1.2 如何高效学习Pandas

正确的方法对于技能的学习尤为重要，对于Pandas来说，逐个模块硬啃是一种学习方法，但我认为并不正确。那么，学习Pandas有哪些误区一定要避开，又有什么高效的学习方法呢？且听我一一道来。

1.2.1 Pandas学习中的误区

在战场上，向敌人发起冲锋之前，把预期经过路线上的陷阱排掉，可以有效地保存实力。为了更高效地学习，在正式开始讲Pandas操作之前，我觉得有必要先和大家聊聊Pandas学习中的常见误区。

很多对Python数据分析感兴趣的学习者很快就熟悉了Python基础语法，然后下定决心，一头扎进好几百页的经典大部头中，硬着头皮啃完之后，好像自己什么都会了一点，然而实际操作起来要么无从下手，要么漏洞百出。

究其原因，理解不够、实践不够是两只经典的“拦路虎”，我们只能靠自己多想多练来克服。还有一个非常有意思且经常被忽视的因素——陷入举三反一的糊涂状态。

什么意思呢？假如我是只旱鸭子，想去学游泳，教练很认真地给我剖析了蛙泳的动作，扶着我的腰让我在水里划拉了5分钟，接着马上给我讲解了蝶泳，又让我划拉了5分钟，然后又硬塞给我仰泳的姿势，依然让我划拉5分钟。最后，教练一下子把我丢进踩不到底的泳池，给我呐喊助威。

对于我这只还没入门的旱鸭子，教练倾囊传授给我3种游泳技巧，并让我分别实践了5分钟。这样做的结果就是我哪一种游泳技巧也没学会，只学会了喝水。

如果一个初学者一开始就陷入针对单个问题的多种解决方法，而对每一种方法的实践又浅尝辄止，那么他在面对具体问题时往往会手忙脚乱。

拿Pandas来说，它有多种构造方式、多种索引方式以及类似效果的多种实现方法，初学者如果上来就贪大求全地去挑战“某种操作的N种实现方法”，很容易陷入举三反一的糊涂状态，结果学了多种实现方式，但真到用的时候连一种都用不好。

所以，为了避免大家陷入各种操作实现的细节，我会结合数据分析工作中的实际使用情况，提炼出高频Pandas知识点，一切以数据分析应用为导向，让学习更加明确。

1.2.2 高效学习Pandas

1.二八法则在Pandas中的应用

刚才我们了解了Pandas学习的误区，那些是不建议做的，但到底应该怎样做才能高效学习Pandas呢？

在二八法则的基础之上，我总结出了“二八学习法”，它适用于很多技能类的学习。拿Pandas学习来说：

第一步，以结果为导向，明确学习目的。很多人学习Pandas是为了提升数据处理和分析效率。

第二步，基于目标，花20%的时间，通过向更有经验的前辈请教和浏览相关实践资料，了解所学技能在实践中的常用场景和操作。比如在Pandas数据分析中，主要会用到DataFrame格式，常用到行列索引，以及增、删、选、改等数据处理操作。

第三步，花80%以上的时间重点啃下Pandas最常用的操作。啃的过程中不要迷失，对于一种实现方式只记一种常用操作方法，结合案例，边学边练，直到吃透。

一句话总结二八学习法：花20%的时间明确目标和常用场景，花80%的时间把与目标场景相关的核心操作反复练习，直至了然于胸。

最终，我们虽然只掌握了某个技能或工具不到20%的使用技巧，但却可以覆盖80%以上的应用场景，用20%撬动80%，成为别人眼中的高手。

2.Pandas学习路线

Pandas学习路线应该是怎样的？为了更好地回答这个问题，以结果为导向，我带大家还原几个高频场景。

❑有数可用。数据是一切分析的基础，要用Pandas来做数据分析，首先得有数据。因此，第一个高频场景是熟悉Pandas的基础数据结构以及用Pandas打开各种常见类型的数据源。

❑认识数据。有了数据之后，常见的操作是先对数据做一个总览，比如数据长什么样子，包含多少行多少列，每一列的格式是怎样的，有没有缺失值等。对数据进行快速扫描是第二个高频场景。

❑操作数据。对数据有了基本的认知后，我们需要结合分析目的，对数据进行一系列操作，包括在原有数据基础上创建新的列，删除某些异常的行和空缺过多的列，基于某些分析条件筛选出我们想要的数据，以及对原有数据做其他处理。这些操作可以概括为增、删、选、改，其中最重要的是选。

❑高效灵活地处理数据。常规的增、删、选、改操作已经能够覆盖大部分的需求，但在有些场景下需要一定的自定义化，例如通过自定义函数和apply结合的方式，极其灵活地完成更复杂的数据处理。这些场景可以概括为Pandas的进阶操作。

总结一下，本书将会从数据创建和导入、数据预览、增删选改、进阶操作几个方面重点展开，以贴合实际的数据分析场景。

最后需要注意的是，Pandas和Excel、SQL相比，只是调用、处理数据的方式不同，核心也是对数据进行一系列的处理和分析。在正式处理之前，更重要的是谋定而后动，明确分析的意义，厘清分析思路之后再处理和分析数据，一定会事半功倍。