2. 数据加载与初探：使用 Pandas 加载 CSV/Excel 数据、head()/info()/describe() 方法、数据类型概览

数据加载是特征回放分析的第一步。本章将系统讲解如何使用 Pandas 从 CSV 和 Excel 文件中读取数据，并通过三个核心方法快速建立对数据集的初步认知。掌握这些基础操作，是后续进行特征工程与对比分析的前提。

2.1 使用 Pandas 加载数据文件

Pandas 提供了 read_csv() 和 read_excel() 两个最常用的数据加载函数。以下为基本用法与关键参数对比：

import pandas as pd

# 加载 CSV 文件
df_csv = pd.read_csv('customer_data.csv', encoding='utf-8')

# 加载 Excel 文件（指定工作表）
df_excel = pd.read_excel('sales_report.xlsx', sheet_name='Sheet1')

# 加载 Excel 文件（指定列范围）
df_excel_sub = pd.read_excel('sales_report.xlsx', sheet_name='Sheet1', usecols='A:C')

2.2 数据初探三剑客：head()、info()、describe()

加载数据后，应立刻使用以下三个方法对数据集进行快速扫描，形成整体印象。

2.2.1 head() —— 预览数据样本

head(n) 默认返回前 5 行数据，用于观察字段名称、数据格式和典型取值。配合 tail(n) 可查看数据尾部，检查是否有异常截断。

# 查看前 5 行
print(df_csv.head())

# 查看后 3 行
print(df_csv.tail(3))

2.2.2 info() —— 获取数据摘要

info() 输出 DataFrame 的完整摘要，包括行数、列数、每列的非空计数和数据类型。这是判断缺失值与数据类型是否正确的第一道关卡。

# 查看数据摘要
df_csv.info()

输出示例：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 8 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   user_id     1000 non-null   int64  
 1   age         1000 non-null   int64  
 2   income      980 non-null    float64
 3   gender      1000 non-null   object 
 4   region      1000 non-null   object 
 5   purchase    950 non-null    float64
 6   signup_date 1000 non-null   object 
 7   score       1000 non-null   int64  
dtypes: float64(2), int64(3), object(3)
memory usage: 62.6 KB

2.2.3 describe() —— 统计描述

describe() 对数值型列自动计算计数、均值、标准差、最小值、四分位数和最大值。对于分类型数据，可设置 include='object' 查看频次统计。

# 数值列统计描述
print(df_csv.describe())

# 分类列统计描述
print(df_csv.describe(include='object'))

数值列输出示例：

2.3 数据类型概览与转换

Pandas 中常见的数据类型包括 int64、float64、object（字符串）、datetime64、category 等。通过 dtypes 属性可查看每列类型，使用 astype() 或 pd.to_datetime() 进行类型转换。

# 查看所有列的数据类型
print(df_csv.dtypes)

# 将 'signup_date' 列转换为日期类型
df_csv['signup_date'] = pd.to_datetime(df_csv['signup_date'])

# 将 'gender' 列转换为分类类型
df_csv['gender'] = df_csv['gender'].astype('category')

# 转换后再次确认
print(df_csv.dtypes)

2.4 综合实战：加载并初探客户数据集

以下代码演示了完整的加载与初探流程，包含异常处理与类型转换：

import pandas as pd

# 1. 加载数据
try:
    df = pd.read_csv('customer_data.csv', encoding='utf-8')
    print("数据加载成功，共 {} 行 {} 列".format(df.shape[0], df.shape[1]))
except FileNotFoundError:
    print("文件未找到，请检查路径")
    exit()

# 2. 预览数据
print("\n===== 前5行数据 =====")
print(df.head())

# 3. 数据摘要
print("\n===== 数据摘要 =====")
df.info()

# 4. 统计描述
print("\n===== 数值列统计 =====")
print(df.describe())

# 5. 类型检查与转换
print("\n===== 原始数据类型 =====")
print(df.dtypes)

# 转换日期列
if 'signup_date' in df.columns:
    df['signup_date'] = pd.to_datetime(df['signup_date'], errors='coerce')
    print("\n'signup_date' 已转换为 datetime 类型")

# 转换分类列
categorical_cols = ['gender', 'region']
for col in categorical_cols:
    if col in df.columns:
        df[col] = df[col].astype('category')
        print(f"'{col}' 已转换为 category 类型")

# 6. 最终确认
print("\n===== 转换后数据类型 =====")
print(df.dtypes)

通过以上步骤，我们已完成了对数据集的全面初探。接下来，将基于这些初步认识，进入特征回放与对比分析的核心环节。