实验题二：Pandas 使用 题目描述 本次实验主要围绕 pandas 库的使用，通过不同的操作来熟悉 pandas 数据框的创建、数据选择和数据处理等功能。 小题 1：数据框创建与基本属性 任务：创建一个包含学生姓名、年龄和成绩的 pandas 数据框，数据如下： | 姓名 | 年龄 | 成绩 | | 张三 | 20 | 85 | | 李四 | 21 | 90 | | 王五 | 22 | 78 | 然后打印数据框的基本信息和前几行（.head()）。 小题 2：数据选择 任务：从小题 1 中创建的数据框中选择年龄大于 20 的学生信息，并打印这些学生的姓名和成绩。 小题 3：数据处理 任务：在小题 1 中创建的数据框中添加一列 等级，根据成绩划分等级：成绩大于等于 90 为 A，成绩大于等于 80 为 B，成绩大于等于 70 为 C，其余为 D，然后打印更新后的数据框。

<think>好的，我需要帮助用户解决关于Pandas的三个实验题。首先，我得仔细阅读每个小题的要求，确保理解每个任务的具体目标。 对于小题1，用户需要创建一个包含学生姓名、年龄和成绩的数据框。我应该先考虑如何用Pandas的DataFrame来构建这个结构。数据是明确的，三列：姓名、年龄、成绩，三行数据。可能需要使用字典结构，将列名作为键，数据作为列表。然后打印基本信息和前几行，这应该用.info()和.head()方法。需要注意的是，用户的数据是否正确，比如年龄和成绩的数据类型是否正确，是否会有缺失值，但根据题目描述，数据应该是完整的，所以暂时不需要处理缺失值。 接下来是小题2，要求选择年龄大于20的学生，并打印姓名和成绩。这里需要用到布尔索引，即筛选年龄列大于20的行，然后选择特定的列。需要注意的是，Pandas中如何组合多个条件，但这里只有一个条件，所以比较简单。可能需要提醒用户注意条件运算符的正确使用，比如用==而不是=，但题目中的条件明确，应该没问题。之后是列的选择，可以用df[['姓名', '成绩']]来提取。 小题3是在原数据框添加新列“等级”，根据成绩划分等级。这里应该使用apply函数或者np.where或者cut方法。题目中的条件是分层的，需要按顺序判断。比如成绩>=90为A，>=80为B，>=70为C，其他D。这里需要注意的是条件的顺序，因为如果先判断>=70，可能会覆盖更高分的情况，所以应该从高到低判断。或者使用pd.cut的分箱功能，设置bins和labels参数。这里可能用lambda函数结合apply更直观，但也可以使用向量化的方法，比如np.select或者多个布尔条件。需要选择一种高效且易读的方式来实现。 现在需要检查是否有潜在的问题。比如在小题3中，成绩是否有超出预期的情况，比如超过100或低于0，但题目中的数据是78到90，所以暂时不需要处理。另外，添加新列时是否会修改原数据框还是生成副本，这里应该直接在原数据框上添加，所以使用df['等级'] = ...的方式。 接下来考虑如何组织代码示例，确保每个小题的代码分开，并且有注释说明。同时，输出结果也要展示出来，让用户清楚每个步骤的结果。比如在小题1中，使用print(df.head())来显示前几行，而.info()会显示数据类型、非空值等信息。 可能还需要解释一些关键点，比如在小题2中，布尔索引的使用，如何组合多个条件，或者如何选择特定的列。在小题3中，条件判断的顺序，以及如何应用函数到每个成绩值上。 最后，要确保代码的正确性，比如列名是否正确，条件是否覆盖所有情况，以及是否有语法错误。可能需要自己先运行一遍代码，确认输出是否符合预期。比如在小题3中，李四的成绩是90，应该得到A，王五78是C，张三85是B。添加等级列后，数据框应该有三列，加上等级成为四列。 总结来说，步骤应该是：创建数据框，应用选择和过滤，添加计算列。每个步骤使用适当的Pandas方法，并确保输出正确。同时，在解释时需要提到关键函数的作用，比如DataFrame、布尔索引、apply或cut方法，以及.head()和.info()的作用。</think>让我们逐步解决这个Pandas实验题： $$------------------ 小题1 ------------------$$ ```python import pandas as pd # 创建数据框 data = { '姓名': ['张三', '李四', '王五'], '年龄': [20, 21, 22], '成绩': [85, 90, 78] } df = pd.DataFrame(data) # 显示基本信息 print("数据框基本信息：") print(df.info()) # 显示前两行（默认.head()显示5行，这里指定n=2） print("\n数据前两行：") print(df.head(2)) ``` **输出结果**： ``` 数据框基本信息： <class 'pandas.core.frame.DataFrame'> RangeIndex: 3 entries, 0 to 2 Data columns (total 3 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 姓名 3 non-null object 1 年龄 3 non-null int64 2 成绩 3 non-null int64 dtypes: int64(2), object(1) memory usage: 200.0+ bytes 数据前两行： 姓名 年龄 成绩 0 张三 20 85 1 李四 21 90 ``` $$------------------ 小题2 ------------------$$ ```python # 筛选年龄>20的学生 selected = df[df['年龄'] > 20] # 提取姓名和成绩 result = selected[['姓名', '成绩']] print("\n年龄大于20的学生：") print(result) ``` **输出结果**： ``` 年龄大于20的学生： 姓名 成绩 1 李四 90 2 王五 78 ``` $$------------------ 小题3 ------------------$$ ```python # 定义等级判断函数 def get_grade(score): if score >= 90: return 'A' elif score >= 80: return 'B' elif score >= 70: return 'C' else: return 'D' # 添加新列 df['等级'] = df['成绩'].apply(get_grade) print("\n添加等级后的数据框：") print(df) ``` **输出结果**： ``` 添加等级后的数据框： 姓名 年龄 成绩 等级 0 张三 20 85 B 1 李四 21 90 A 2 王五 22 78 C ``` **关键概念说明**： 1. `pd.DataFrame()` 是创建数据框的核心方法，接收字典格式数据 2. `df[条件]` 是布尔索引筛选，条件应为布尔序列 3. `.apply()` 方法用于逐元素应用函数，比循环更高效 4. 添加新列直接使用 `df[新列名] = ...` 语法 5. `df.info()` 显示数据框元信息，包括列类型和非空值数量