前言：為什麼要學 Pandas？

昨天我們正式踏入了 NumPy 的世界，學會了高效陣列運算。

今天，我要帶大家進入另一個 Python 超級利器——Pandas，
專門用來「操作資料表」的神器！

如果你曾經用 Python 的 list 或 dictionary 來處理 Excel / CSV，
可能會有這種感覺：

「我只是想算每個學生的平均分數，結果要寫十幾行，還容易出錯…」

登愣！這就是 Pandas 出場的時刻！

一、Pandas 由來

Pandas 這個名字可不是因為作者喜歡熊貓，

而是來自 “Panel Data”（多維資料）與
“Python Data Analysis” 的縮寫。

它由 Wes McKinney 在 2008 年於美國 AQR Capital（量化投資公司）開發。

當時他發現，用 NumPy 處理金融時間序列資料實在太不方便了——
缺乏欄位名稱、索引、日期對齊等功能。於是他乾脆自己打造了一個新工具，

目標是：

讓 Python 可以像 Excel 一樣好用，但又能像 NumPy 一樣高速運算。

結果呢？Pandas 成功了。

如今它已是 Python 資料分析的標準配備，
無論是學術研究、企業報表、AI 專案、或 Kaggle 競賽，
幾乎所有人都離不開 Pandas！！

二、Pandas 的用途是什麼？

一句話總結：處理「表格型資料」的萬能工具。

你可以想像成「Python 版 Excel」，但更聰明、更靈活、更快。
它能幫你做的事情包括：

• 讀取與儲存資料：CSV、Excel、JSON、SQL、HTML... 一行搞定
• 清理資料：處理遺漏值、重命名欄位、格式轉換
• 過濾與選取：像操作資料庫一樣快速篩選想要的資料
• 統計分析：平均、總和、最大最小、群組運算都輕鬆搞定
• 視覺化：結合 Matplotlib / Seaborn，秒出漂亮圖表！

三、Pandas 的兩個核心資料型態：Series & DataFrame

Pandas 的核心世界中，有兩個關鍵角色：

• Series：一維、有標籤的資料
• DataFrame：以行列構成的表格結構

接下來我們就一步步認識它們吧！

使用 Pandas 之前：先匯入！

幾乎所有人都這樣寫（取pandas別名為pd）：

import pandas as pd

1. 什麼是 Series？

想像一下，你有一排資料，但這排資料「有標籤」。
這就是 Series。

換句話說：

Series = 一個「有名字的」一維陣列。

就像是你買了一排飲料，每瓶都有標籤（index），
你就能用標籤來找飲料，而不是數第幾瓶。

import pandas as pd

s = pd.Series([100, 200, 300, 400])
print(s)

輸出：

說明：

• 左邊的 0~3 是 索引（index）
• 右邊的 100~400 是數值
• 可以自訂索引：

s = pd.Series([100, 200, 300, 400], index=['a','b','c','d'])
print(s)
print("索引b的值",s['b'])  # 200

輸出：

或用水果價格當例子：：

import pandas as pd

price = pd.Series([100, 200, 300], index=["apple", "banana", "cherry"])
print(price)

輸出：

有沒有覺得這樣更像字典（dict）？
沒錯，Series 其實就像「加強版字典」，
既有順序、又有向量運算的能力！！

Series 不可忽視的運算能力！

Series 支援像 Numpy 一樣的數學運算：(延續上面)

print(price * 2)
print(price + 50)

輸出：

你不需要寫迴圈、也不用自己跑 for，
Pandas 幫你一次搞定！是不是很方便？

用標籤查資料：

print("香蕉的價格：",price["banana"]) 
print("蘋果與櫻桃的價格：")
print(price[["apple", "cherry"]])

輸出：

是不是有點像 Excel 裡用欄位名稱找資料？
這就是 Pandas 的方便之處。

用條件篩選資料

print("價格超過150元：")
print()
print(price[price > 150])

輸出：

這就是「布林索引（boolean indexing）」的概念。
它是 Pandas 最強大的篩選手段之一！

從字典建立 Series

data = {"milk": 100, "cola": 200, "juice": 300}
s = pd.Series(data)
print(s)

