pandas基本数据
🧩 题目一：VP33 牛客网的刷题数据
📄 题目描述
牛客网的用户数据记录在文件 Nowcoder.csv 中，包含如下字段（字段之间以逗号间隔）：
Nowcoder_ID：用户 IDLevel：等级Achievement_value：成就值
牛牛想要获取该文件中每一列的列名，以及该文件包含了多少位用户的数据，请你帮他输出。
输入描述：
数据集直接从当前目录下的 Nowcoder.csv 文件中读取。
输出描述：
第一行以列表形式输出所有列名，第二行直接输出总用户数。
✅ 参考代码
import pandas as pd
Nowcoder = pd.read_csv('Nowcoder.csv', sep=',', dtype=object)
col = [column for column in Nowcoder]
print(col)
print(Nowcoder.shape[0])🔍 核心知识点解析
| 代码 | 说明 |
|---|---|
import pandas as pd | 导入 pandas 库，pd 是常用简称 |
pd.read_csv(...) | 读取 CSV 文件，返回 DataFrame |
sep=',' | 指定分隔符为逗号（默认可省略） |
dtype=object | 所有列以“文本”类型读取，避免数字被自动转换 |
for column in Nowcoder | 遍历 DataFrame 时，默认遍历列名 |
Nowcoder.shape[0] | shape 返回 (行数, 列数)，[0] 取行数（即用户数） |
💡 更简洁写法（推荐）
print(Nowcoder.columns.tolist()) # 直接获取列名列表
print(len(Nowcoder)) # 直接获取行数🧩 题目二：VP34 店铺的订单
📄 题目描述
某线下店铺的销售记录在 Order.csv 中，包含如下字段（字段之间以逗号间隔）：
order_number：订单号product_type：产品类型（如 phone、pad、watch）price：价格time：购买时间
店长想查看手机订单（phone）的全部信息，请使用 pandas 输出。
输入描述：
数据集直接从当前目录下的 Order.csv 文件中读取。
输出描述：
直接输出产品类型为 phone 的全部信息，包括行号。
✅ 参考代码
import pandas as pd
shop = pd.read_csv('Order.csv', sep=',', dtype=object)
print(shop[shop['product_type'] == 'phone'])🔍 核心知识点解析
关键技术：布尔索引（Boolean Indexing）
shop['product_type'] == 'phone'- 返回一个
True/False的Series，表示每行是否为手机订单
shop[...]- 使用布尔序列筛选原数据，只保留
True的行
✅ 输出自动包含原始行号（index），符合题目要求。
💡 扩展：常用筛选方式
| 需求 | 写法 |
|---|---|
| 等于 | df[df['col'] == 'value'] |
| 不等于 | df[df['col'] != 'value'] |
| 多条件（且） | (df['A']=='X') & (df['B']=='Y') |
| 多条件（或） | (df['A']=='X') | (df['B']=='Y') |
| 模糊匹配 | df[df['col'].str.contains('phone')] |
| 多值匹配 | df[df['col'].isin(['phone', 'watch'])] |
⚠️ 注意：
&和|必须加括号，不能用and/or
🧰 Pandas 复习要点速查表
| 操作 | 代码示例 |
|---|---|
| 读取 CSV | pd.read_csv('file.csv') |
| 查看前几行 | df.head() |
| 查看列名 | df.columns.tolist() |
| 获取行数 | len(df) 或 df.shape[0] |
| 布尔筛选 | df[df['col'] == 'value'] |
| 多条件筛选 | (df['A']==1) & (df['B']==2) |
| 数据类型 | df.dtypes |
| 查看信息 | df.info() |
⚠️ 常见注意事项
- 文件路径：确保
Nowcoder.csv和Order.csv在代码同目录下。 - 编码问题：如遇中文乱码，加参数
encoding='utf-8'。 - 数据类型：
dtype=object时，数字是字符串，不能直接计算，需用pd.to_numeric()转换。 - 空值处理：缺失值为
NaN，可用df.dropna()或df.fillna(0)处理。
🎯 一句话复习总结：
pandas的核心是DataFrame，用read_csv读数据，用布尔索引筛数据，用.shape和.columns看结构。