1. 数据导入

• Pandas提供了多种方法来读取不同格式的数据文件，以下是一些常见的方法

1. 读取CSV文件

import pandas as pd

# 读取CSV文件（默认编码和表头）
df_1 = pd.read_csv("data1.csv")

# 指定编码格式，并设置无表头
df_2 = pd.read_csv("data2.csv", encoding='utf8', header=None)
2. 读取Excel文件
python
# 读取Excel文件
df_3 = pd.read_excel("data3.xlsx")

3. 读取TXT文件

# 读取TXT文件，指定分隔符和表头
df_4 = pd.read_table("data4.txt", sep=',', header=None)
# sep=','：指定文件的分隔符为逗号（,）

2. 数据导出

数据整理完毕后，通常需要将处理结果存储至文件中

1. 导出为CSV文件

df_1.to_csv("导出.csv", index=True, header=True)
# index=True：表示导出时包含 DataFrame 的索引（行标签），默认值为 True；若设为 False，则不导出索引。

2. 导出为Excel文件

df_1.to_excel("导出.xlsx", index=True, header=True)

3. 缺失值处理

• 在实际数据中，经常会遇到数据缺失的情况。处理缺失值主要有三种方式：

1. 检测缺失值
   首先需要确定数据中是否存在缺失值以及它们的位置：

import pandas as pd

# 读取数据文件
df = pd.read_csv(r"data.csv", encoding='gbk', engine='python')

# 进行逻辑判断，判定空值所在的位置
na = df.isnull()

2. 处理缺失值的三种方法

• 方法一：填充缺失值

# 用指定值填充缺失值
df1 = df.fillna('1')

• 方法二：删除含有缺失值的行

# 删除缺失值【删除整行数据】
df2 = df.dropna()
print(df2)

• 方法三：不处理
  在某些情况下，根据分析需求，可以选择保留缺失值不做处理。