輸出：

Series 也能存放其他資料型別

info = pd.Series(["2025-10-12", 3.14, True, "Hello"])
print(info)

輸出：

Series 不只限於數字，它可以是文字、布林值、日期、甚至混合型資料。

2.資料分析的主角登場：DataFrame！

前面我們說過，Series 就像是一條有標籤的資料。
那如果我們把很多條 Series 並排放在一起，會變成什麼？
沒錯！DataFrame = 一張完整的表格。

什麼是 DataFrame？

想像一下 Excel：

一張表格有「欄名」和「列索引」，每一格都有資料。
DataFrame 就是這樣的存在。它可以儲存整張表格的資料，讓你：

• 讀取檔案（CSV、Excel、SQL...）
• 清理、篩選、統計資料
• 整理後再匯出

簡單說，DataFrame 是 Pandas 的靈魂。

用字典建立 DataFrame

最常見的建立方式是「用字典（dict）」：

import pandas as pd

data = {
    "name": ["Alice", "Bob", "Charlie"],
    "age": [25, 30, 35],
    "city": ["Taipei", "Taichung", "Kaohsiung"]
}

df = pd.DataFrame(data)
print(df)

輸出：

設定索引（index）

如果你想用字元當作索引，而不是預設的 0, 1, 2：

df = pd.DataFrame(data, index=["A", "B", "C"])
print(df)

輸出：

索引可以幫助我們更直覺地查資料。

例如：

print(df.loc["B"])

輸出：

取出欄與列

就像 Excel，一次取一欄或一列都可以。

# 取出欄
print(df["age"])  # 結果是一個 Series

# 取出多欄
print(df[["name", "city"]])

輸出：

新增欄位與刪除欄位

df["salary"] = [50000, 60000, 70000]  # 新增欄
print(df)

df = df.drop(columns=["city"])         # 刪除欄
print(df)

輸出：

條件篩選（非常常用！）

print("年齡")
print()
print(df[df["age"] > 28])

輸出：

也可以疊加條件：

df[(df["age"] > 28) & (df["salary"] > 60000)]

輸出：（如果直接df不加上print的話就會顯示表格的樣子）

計算統計值

Pandas 內建了超多方便的統計方法：

只要一行，瞬間幫你算出平均值、標準差、分位數…
非常適合初步探索資料（EDA）！

群組統計（GroupBy）

這是 Pandas 最經典的功能之一！

sales = pd.DataFrame({
    "store": ["ABC-Mart", "SSS-Mall", "ABC-Mart", "SSS-Mall", "ABC-Mart"],
    "revenue": [100, 150, 80, 120, 200]
})

print(sales.groupby("store").mean())

輸出：

學會這個技巧就可以輕鬆計算每家店的平均銷售額！
這個功能常被用來做報表、自動統計分析！

處理缺失值（NaN）

data = {
    "name": ["Alice", "Bob", "Charlie"],
    "age": [25, None, 35]
}
df = pd.DataFrame(data)

print("缺值情況")
print(df.isnull()) # 哪些是缺值
print("刪除缺值")
print(df.dropna()) # 刪除缺值
print("填補缺值")
print(df.fillna(0))    # 填補缺值

輸出：

在現實資料裡，「缺值」是常態，
所以 Pandas 也幫你設計好超直覺的修復方法。

今日結語

今天我們完成了 資料分析入門的第一步 —— 認識 Pandas！

• Series：一維、有標籤的資料，就像 Excel 的一欄
• DataFrame：多欄表格型資料，就像整張 Excel 表

Pandas 幫我們把資料整理、計算、篩選、清理缺值都變得超簡單，
不用再寫冗長迴圈或擔心出錯。

對資料分析的新手來說，
這就是 打開資料分析世界的鑰匙！

明天我們要更進一步，把 Pandas 用到實戰裡：

匯入 CSV 檔案做實際的資料分析應用、
學更多進階 Pandas 語法、
讓你 DataFrame 用得更得心應手！

準備好跟我一起把資料分析的入門能力往前推一大步吧！！

那麼我們就明天見囉！！