pandas是python的一个数据库，在使用数据库的时候需要输入 import pandas as pd 引入，
df = pd.read.csv(''文件路径“）：这是利用pandas数据库读取CSV文件的方法，如果读取EXCEL文件或者其他文件，csv文件换成其他文件的格式。
df.dtypes:如果在文件中有字符型数据返回object
df.head(n):表示将前n行数据显示出来，默认是显示前五行
df.tail(n):表示将后n行数据显示出来，默认后五行
最后打印即可
关于dytype
pd.read_csv('Nowcoder.csv')会尝试自动推断每列的数据类型，而pd.read_csv('Nowcoder.csv', dtype=object)会将所有列的数据类型设置为object。如果不指定数据类型（即第一个例子），pandas会尝试推断每个列的数据类型，这可能会导致一些列被错误地解释为不同的类型，从而可能导致错误。指定
dtype=object可以确保所有列都被解释为Python对象（即字符串），这对于某些情况可能是有用的。另一方面，指定正确的数据类型可以提高性能和减少内存使用，因为pandas可以更好地利用数据类型的信息进行优化。 因此，如果您已经知道每列的正确数据类型，则最好指定它们。
在 pandas 中，数据类型
object表示一个通用的 Python 对象，可以存储任何 Python 对象类型，包括字符串、整数、浮点数、列表、字典、自定义类等。将数据类型设置为object表示将每个数据点解释为 Python 对象，而不是尝试自动推断数据类型。这种设置在某些情况下可能很有用，比如：
- 数据集中的某些列包含混合类型的数据（如字符串和数字），而不是单一的数据类型。
- 某些列的数据类型无法被 pandas 正确地推断。
- 想要在使用数据时动态地处理数据类型的情况。
但是，由于
object类型是一个通用的 Python 对象，其存储和处理速度通常比其他数据类型要慢，并且占用更多的内存空间，因此只有在确实需要时才应将数据类型设置为object。
- loc : Selection by Label ，按标签取数据,
loc[行索引，列名/column]
（如果第二个参数的个数是全部即 : ，可以省略不写）。
例：
print(df.loc[1,'name']) # 索引1（行），名为‘name’的列
- iloc : Selection by Position，即按位置选择. 只接受整型参数。
不接受列字段名称作为参数，只支持列字段的位置索引作为参数。
iloc[行索引，列索引](没有逗号及以后就是默认列为所有列)
- isnull: 判断是否为空。
返回bool类型的值：True or False
- any：返回是否至少一个元素为真
all：返回是否所有元素为真
axis=1或0: 1表示横轴，方向从左到右；0表示纵轴，方向从上到下
import pandas as pd
df = pd.read_csv("Nowcoder.csv", sep=",", dtype=object)
print(df[df["Language"] == "Python"])
"""
df['Language'] == 'Python' 创建一个布尔型 Series，该 Series 的长度与 df 的长度相同，
并且对应于每行数据，如果该行中 'Language' 列的值为 'Python'，则该行对应的 Series 元素为
True，否则为 False。最后，使用布尔型 Series 作为索引，将 DataFrame 中所有 'Language' 列为 'Python' 的行提取出来，
并将其打印输出。这里的 df[df['Language']=='Python'] 表示只选择 DataFrame 中 'Language'
列的值为 'Python' 的行。
"""
import pandas as pd
nk = pd.read_csv('Nowcoder.csv',sep=',')
col = [0,1,2,5]
print(nk.iloc[-5:-1,col])
pd.set_option("display.max_columns", None) # 显示所有的列，而不是以……显示
pd.set_option("display.max_rows", None) # 显示所有的行，而不是以……显示
pd.set_option("display.width", None) # 不自动换行显示
这是使用 `pd.set_option()` 函数设置 Pandas 显示选项的例子。让我解释一下这些选项的含义：
- `pd.set_option('display.width', 300)`: 设置显示一行的最大字符宽度为300。这意味着当你输出一行的内容时，如果内容的字符宽度超过了300，Pandas会尝试自动换行，以使输出更容易阅读,None就可以不换行。
- `pd.set_option('display.max_rows', None)`: 设置显示的最大行数为无限。当你输出 DataFrame 或 Series 时，所有行都会被显示，而不是被截断。这可以帮助你查看整个数据集。
- `pd.set_option('display.max_columns', None)`: 设置显示的最大列数为无限。当你输出 DataFrame 时，所有列都会被显示，而不是被截断。这对于查看包含大量列的 DataFrame 是有用的。
这些选项的设置可以根据你的需要进行调整。在实际使用中，你可以根据数据的大小和显示需求来设置这些选项。例如，如果你的数据集很大，可能需要限制显示的行数和列数，以避免输出过于庞大。
同时多个条件筛选
cond1 = Nowcoder['Language'] =='CPP'
cond2 = Nowcoder['Level'] ==7
cond3 = Nowcoder['Graduate_year'] !=2018
cond = cond1 & cond2 & cond3
print(Nowcoder[cond])或者使用查询
print(nk.query('Language=="CPP"&Level>=7 &Graduate_year!=2018'))
import pandas as pd
Nowcoder = pd.read_csv('Nowcoder.csv', sep=',')
# 完整版函数
# value_counts(normalize=False, sort=True, ascending=False, bins=None, dropna=True)
# 参数:
# 1.normalize : boolean, default False 默认false，如为true，则以百分比的形式显示
# 2.sort : boolean, default True 默认为true,会对结果进行排序
# 3.ascending : boolean, default False 默认降序排序
# 4.bins : integer, 格式(bins=1),意义不是执行计算，而是把它们分成半开放的数据集合，只适用于数字数据
# 5.dropna : boolean, default True 默认删除na值
print(Nowcoder['Language'].value_counts())
