我們接著上次分享給大家的，來繼續下面的操作。

有關pandas模塊的學習與應用主要介紹以下8個部分：

1、數據結構簡介：DataFrame和Series

2、數據索引index

3、利用pandas查詢數據

4、利用pandas的DataFrames進行統計分析

5、利用pandas實現SQL操作

6、利用pandas進行缺失值的處理

7、利用pandas實現Excel的數據透視表功能

8、多層索引的使用

我們在中已經介紹到了第四部分的描述性統計分析，我們接著往下講pandas模塊中的其他的知識點。

五、類似于SQL的操作

在SQL中常見的操作主要是增、刪、改、查幾個動作，那么pandas能否實現對數據的這幾項操作呢？答案是Of Course!

增：添加新行或增加新列

1.In [99]: dic = {'Name':['LiuShunxiang','Zhangshan'], 
2....: 'Sex':['M','F'],'Age':[27,23], 
3....: 'Height':[165.7,167.2],'Weight':[61,63]} 
4.
5.In [100]: student2 = pd.DataFrame(dic) 
6.
7.In [101]: student2 
8.Out[101]: 
9.Age Height Name Sex Weight 
10.0 27 165.7 LiuShunxiang M 61 
11.1 23 167.2 Zhangshan F 63 

現在將student2中的數據新增到student中，可以通過concat函數實現：

注意到了嗎？在數據庫中union必須要求兩張表的列順序一致，而這里concat函數可以自動對齊兩個數據框的變量！

新增列的話，其實在pandas中就更簡單了，例如在student2中新增一列學生成績：

對于新增的列沒有賦值，就會出現空NaN的形式。

刪：刪除表、觀測行或變量列

刪除數據框student2,通過del命令實現，該命令可以刪除Python的所有對象。

刪除指定的行

原數據中的第1,2,4,7行的數據已經被刪除了。

根據布爾索引刪除行數據，其實這個刪除就是保留刪除條件的反面數據，例如刪除所有14歲以下的學生：

刪除指定的列

我們發現，不論是刪除行還是刪除列，都可以通過drop方法實現，只需要設定好刪除的軸即可，即調整drop方法中的axis參數。默認該參數為0，表示刪除行觀測，如果需要刪除列變量，則需設置為1。

改：修改原始記錄的值

如果發現表中的某些數據錯誤了，如何更改原來的值呢？我們試試結合布爾索引和賦值的方法：

例如發現student3中姓名為Liushunxiang的學生身高錯了，應該是173，如何改呢？

這樣就可以把原來的身高修改為現在的170了。

看，關于索引的操作非常靈活、方便吧，就這樣輕松搞定數據的更改。

查：有關數據查詢部分，上面已經介紹過，下面重點講講聚合、排序和多表連接操作。

聚合：pandas模塊中可以通過groupby()函數實現數據的聚合操作

根據性別分組，計算各組別中學生身高和體重的平均值：

如果不對原始數據作限制的話，聚合函數會自動選擇數值型數據進行聚合計算。如果不想對年齡計算平均值的話，就需要剔除改變量：

groupby還可以使用多個分組變量，例如根本年齡和性別分組，計算身高與體重的平均值：

當然，還可以對每個分組計算多個統計量：

是不是很簡單，只需一句就能完成SQL中的SELECT…FROM…GROUP BY…功能，何樂而不為呢？

排序：

排序在日常的統計分析中還是比較常見的操作，我們可以使用order、sort_index和sort_values實現序列和數據框的排序工作：

我們再試試降序排序的設置：

上面兩個結果其實都是按值排序，并且結果中都給出了警告信息，即建議使用sort_values()函數進行按值排序。

在數據框中一般都是按值排序，例如：

多表連接:

多表之間的連接也是非常常見的數據庫操作，連接分內連接和外連接，在數據庫語言中通過join關鍵字實現，pandas我比較建議使用merger函數實現數據的各種連接操作。 如下是構造一張學生的成績表：

現在想把學生表student與學生成績表score做一個關聯，該如何操作呢？

注意，默認情況下，merge函數實現的是兩個表之間的內連接，即返回兩張表中共同部分的數據。可以通過how參數設置連接的方式，left為左連接；right為右連接；outer為外連接。

左連接實現的是保留student表中的所有信息，同時將score表的信息與之配對，能配多少配多少，對于沒有配對上的Name，將會顯示成績為NaN。