1. Импорт библиотек.
   Прежде чем мы приступим к манипулированию данными, давайте удостоверимся, что у нас есть необходимые инструменты. В основном мы будем использовать две популярные библиотеки: Pandas и NumPy.

   import pandas as pd
   import numpy as np

2. Загрузка данных.
   Первый шаг — загрузить данные в Python. Будь то CSV-файл, электронная таблица Excel или база данных, Pandas предоставит вам всю необходимую информацию. Предположим, у нас есть файл CSV с именем «data.csv».

   df = pd.read_csv("data.csv")

3. Изучение данных.
   Всегда полезно ознакомиться с данными, прежде чем приступать к манипуляциям. Вот несколько способов изучения вашего набора данных:

   df.head()  # Display the first few rows
   df.info()  # Get a summary of the data types and missing values
   df.describe()  # Generate descriptive statistics

4. Выбор столбцов.
   Часто для анализа вам понадобится только подмножество столбцов. Вот как можно выбрать определенные столбцы:

   df["column_name"]  # Select a single column
   df[["column1", "column2"]]  # Select multiple columns

5. Фильтрация строк.
   Чтобы сосредоточиться на конкретных строках, соответствующих определенным условиям, вы можете использовать методы фильтрации:

   df[df["column"] > 10]  # Filter rows where the column value is greater than 10
   df[(df["column1"] > 5) & (df["column2"] == "value")]  # Filter rows with multiple conditions

6. Обработка отсутствующих значений.
   Обработка отсутствующих данных — важнейшая часть манипулирования данными. Pandas предоставляет методы для эффективной обработки пропущенных значений:

   df.dropna()  # Drop rows with missing values
   df.fillna(value)  # Fill missing values with a specific value

7. Группировка и агрегирование данных.
   Группировка данных и выполнение агрегирования — распространенная задача при манипулировании данными. Вот как этого можно добиться:

   df.groupby("column").mean()  # Group by a column and calculate the mean
   df.groupby(["column1", "column2"]).sum()  # Group by multiple columns and calculate the sum

8. Объединение данных.
   Объединить несколько наборов данных можно с помощью функции слияния. Допустим, у нас есть два фрейма данных: df1 и df2:

   merged_df = pd.merge(df1, df2, on="common_column")

9. Сортировка данных.
   Чтобы отсортировать данные по определенным столбцам, вы можете использовать метод sort_values:

   df.sort_values("column", ascending=False)  # Sort in descending order

10. Сохранение данных.
    После выполнения задач по манипулированию данными вы можете сохранить измененные данные:

    df.to_csv("new_data.csv", index=False)  # Save the dataframe as a CSV file

Поздравляем! Вы изучили некоторые важные методы манипулирования данными в Python. А теперь идите и обработайте свои данные как профессионал!