㈠ pandas能打开nc文啊
pandas能打开nc文啊，pandas的打开文消镇件一共有三种方法，分别对应三种文件，即：信蔽
数据类型 说明 Pandas读取方式
csv,tsv,txt 用逗号分割，tab分割的纯文本文件 pd.read_csv
excel 微软xls或者拿坦粗xlsx文件 pd.read_excel
mysql 关系型数据库表 pd.read_sql。
㈡ 14Pandas 百题大冲关
导入 Pandas：
查看毕仔 Pandas 版本信息：
Pandas 的数据结构：Pandas 主要有 Series（一维数组），DataFrame（二维数组），Panel（三维数组），Panel4D（四维数组），PanelND（更多维数组）等数据结构。其中 Series 和 DataFrame 应用的最为广泛。
Series 是一维带标签的数组，它可以包含任何数据类型。包括整数，字符串，浮点数，Python 对象等。Series 可以通过标签来定位。
DataFrame 是二维的带标签的数据结构。我们可以通过标签来定位数据。这是 NumPy 所没有的。
Pandas 中，Series 可以被看作由 1 列数据组成的数据集。
创建 Series 语法：s = pd.Series(data, index=index)，可以通过多种方式进行创建，以下介绍了册首 3 个常用方法。
从列表创建 Series：
从 Ndarray 创建 Series：
从字典创建 Series：
修改 Series 索引：
Series 纵向拼接：
Series 按指定索引删除元素：
Series 修改指定索引元素：
Series 按指定索引查找元素：
Series 切片操作：
Series 加法运算：
Series 的加法运算是按照索引计算，如果索引不同则填充为 NaN（空值）。
Series 减法运算：
Series的减法运算是按照索引对应计算，如果不同则填手姿汪充为 NaN（空值）。
Series 乘法运算：
Series 的乘法运算是按照索引对应计算，如果索引不同则填充为 NaN（空值）。
Series 除法运算：
Series 的除法运算是按照索引对应计算，如果索引不同则填充为 NaN（空值）。
Series 求中位数：
Series 求和：
Series 求最大值：
Series 求最小值：
与 Sereis 不同，DataFrame 可以存在多列数据。一般情况下，DataFrame 也更加常用。
通过 NumPy 数组创建 DataFrame：
通过字典数组创建 DataFrame：
查看 DataFrame 的数据类型：
预览 DataFrame 的前 5 行数据：
查看 DataFrame 的后 3 行数据：
查看 DataFrame 的索引：
查看 DataFrame 的列名：
查看 DataFrame 的数值：
查看 DataFrame 的统计数据：
DataFrame 转置操作：
对 DataFrame 进行按列排序：
对 DataFrame 数据切片：
对 DataFrame 通过标签查询（单列）：
对 DataFrame 通过标签查询（多列）：
对 DataFrame 通过位置查询：
DataFrame 副本拷贝：
判断 DataFrame 元素是否为空：
添加列数据：
根据 DataFrame 的下标值进行更改。：
根据 DataFrame 的标签对数据进行修改：
DataFrame 求平均值操作：
对 DataFrame 中任意列做求和操作：
将字符串转化为小写字母：
将字符串转化为大写字母：
对缺失值进行填充：
删除存在缺失值的行：
DataFrame 按指定列对齐：
CSV 文件写入：
CSV 文件读取：
Excel 写入操作：
Excel 读取操作：
建立一个以 2018 年每一天为索引，值为随机数的 Series：
统计s 中每一个周三对应值的和：
统计s中每个月值的平均值：
将 Series 中的时间进行转换（秒转分钟）：
UTC 世界时间标准：
转换为上海所在时区：
不同时间表示方式的转换：
创建多重索引 Series：
构建一个 letters = ['A', 'B', 'C'] 和 numbers = list(range(10))为索引，值为随机数的多重索引 Series。
多重索引 Series 查询：
多重索引 Series 切片：
根据多重索引创建 DataFrame：
创建一个以 letters = ['A', 'B'] 和 numbers = list(range(6))为索引，值为随机数据的多重索引 DataFrame。
多重索引设置列名称：
DataFrame 多重索引分组求和：
DataFrame 行列名称转换：
DataFrame 索引转换：
DataFrame 条件查找：
查找 age 大于 3 的全部信息
** 根据行列索引切片：**
DataFrame 多重条件查询：
查找 age<3 且为 cat 的全部数据。
DataFrame 按关键字查询：
