pandas 是最受欢迎的 Python 数据科学包之一，也是用 Python 处理表格数据的标准工具。幸运的是，零基础初学者在几周内就能学会并开始用 pandas 编程。以下是入门方法。
开始之前需要了解什么
什么是 pandas？
pandas 是您应该首先学习的 Python 包之一，因为它易于使用、开源，并且能让您处理海量数据。它支持快速高效的数据操控、数据聚合与数据透视表、灵活的时间序列功能等。
pandas 具备许多与 SQL 或 Excel 类似的功能，并且可以读取多种数据类型——从 CSV 和文本文件到 Microsoft Excel 文件、SQL 数据库等。它还有一个额外优势：可以将数据转换为 DataFrame 对象，即用列和行来表示数据，类似于 Excel 中的表格数据——但在 Python 中实现。
pandas DataFrame 实战示意
pandas 在 PyData 生态中的位置
使用 Python 进行数据分析时，pandas 通常会与其他包和工具配合使用。这些包包括用于对数据进行预测的机器学习包，如 scikit-learn；数据可视化包，如 Matplotlib 和 seaborn；以及用于创建和分享包含代码、可视化和文本报告的工具，如 Jupyter Notebooks。这些工具共同构成通常所说的 PyData 生态。但您不必一次性学习所有工具——先专注于 pandas 即可。
开启 pandas 学习之旅的六个步骤
1) 学习基础 Python 语法
pandas 是为 Python 构建的包，因此在开始学习 pandas 之前，您需要扎实掌握 Python 的基础语法。学习语法时很容易陷入细枝末节，很多入门课程只关注 Python 语法，往往让学习变得枯燥。
经验法则是：在语法上投入尽可能少的时间，学到足以开始在 pandas 中完成简单任务即可。以下是帮助您入门基础的纯 Python 资源列表：
2) 设置您的 Python 环境
在使用 pandas 之前，您需要在本机上配置好 Python 环境。这样您才能应用新学到的技能，并在自己的数据上尝试使用 pandas。
要为数据科学设置 Python 环境，建议安装 Anaconda 发行版，它能方便地安装 pandas 以及 Jupyter Notebooks 等相关的数据科学包与工具。
关于用 Anaconda 设置 Python 环境的入门指南，您可以观看我的这场上手培训，获取分步教程。您也可以参考为 Windows 和 Mac OS X 安装 Anaconda 的初学者指南。
3) 在做中学
在 DataCamp，我们相信通过实践学习是掌握并应用编程技能的最佳方式。通过完成带引导的项目来运用您的 pandas 技能，将帮助您走出舒适区，学会调试和阅读文档，并增强处理真实数据的信心。
要熟练掌握 pandas，您需要了解如何导入和导出不同类型的数据、操控与重塑数据、进行数据透视与聚合、从 DataFrame 中提炼简单洞见等。以下资源涵盖了这些主题及更多内容，并以带引导项目的形式提供易于实现的 pandas 代码：
4) 用真实世界数据做项目
将您学到的 pandas 技能应用到真实世界数据，是巩固技能并在日常工作中自信运用的绝佳方式。
开启个人项目有多种途径。首先，如果您的日常工作需要处理表格数据，请尝试用 pandas 替代 Google 表格和 Microsoft Excel 等电子表格软件。虽然一开始可能更耗时，但这能帮助您打磨并巩固 pandas 技能，从长远看会让您更快、更熟练。
Kaggle 提供了大量真实世界数据集和机器学习竞赛。尽管我鼓励您学习机器学习，但它更适合进阶学习者，因此初期请专注于使用 pandas 进行数据分析与探索的项目。您可以在 Kaggle 或 Medium 等博客平台上撰写数据分析笔记本来实现这一点。
5) 精通调试之道
调试是任何有志成为程序员的人都需要打磨、却常被忽视的技能。无论水平高低，每位 Python 和 pandas 从业者都会在代码中遇到错误与问题。当您在 pandas 代码中遇到错误时，可以借助以下资源：
6) 不断拓展您的 pandas 技能
持续构建并扩展您的 pandas 技能。许多资源都涵盖高级 pandas 主题。比如，Ashish Kumar 的 Mastering pandas 介绍了加速并简化 pandas 工作流的技巧。Real Python 的这篇博客分享了面向高级用户的技巧与窍门。您也可以开始学习 PyData 生态中其他包如何扩展您的 pandas 能力，比如用于创建交互式图表的 seaborn 和 plotly。
使用 Plotly 制作的交互式图表
拓展 pandas 技能的一个好方法是回过头审视您在学习初期写的 pandas 代码。尝试寻找简化代码的机会，采纳最佳实践，并充分利用 PyData 生态中的其他包。
希望这篇博文能给您带来启发，也希望这些资源对您有所帮助。精通 pandas 是一段贯穿一生的学习旅程——我自己也仍在路上。在 DataCamp，pandas 贯穿于我们的核心课程体系，我们也在不断改进并丰富内容。最后，欢迎您加入数千名学习者组成的 DataCamp Slack 社区，为您的 pandas 学习之旅获取支持！
Adel Nehme 是 DataCamp 的数据科学布道者。他曾担任内容开发者，与讲师合作开发了一系列 Python 课程，并创作了我们的课程 Cleaning Data in Python。
