Pandas是python中用于数据分析的一个强大的库。在数学建模中，往往会遇到大数据的题目，数量级通常在六位数以上。若使用人工处理数据的方法，根本不可能在四天之内处理完，并且电脑内存不够Excel会很卡。 因此，要选大数据的题目，必须要掌握Pandas的一些基本操作。 笔者认为，一个个API学习并不是最有效的方式，最有效的方式是通过实战案例来进行学习。本篇内容将以2020年国赛C题数据为例，进行处理。

为了不污染原数据，我建立一个temp的xlsx文件，复制进需要处理的数据，共210948条数据，数据如下：

运行下面这段程序就能导入.xlsx文件的数据

把数据导入查看结果： 发现系统自动给第一列加了索引。 如果不需要索引，怎么办呢？ 只需修改读取语句，增加条件：

再打印出数据看看： 发现索引果然消失了。 有时候，官方给的数据很多是csv格式。 读取csv文件只需稍微修改读取语句：

这样，数据就已经加载到编辑器中了。

导出数据更简单，先前我们将数据读取，存到data这个变量中，导出xlsx数据只需执行下面的语句：

执行完后，就可以发现同名文件夹中多了mydata.xlsx文件。 若要导出csv文件，则只需执行：

现在总共有123家企业，每一个企业对应着不同的企业代号。我需要统计每一个企业的运营时间，即企业最迟开具的发票时间-最早开具的发票时间。

先上代码，之后再逐行解析：

(1)data = pd.read_excel(‘tempdata.xlsx’) 首先读取了数据存在变量data中； (2)temp = data[‘企业代号’].unique() temp用来记录每一家企业的代号。data[‘企业代号’]代表data中“企业代号”这列数据，unique()作用是去重，即若同一家企业代号相同，只记录一次。 (3)a1 = [] a1 = pd.DataFrame(a1) 创建了一个a1变量，该变量结构是DataFrame，DataFrame可以理解为一种特殊的数据结构，即存在内存中的一个工作表。 (4)for num in range(len(temp)): id = temp[num] 用num做一个循环，id记录企业代号的具体值。 (5) a1.loc[num, “企业代号”] = id loc是写入DataFrame数据，比如，第一轮循环，num=0，在第0行“企业代号”列标题下写入id的值。 (6) t1 =data[data[“企业代号”] == id] t1起数据截取功能，意思就是将(data[“企业代号”] ==id)这部分截取出来，比如第一个企业代号是E1，那t1就存取了所有有关E1的数据。 (7)if len(t1[‘开票日期’]) == 0: 由于有些企业不存在发票信息，因此做个单独判断。 (8) day_min = min(t1[‘开票日期’]) day_max = max(t1[‘开票日期’]) day_min记录开票日期最小值，day_max记录开票日期最大值 (9) a1.loc[num, ‘日期(day)’] = day_max - day_min 在a1上开出新列"日期(day)"，记录具体数值。 (10)a1.to_csv(‘mydata.csv’) 保存，导出数据。

查看效果：

由于是日期数据相加减，导出的数据会带有单位days，不想要这个单位，可以通过手动进行数据分列。 在wps中，选择数据->分列，即可完成。

下面的需求是统计2017年-2020年各企业的发票金额和税收合计。

直接放代码，和上面类似。