DataFrame 按标签及列名查询。：
DataFrame 多条件排序：
按照 age 降序，visits 升序排列
DataFrame 多值替换：
将 priority 列的 yes 值替换为 True，no 值替换为 False。
DataFrame 分组求和：
使用列表拼接多个 DataFrame：
找出 DataFrame 表中和最小的列：
DataFrame 中每个元素减去每一行的平均值：
DataFrame 分组，并得到每一组中最大三个数之和：
当分析庞大的数据时，为了更好的发掘数据特征之间的关系，且不破坏原数据，就可以利用透视表 pivot_table 进行操作。
透视表的创建：
新建表将 A, B, C 列作为索引进行聚合。
透视表按指定行进行聚合：
将该 DataFrame 的 D 列聚合，按照 A,B 列为索引进行聚合，聚合的方式为默认求均值。
透视表聚合方式定义：
上一题中 D 列聚合时，采用默认求均值的方法，若想使用更多的方式可以在 aggfunc 中实现。
透视表利用额外列进行辅助分割：
D 列按照 A,B 列进行聚合时，若关心 C 列对 D 列的影响，可以加入 columns 值进行分析。
透视表的缺省值处理：
在透视表中由于不同的聚合方式，相应缺少的组合将为缺省值，可以加入 fill_value 对缺省值处理。
在数据的形式上主要包括数量型和性质型，数量型表示着数据可数范围可变，而性质型表示范围已经确定不可改变，绝对型数据就是性质型数据的一种。
绝对型数据定义：
对绝对型数据重命名：
重新排列绝对型数据并补充相应的缺省值：
对绝对型数据进行排序：
对绝对型数据进行分组：
缺失值拟合：
在FilghtNumber中有数值缺失，其中数值为按 10 增长，补充相应的缺省值使得数据完整，并让数据为 int 类型。
数据列拆分：
其中From_to应该为两独立的两列From和To，将From_to依照_拆分为独立两列建立为一个新表。
字符标准化：
地点的名字都不规范（如：londON应该为London）需要对数据进行标准化处理。
删除坏数据加入整理好的数据：
将最开始的 From_to 列删除，加入整理好的 From 和 to 列。
去除多余字符：
如同 airline 列中许多数据有许多其他字符，会对后期的数据分析有较大影响，需要对这类数据进行修正。
格式规范：
在 RecentDelays 中记录的方式为列表类型，由于其长度不一，这会为后期数据分析造成很大麻烦。这里将 RecentDelays 的列表拆开，取出列表中的相同位置元素作为一列，若为空值即用 NaN 代替。
信息区间划分：
班级一部分同学的数学成绩表，如下图所示
但我们更加关心的是该同学是否及格，将该数学成绩按照是否>60来进行划分。
数据去重：
一个列为A的 DataFrame 数据，如下图所示
尝试将 A 列中连续重复的数据清除。
数据归一化：
有时候，DataFrame 中不同列之间的数据差距太大，需要对其进行归一化处理。
其中，Max-Min 归一化是简单而常见的一种方式，公式如下:
Series 可视化：
DataFrame 折线图：
DataFrame 散点图：
DataFrame 柱形图：
㈢ pandas怎么读取.data数据
Pandas是Python下一个开源数据分析的库，它提供的数据结构DataFrame极大的简化了数据分析过程中一些繁琐操作。
1. 基本使用：创建DataFrame. DataFrame是一张二维的表，大家可以把它想象成一张Excel表单或者Sql表。Excel 2007及其以后的版本的最大行数是1048576，最大列数是16384，超过这个规模的数据Excel就会弹出个框框“此文本包含多行文本，无法放置在一个工作表中”。Pandas处理上千万的数据是易如反掌的sh事情，同时随后我们也将看到它袜渣配比SQL有更强的表达能力，可以做很多复杂告指的操作，要写的code也更少。
说了一大堆它的好处，要实际感触还得动手码代码。首要的任务就是创建一个DataFrame，它有几种创建方式：梁宏
（1）列表，序列(pandas.Series), numpy.ndarray的字典
二维numpy.ndarray
别的DataFrame
结构化的记录(structured arrays)
（2）其中，二维ndarray创建DataFrame，代码敲得最少：
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(10, 4))
df
0 1 2 3
0 0.927474 0.127571 1.655908 0.570818
1 -0.425084 -0.382933 0.468073 -0.862898
2 -1.602712 -0.225793 -0.688641 1.167477
3 -1.771992 -0.692575 -0.693494 -1.063697
4 -0.456724 0.371165 1.883742 -0.344189
