“年龄”]>25 & df[“消费金额”]≥400]这样的写法会报错。务必为每个独立条件加上括号：(df[“年龄”]>25) & (df[“消费金额”]≥400)。
混淆loc与iloc：loc基于标签（列名/行索引名）筛选，iloc基于整数位置索引筛选。
修改未保存：如果希望将修改后的数据持久化到文件，记得使用df.to_csv(“新文件名.csv”, index=False)进行保存。
六、技能总结
至此，你已经掌握了Pandas DataFrame基础操作的核心技能：
使用info()、describe()、shape快速完成数据诊断。
运用列筛选、条件筛选和索引筛选，精准定位目标数据。
执行列名修改、值更新、列添加与删除，实现数据内容的调整与增强。
识别并避开常见错误，确保代码的稳定运行。
恭喜！现在你已经具备了用代码高效处理表格数据的能力，可以尝试将这些技巧应用到实际工作场景中了。
相关攻略
什么是PandasAI？ 简单来说，PandasAI是一个为经典数据分析库Pandas注入AI灵魂的Python工具。它通过集成生成式人工智能，让原本沉默的DataFrame（数据框）变得能“对话”。想象一下，你不再需要编写复杂的查询代码，只需用最自然的语言向你的业务数据提问，它就能实时给出洞见。无
吃透Pandas两大“数据汇总神器”：透视表与交叉表实战指南 在数据处理的工具箱里，如果说基础的清洗、筛选是基本功，那么多维度、交叉式的数据汇总，往往就是区分新手与熟手的分水岭。面对诸如“按地区加品类统计销售额”、“分析不同省份的商品订单分布”这类需求，如果还停留在手动分组、多层循环的老路上，不仅代
「Pandas从入门到精通」系列一：从零到一的起手式，10分钟搞定安装与数据读取 很多数据分析的探索旅程，往往就卡在第一步：面对海量的表格数据，手动整理效率低下且易错；想要用代码提升效率，却被陌生的术语和复杂的环境配置劝退。 如果你也有过类似的困扰，那么今天的内容正是为你准备的。我们将一起认识数据分
Pandas-Profiling：让探索性数据分析效率翻倍的神器 很多数据分析新手，最初可能都用过 df describe() 和 df info() 这两板斧来初步了解数据。这当然没错，但效率上总感觉差了那么一口气。 今天要介绍一个堪称神器的工具——Pandas-Profiling。它能一键生成一
Pandas数据处理实战：从数据洞察到精准操作 在上一篇文章中，我们掌握了Pandas的安装和数据读取，成功将表格数据加载为DataFrame。今天，我们将继续深入，聚焦数据处理中最核心的三个环节：如何快速了解你的数据、如何精准筛选出目标信息，以及如何高效地修改数据内容。每个环节都配有可直接复制的代
热门专题
热门推荐
峡谷区域唯一唱片需集齐三个碎片合成。首个碎片位于地图西北角木箱木桶旁，外观如跳动火焰。集齐碎片可解锁新内容并提升游戏体验，探索时留意细节可能发现更多隐藏惊喜。
《遥遥西土》中，西土唱片需集齐三个碎片合成。首个碎片位于地图东南角的管子洞内，获取过程简单，无复杂谜题或战斗。整体流程清晰，玩家按指引收集全部碎片即可合成唱片，轻松完成收集任务。
《鸣潮》联动《赛博朋克：边缘行者》，推出五星角色露西与丽贝卡，可通过限定卡池与活动免费获取。联动包含专属剧情、夜之城风格场景及高难度BOSS战，并植入动画经典音乐。参与预热活动和完成剧情任务可获得限定奖励，全方位打造沉浸式赛博朋克体验。
鼻噶流”玩法围绕“混沌爪牙”基因展开，开局以小体型角色灵活发育，注重走位与策略而非堆叠体型与伤害。该玩法在较高难度下提供了与传统平推思路不同的趣味体验，适合追求新鲜操作感的玩家尝试。
《异环》S级气态弧盘“好狗狗走四方”可提升充能与全队攻击，适合早雾等辅助。完成主线任务“成交？成交！”后解锁番外副本“月光当铺”，首次击败BOSS墨菲克斯即可免费获取。战斗时建议中距离拉扯，优先清理小狼，搭配破韧与输出角色更易通关。