pandas 是最受欢迎的 Python 数据科学包之一，也是用 Python 处理表格数据的标准工具。幸运的是，零基础初学者在几周内就能学会并开始用 pandas 编程。以下是入门方法。
开始之前需要了解什么
什么是 pandas？
pandas 是您应该首先学习的 Python 包之一，因为它易于使用、开源，并且能让您处理海量数据。它支持快速高效的数据操控、数据聚合与数据透视表、灵活的时间序列功能等。
pandas 具备许多与 SQL 或 Excel 类似的功能，并且可以读取多种数据类型——从 CSV 和文本文件到 Microsoft Excel 文件、SQL 数据库等。它还有一个额外优势：可以将数据转换为 DataFrame 对象，即用列和行来表示数据，类似于 Excel 中的表格数据——但在 Python 中实现。
pandas DataFrame 实战示意
pandas 在 PyData 生态中的位置
使用 Python 进行数据分析时，pandas 通常会与其他包和工具配合使用。这些包包括用于对数据进行预测的机器学习包，如 scikit-learn；数据可视化包，如 Matplotlib 和 seaborn；以及用于创建和分享包含代码、可视化和文本报告的工具，如 Jupyter Notebooks。这些工具共同构成通常所说的 PyData 生态。但您不必一次性学习所有工具——先专注于 pandas 即可。
开启 pandas 学习之旅的六个步骤
1) 学习基础 Python 语法
pandas 是为 Python 构建的包，因此在开始学习 pandas 之前，您需要扎实掌握 Python 的基础语法。学习语法时很容易陷入细枝末节，很多入门课程只关注 Python 语法，往往让学习变得枯燥。
经验法则是：在语法上投入尽可能少的时间，学到足以开始在 pandas 中完成简单任务即可。以下是帮助您入门基础的纯 Python 资源列表：
2) 设置您的 Python 环境
在使用 pandas 之前，您需要在本机上配置好 Python 环境。这样您才能应用新学到的技能，并在自己的数据上尝试使用 pandas。
要为数据科学设置 Python 环境，建议安装 Anaconda 发行版，它能方便地安装 pandas 以及 Jupyter Notebooks 等相关的数据科学包与工具。
关于用 Anaconda 设置 Python 环境的入门指南，您可以观看我的这场上手培训，获取分步教程。您也可以参考为 Windows 和 Mac OS X 安装 Anaconda 的初学者指南。
3) 在做中学
在 DataCamp，我们相信通过实践学习是掌握并应用编程技能的最佳方式。通过完成带引导的项目来运用您的 pandas 技能，将帮助您走出舒适区，学会调试和阅读文档，并增强处理真实数据的信心。
要熟练掌握 pandas，您需要了解如何导入和导出不同类型的数据、操控与重塑数据、进行数据透视与聚合、从 DataFrame 中提炼简单洞见等。以下资源涵盖了这些主题及更多内容，并以带引导项目的形式提供易于实现的 pandas 代码：
4) 用真实世界数据做项目
将您学到的 pandas 技能应用到真实世界数据，是巩固技能并在日常工作中自信运用的绝佳方式。
开启个人项目有多种途径。首先，如果您的日常工作需要处理表格数据，请尝试用 pandas 替代 Google 表格和 Microsoft Excel 等电子表格软件。虽然一开始可能更耗时，但这能帮助您打磨并巩固 pandas 技能，从长远看会让您更快、更熟练。
Kaggle 提供了大量真实世界数据集和机器学习竞赛。尽管我鼓励您学习机器学习，但它更适合进阶学习者，因此初期请专注于使用 pandas 进行数据分析与探索的项目。您可以在 Kaggle 或 Medium 等博客平台上撰写数据分析笔记本来实现这一点。
5) 精通调试之道
调试是任何有志成为程序员的人都需要打磨、却常被忽视的技能。无论水平高低，每位 Python 和 pandas 从业者都会在代码中遇到错误与问题。当您在 pandas 代码中遇到错误时，可以借助以下资源：
6) 不断拓展您的 pandas 技能
持续构建并扩展您的 pandas 技能。许多资源都涵盖高级 pandas 主题。比如，Ashish Kumar 的 Mastering pandas 介绍了加速并简化 pandas 工作流的技巧。Real Python 的这篇博客分享了面向高级用户的技巧与窍门。您也可以开始学习 PyData 生态中其他包如何扩展您的 pandas 能力，比如用于创建交互式图表的 seaborn 和 plotly。
使用 Plotly 制作的交互式图表
拓展 pandas 技能的一个好方法是回过头审视您在学习初期写的 pandas 代码。尝试寻找简化代码的机会，采纳最佳实践，并充分利用 PyData 生态中的其他包。
希望这篇博文能给您带来启发，也希望这些资源对您有所帮助。精通 pandas 是一段贯穿一生的学习旅程——我自己也仍在路上。在 DataCamp，pandas 贯穿于我们的核心课程体系，我们也在不断改进并丰富内容。最后，欢迎您加入数千名学习者组成的 DataCamp Slack 社区，为您的 pandas 学习之旅获取支持！
Adel Nehme 是 DataCamp 的数据科学布道者。他曾担任内容开发者，与讲师合作开发了一系列 Python 课程，并创作了我们的课程 Cleaning Data in Python。