5 1.024734 0.647224 1.134449 0.266797
6 1.247507 0.114464 2.271932 -0.682767
7 -0.190627 -0.096997 -0.204778 -0.440155
8 -0.471289 -1.025644 -0.741181 -1.707240
9 -0.172242 0.702187 -1.138795 -0.112005
（3）通过describe方法，可以对df中的数据有个大概的了解：
df.describe()
0 1 2 3
count 10.000000 10.000000 10.000000 10.000000
mean -0.189096 -0.046133 0.394722 -0.320786
std 1.027134 0.557420 1.258019 0.837497
min -1.771992 -1.025644 -1.138795 -1.707240
25% -0.467648 -0.343648 -0.692281 -0.817865
50% -0.307856 0.008734 0.131648 -0.392172
75% 0.652545 0.310266 1.525543 0.172096
max 1.247507 0.702187 2.271932 1.167477
2. 改变cell。
3. group by。
4. 读写文件。
㈣ 怎么用pandas的包读取csv数据
引入pandas
使用pandas下的read_csv方法，读取csv文件，参数是文件的路径，这是一个相对路径，是相对于当前工作目录的，那么如何知道当前的工作目录呢？
使用os.getcwd()方法饥握获取当前工作目录
读取前三后数据，查看一下是否读取正确，显然都是乱码，这是什么问题呢？
我唯肢团们需指橘要设定参数encoding，也就是编码方式，如果你不设定编码方式，默认是utf8，现在csv文件是gbk编码的，所以需要使用encoding='gbk'
我用的编辑器是eric4，注意，eric4默认是不支持中文的，如果你想要显示中文，前提是设置正确的编码，在preferences中
设置成utf8即可
回到pandas，我们可以有更多选项来设置打开数据时的操作：
㈤ pandas的读写操作只能操作excel对吗
不完全正确。Pandas可以读写多种数据格式，包括但不限于Excel，CSV，SQL数据库，JSON，HTML等等。其中，Excel是常用的一种，因为它是一种常见的电子表格格式，而且可郑含岁以方便地存储和查看数据。但是，Pandas不仅仅局限于Excel，它还可以读写其他格式的数据，例如CSV格式，这是一种逗号分隔的喊睁文本文件格式，非常适合存储和传输数据。此外，Pandas还支持读取SQL数据库中的数据，并将其转换为DataFrame，方便进行数据分析。总之，Pandas可以读写多种数据格式，用户可以根据自己的需求选择最适合自己的数据格老腊式。
㈥ 请问在Pandas用read_excel函数读取数据
利用Python的pandas数据结构来读取excel表格的数据，部分代码如下：侍铅
#-*- coding:utf-8 -*-
import pandas as pd
import matplotlib.pyplot as plt
catering_data="catering_sale.xls"
data=pd.read_excel(catering_data,index_col=u'日期')
#读取数据，指定"日期"列为索引列；
大多数书上都是这样写的，但是在Python2.7上运行时出现错误。（没有在Python3.x版本试过）
出现了如下问题：
这里写图片描述
使用help（pd.read_excel）发现参数中有必选参数sheetname,加入到函数中，代码如下：
#-*- coding:utf-8 -*-
import pandas as pd
import matplotlib.pyplot as plt
catering_data="catering_sale.xls"
data=pd.read_excel(catering_data,sheetname=0,index_col=u'日期')
运行成功。
sheetname=0 的意思是：读取xls文件中的第一个表格。（假设文件中有很多个表格）
另外，也可以将文件转换成csv格式，就不需要这个参数了。代码如下：
catering_data="catering_sale.csv"
data=pd.read_csv(catering_data)
1、读取txt数据
In [1]: import pandas as pd
In [2]: mydata_txt = pd.read_csv('C:\test_code.txt',sep = ' ',encoding = 'utf-8')
对于中文的文本文件常容易因为编码的问题而读取失败，正如上图所示。遇到这样的编码问题该如何处置呢？解决办法有两种情况：
