一、不用 Pandas 会怎样

一份 xlsx 文件，内部是压缩的 XML。自己解析要写上百行，还得处理合并单元格、日期格式、公式。 用 Pandas：read_excel("成绩表.xlsx")，一行。 读进来的东西不是列表，也不是二维数组，而是一个 DataFrame——带行列标签的二维表。

这层标签是关键。列表只有位置，DataFrame 有名字，所以可以「按姓名取张伟的分」，而不是「取第三个」。

二、读进来第一眼该看什么

先 head()：默认看前五行，检查列名对不对、值有没有错位。

再 shape：10 行、6 列。列名是姓名、班级、语文、数学、英语、总分。 这两步加起来十秒，能挡掉后面九成的「数算错了」——多数错误在读进来那一步就发生了。

三、每一列的类型

dtypes 打出每列的类型：语文、数学、英语、总分是 int64，能直接算。 姓名和班级是 str——注意它不是老版本里的 object。这是 pandas 3.0 之后的新默认。 类型不对，后面全错：本该是数字的列如果是 str，sum 会变成字符串拼接，不报错。

所以看到「求和结果是一长串数字连在一起」，就是这个原因。astype(int) 能救回来。

四、一行代码看清全貌

describe() 给每个数值列算八个数：计数、均值、标准差、最小、四分位、最大。

一眼能看出：数学均值最高、标准差也最大，说明这科分得最开。 describe 只统计数值列，姓名和班级会被自动跳过。这不是 bug，是设计。

五、为什么它是数据分析的主力

三个原因。一，读取方便：Excel、csv、txt、网页、数据库、JSON，全都能一行读进来。 二，操作像说话：筛、排、分组、合并、透视，每个动作一两个函数，不用写循环。 三，跟别的库都通：numpy 算、matplotlib 画、sklearn 建模，接口都是 DataFrame。

所以后面几章不管讲什么，起点都是「先把数据读成 DataFrame」。

六、动手 Demo：第一次把 Excel 读进来

先造一份 10 行成绩表写到 xlsx，再用 read_excel 读回来。 依次打 head、shape、columns、dtypes、describe 五个东西。

import pandas as pd

DF = pd.DataFrame({
    "姓名": ["张伟", "王芳", "李娜", "刘洋", "陈静",
             "杨帆", "赵敏", "黄磊", "周涛", "吴霞"],
    "班级": ["一班"] * 5 + ["二班"] * 5,
    "语文": [88, 92, 75, 85, 90, 68, 95, 72, 83, 79],
    "数学": [92, 95, 68, 88, 73, 82, 91, 65, 86, 90],
    "英语": [85, 90, 80, 79, 95, 71, 88, 60, 84, 87],
})
DF["总分"] = DF["语文"] + DF["数学"] + DF["英语"]
DF.to_excel("成绩表.xlsx", index=False)

df = pd.read_excel("成绩表.xlsx")
print("形状 %s" % (df.shape,))
print("列名 %s" % list(df.columns))
print(df.head(3).to_string(index=False))
print("类型"); print(df.dtypes.to_string())
print(df.describe().round(2).to_string())

实跑输出：

--------------------------------------------------------------------
第一次把 Excel 读进来
--------------------------------------------------------------------

  ① 为什么要用 Pandas 读，而不是自己解析
  --------------------------------------------------------------------
  Excel 文件内部是压缩的 XML，自己解析要写上百行，还得处理合并单元格、日期格式。
  Pandas 的 read_excel 一行搞定，背后调的是 openpyxl。本机 openpyxl 是 3.1.5。
  读进来的东西叫 DataFrame，不是列表、不是二维数组，是一张带行列标签的表。
  ! DataFrame 是这一章和第 4 章唯一的对象。所有操作都是对它做的。

  ② 读进来第一眼该看什么
  --------------------------------------------------------------------
  先 head() 看前五行，看列名对不对、值有没有错位。

| 行 | 姓名 | 班级 | 语文 | 数学 | 英语 | 总分 |
|---|---:|---:|---:|---:|---:|---:|
| 0 | 张伟 | 一班 | 88 | 92 | 85 | 265 |
| 1 | 王芳 | 一班 | 92 | 95 | 90 | 277 |
| 2 | 李娜 | 一班 | 75 | 68 | 80 | 223 |
| 3 | 刘洋 | 一班 | 85 | 88 | 79 | 252 |
| 4 | 陈静 | 一班 | 90 | 73 | 95 | 258 |

  再看 shape：10 行、6 列。
  列名是：姓名、班级、语文、数学、英语、总分。
  ! 这两步加起来 10 秒，能挡掉后面 90% 的「数算错了」——多数错误在读进来那一步就发生了。

  ③ 每一列是什么类型
  --------------------------------------------------------------------

| 行 | dtype |
|---|---:|
| 姓名 | str |
| 班级 | str |
| 语文 | int64 |
| 数学 | int64 |
| 英语 | int64 |
| 总分 | int64 |

  语文、数学、英语、总分是 int64，能直接算。
  姓名和班级是 str，注意它不是普通的 object——这是 pandas 3.0 之后的新默认。
  ! 类型不对，后面全错：本该是数字的列如果是 str，sum 会变成字符串拼接。

  ④ 一行代码看清全貌
  --------------------------------------------------------------------
  describe() 给每个数值列算八个数：计数、均值、标准差、最小、四分位、最大。

| 行 | 语文 | 数学 | 英语 | 总分 |
|---|---:|---:|---:|---:|
| count | 10.0 | 10.0 | 10.0 | 10.0 |
| mean | 82.7 | 83.0 | 81.9 | 247.6 |
| std | 8.99 | 10.66 | 10.14 | 25.74 |
| min | 68.0 | 65.0 | 60.0 | 197.0 |
| 25% | 76.0 | 75.25 | 79.25 | 230.25 |
| 50% | 84.0 | 87.0 | 84.5 | 254.5 |
| 75% | 89.5 | 90.75 | 87.75 | 263.25 |
| max | 95.0 | 95.0 | 95.0 | 277.0 |

  这一张表就能看出哪一科分数普遍高、哪一科拖后腿。
  ! describe 只统计数值列，姓名和班级会被自动跳过——这不是 bug，是设计。

to_excel 要 index=False，否则行号会被写成一列，下次读进来多一列怪东西。 to_string(index=False) 是打印用的，它把表格变成纯文本。 不加 index=False 会带上行号，肉眼看更清楚。

30 秒实验

1. 把 head(3) 改成 head(10)，能看出总分是怎么算的吗？手算一行验证。
2. 把某一列的分数改成字符串（比如 "88"），再看 dtypes，sum 会发生什么？
3. 想一想：为什么 describe 不统计姓名和班级？

常见误区

1. 不写 index=False 就导出：下次读进来会多一列 unnamed，很碍事。
2. 只用 head 不看 dtypes：类型错了不报错，只是算出来的数不对。
3. 以为 DataFrame 是二维数组：它带标签，所以能按名字取，数组不能。
4. 读进来就急着算：先看形状和类型，两分钟省两小时。

DataFrame 是一张表，表里的一列单独拿出来是什么？下一篇讲 Series——它比列表多了一组标签。

• ☐ （本篇完，下一篇 3.2 Series：带标签的一列数）

相关笔记

• IPython 进阶：内省、魔法命令、调 Shell
• Series：带标签的一列数
• DataFrame 的常用属性与函数
• 📊 Python 数据分析 · 索引