pandas

import pandas as pd
df = pd.DataFrame( {"Name": [
              "Braund, Mr. Owen Harris",
              "Allen, Mr. William Henry",
              "Bonnell, Miss. Elizabeth",],
              "Age": [22, 35, 58],
              "Sex": ["male", "male", "female"],
              "Class": [1,3,5],})
# print(df)      # 获取一个DataFrame，相当于一个小表格
# print(df["Age"])     # 获取Age列
# print(df["Age"].max())      # 获取Age列中的最大值
# print(df.describe())         # 对数字类型的值进行分析
print(df.values.tolist())   # 把整个数据变成列表

Pandas是什么¶

https://pandas.liuzaoqi.com/doc/chapter0/%E5%85%A5%E9%97%A8pandas.html
Pandas是一种基于 Python 的快速、强大、灵活且易于使用的开源数据分析和操作工具。
以下是 Pandas 擅长的一些事情：

• 轻松处理浮点和非浮点数据中的缺失数据
• 强大、灵活的分组功能，可对数据集执行拆分-应用-组合操作，用于聚合和转换数据
• 简单的将其他Python和NumPy的数据结构不同索引的数据转换成pandas对象
• 直观的合并和连接数据集
• 灵活地重塑和旋转数据集
• 强大的 IO 工具，用于从平面文件（CSV 和分隔符）、Excel 文件、数据库加载数据，以及从超快HDF5 格式保存/加载数据
• 时间序列特定功能：日期范围生成和频率转换、移动窗口统计、日期偏移和滞后。

这里的许多原则是为了解决使用其他语言/科学研究环境时经常遇到的缺陷。对于数据科学家来说，处理数据通常分为多个阶段:对数据进行筛选和清理，对数据进行分析/建模，然后将分析结果组织成适合绘图或表格显示。而 Pandas 是完成所有这些任务的理想工具。

DataFrame¶

通常情况下我们都是对 pd.DataFrame 进行操作，其基本结构如下图所示

DataFrame是一种二维数据结构，我们可以在每一个 cell 中存储不同类型的数据（包括字符串、整数、浮点值、分类数据等），你可以将它想象成 Excel 表格、SQL表或者 R中的 data.frame。
例如可以用下面的代码创建一个 DataFrame 用于存储泰坦尼克号的乘客数据。

df = pd.DataFrame( {"Name": [
              "Braund, Mr. Owen Harris",
              "Allen, Mr. William Henry",
              "Bonnell, Miss. Elizabeth",],
              "Age": [22, 35, 58],
              "Sex": ["male", "male", "female"],})
df

Series¶

此外，另一个需要关注的数据结构是 pd.Series ，pandas的每一列都是一个 Series

例如我们只对 age 列感兴趣，可以使用 [] 将其筛选出来，结果是便是一个pd.Series

df["Age"]
0    22
1    35
2    58
Name: Age, dtype: int64

利用 DataFrame 或 Series 进行分析¶

在上面了解了 Pandas 的基本数据结构之后，现在，我将介绍一些简单的分析代码，例如想知道乘客的最大年龄，我们可以通过 DataFrame 选择 Age 列并应用 max() 来实现

df["Age"].max()
58

正如 max() 方法所示，我们可以使用DataFrame进行操作。pandas提供了很多功能，每个功能都是可以应用于DataFrame或Series的方法。因为方法是函数，所以不要忘记使用括号()。
除了返回数值，大部分 pandas 操作都会返回一个DataFrame或一个Series。例如若果对数据表的数值数据的一些基本统计感兴趣，可以使用 describe() 来得到一个新的 dataframe

df.describe()