准备工作
首先导入 Pandas 库，并读取所需的数据集，为后续操作做准备：
python
运行
import pandas as pd # 读取UFO目击报告数据 ufo = pd.read_csv('uforeports.csv') # 读取各国饮品消费数据 drinks = pd.read_csv('drinksbycountry.csv') # 读取IMDB电影评分数据 movies = pd.read_csv('imdbratings.csv')一、缺失值填充（fillna 方法）
fillna()是 Pandas 中处理缺失值的核心方法，关键在于 **inplace参数 ** 的使用，直接影响是否修改原数据。
1. 原地填充缺失值（修改原数据）
python
运行
# 用'VARIOUS'填充ufo数据中'Shape Reported'列的缺失值，直接修改原数据 ufo['Shape Reported'].fillna(value='VARIOUS', inplace=True)- 作用：直接在原 DataFrame 的
Shape Reported列上操作，将所有缺失值（NaN）替换为VARIOUS，原数据被永久修改。
2. 非原地填充缺失值（返回新对象）
python
运行
# 生成填充缺失值后的新Series，原数据不受影响（inplace=False为默认值，可省略） ufo['Shape Reported'].fillna(value='VARIOUS', inplace=False)- 作用：不会修改原数据，而是返回一个缺失值已被填充为
VARIOUS的新 Series 对象。 - 注意：如果不将新对象赋值给原列（如
ufo['Shape Reported'] = ...），此次填充操作不会对原数据产生任何影响。
3. 统计填充后的数据分布
python
运行
# 统计'Shape Reported'列各值的出现次数（包含填充后的'VARIOUS'） ufo['Shape Reported'].value_counts()- 结果：此时统计的是填充缺失值后的列数据，
VARIOUS的数量对应原本的缺失值数量。
二、特殊格式数据读取（read_table 方法）
当数据文件的分隔符不是默认的逗号时，可使用read_table()指定分隔符读取：
python
运行
# 以'|'为分隔符读取数据，不设置表头（列名），并显示前5行 pd.read_table('movieusers.csv', header=None, sep='|').head()- 关键参数：
sep='|'：指定数据的分隔符为竖线|（默认是制表符header=None：表示数据文件没有表头行，Pandas 不会自动将第一行作为列名；.head()：仅显示数据的前 5 行，便于快速预览。
三、数据筛选与定位
1. 布尔索引筛选行
通过条件判断筛选出符合要求的行，是 Pandas 中最常用的筛选方式：
python
运行
# 筛选drinks数据中'continent'列值为'South America'（南美洲）的所有行 drinks[drinks.continent == 'South America']- 逻辑拆解：
drinks.continent == 'South America'：生成布尔值 Series（True/False），标记每行是否符合条件；drinks[布尔Series]：保留布尔值为 True 的行，返回筛选后的子 DataFrame。
2. loc 索引器精准定位（按标签索引）
loc是按行标签 + 列标签定位数据的核心工具，支持单个值、多行多列的索引。
（1）定位单个单元格值
python
运行
# 定位行标签为23、列名为'beer_servings'的单元格值 drinks.loc[23, 'beer_servings']（2）修改行索引后定位
若将列设为行索引，可直接用新索引标签定位：
python
运行
# 将'country'列设置为drinks的行索引（原地修改原数据） drinks.set_index('country', inplace=True) # 定位行标签为'Brazil'、列名为'beer_servings'的单元格值 drinks.loc['Brazil', 'beer_servings']（3）从统计结果中定位值
结合描述性统计与loc，提取指定统计指标：
python
运行
# 先对drinks做描述性统计，再提取'beer_servings'列的25%分位数（第一四分位数Q1） drinks.describe().loc['25%', 'beer_servings']- 逻辑：
drinks.describe()生成数值列的统计指标（count、mean、25%、50% 等），返回的 DataFrame 以统计指标为行标签，原列名为列标签，再通过loc定位目标值。
3. 填充缺失值（针对 drinks 的 continent 列）
python
运行
# 对drinks的'continent'列做非原地缺失值填充，返回新Series drinks['continent'].fillna(value='VARIOUS', inplace=False)- 核心逻辑：
drinks['continent']：选中目标列（Series 对象）；fillna(value='VARIOUS')：将列中缺失值替换为VARIOUS；inplace=False：返回填充后的新 Series，原数据不变。
四、Series 算术运算（索引对齐规则）
Pandas 的 Series 运算遵循索引标签对齐规则，仅匹配标签的元素会参与运算，不匹配的返回 NaN。
python
运行
# 创建自定义Series（索引为国家名，值为人口数） people = pd.Series([3000000, 85000], index=['Albania', 'Andorra'], name='population') # 将drinks的'beer_servings'列与people按索引对齐后相乘 drinks.beer_servings * people- 结果说明：
- 若
drinks.beer_servings的索引包含Albania和Andorra，则这两个标签对应的元素会相乘； - 其余标签因无匹配的
people索引，结果为 NaN。
- 若
五、选择指定行数据
使用loc索引器选择多行数据：
python
运行
# 选择ufo数据的前3行（行标签为0、1、2），并返回所有列 ufo.loc[[0, 1, 2], :]- 简化写法：
ufo.loc[0:2, :]（loc的切片包含结束标签，与 Python 原生切片不同），或ufo.head(3)（直接返回前 3 行）。
总结
- 缺失值填充：
inplace=True原地修改原数据，inplace=False返回新对象（默认），需赋值才会生效； - 数据定位：布尔索引用于行筛选，
loc按标签定位（行 + 列），是 Pandas 索引的核心工具； - Series 运算：遵循索引对齐规则，仅匹配标签的元素参与运算，不匹配则为 NaN。