1）当原始文件txt或csv的数据不是uft8格式时，需要另存为utf8格式编码；
2）如果原始的数据文件就是uft8格式，为了正常读入，需要将read_csv函数的参数encoding设置为utf-8
将原始数据另存为utf8格式的数据，重新读入txt数据
In [3]: mydata_txt = pd.read_csv('C:\test.txt',sep = ' ',encoding = 'utf-8')
In [4]: mydata_txt
很顺利，txt文本文件数据就这样进入了Python的口袋里了。
2、读取csv数据
csv文本文件是非常常用的一种数据存储格式，而且其存储量要比Excel电子表格大很多，下面我们就来看看如何利用Python读取csv格式的数据迟码文件：
In [5]: mydata_csv = pd.read_csv('C:\test.csv',sep = ',',encoding = 'utf-8')
In [6]: mydata_csv
如果你善于总结的话，你会发现，txt文件和csv文件均可以通过pandas模块中的read_csv函数进行读取。该函老旦好数有20多个参数，类似于R中的read.table函数，如果需要查看具体的参数详情，可以查看帮助文档：help(pandas.read_csv)
㈦ pandas读取csv文件有多少格式
（1）pandas读取csv文件和存入csv文件
CSV是一种以逗号分隔的文本文件（Comma Separate Values），常用用于医学数据的存储，Python的pandas包中提供了pd.read_csv()函数读取csv文件和DataFrame.to_CSV（）函数存入csv文件。如果存在txt格式但以逗号分割，也可以转换为CSV格式后调用该函数读取。
pd.read_csv()函和DataFrame.to_CSV（）函数的语法格式分唯差别如下：
DataFrame=pandas.read_csv(fileName, sep=’;’)
DataFrame.to_CSV(fileName,sep=’;’)
部分主要参数意义如下：指中皮
fileName：读取或存入文件的文件名；
Sep：数据间的分隔符，该参数可以省培毁略，默认为分号；
【医学案例4-1】来自澳大利亚某医院开源数据（Thyroid disease records supplied by the Garavan Institute and J. Ross; Quinlan, New South Wales Institute, Syndney, Australia，数据略有删减），关于甲状腺疾病的记录，请使用pandas的read_csv()函数打开读取该文件，然后显示其首尾数据，最后再调用to_csv函数重新把这些数据存储在原来的文件中。
㈧ python如何用pandas库读取xls文件
pandas.read_excel()用于将Excel文件读取到DataFrame中
read_excel有几个常用参数：
参数io用于指定文件路径；
参数sheet_name指定表名，接受以str、int、list类型或者None，默认为0，即第一个表，如果传入None，则会读取所有的表格；
参数header指定表头，接受int、list类型或旁态者None，默认为0，即表格第一行，如果传入None，则表示不适用源数据的表头；
参数names用于自定义表头，接受list类型，默认为None；
参数index_col用于指定索引列，接受int类高启租型或者None，默认为None，即使用表格第一列作为索引列；
参数usecols用于指定读取的列，接受int、str、list类型或者None，如果为str，则表示Excel列字母戚兆和列范围的逗号分隔列表（例如“ A：E”或“ A，C，E：F”）；
㈨ Pandas只提供了读取什么文件的函数
Pandas 提供了一系列函数，用于读取不同类型的文件。下搏枯面列出了 Pandas 中常用的读取文件的函数：
read_csv()：读取 CSV 格式的文件。
read_excel()：读取 Excel 格式的文件。
read_hdf()：读取 HDF5 格式的文件。
read_json()：读取 JSON 格式的文件。
read_pickle()：读取 Python 序迅凯列化格式的文件（即 pickle 文件）。
read_sql()：从数据库中读取数据。
这些函数都可以在 Pandas 的文档中找到详细的使用方法：https://pandas.pydata.org/pandas-docs/stable/user_guide/io.html
此外，Pandas 还支持使用 Python 内置的 open() 函数读取文本文件，使用 pd.read_table() 函数读取表格式的文件，使用 pd.read_clipboard() 函数读取剪贴板中的数据等亩银唤。
希望这些信息能帮助你。如果你有其他问题，请随时追问。