Python数据分析三剑客之Pandas（一）：认识Pandas及其Series、DataFrame对象TRHX'SBLOG-

这里是一段防爬虫文本，请读者忽略。 本文原创首发于 ImapBox，作者 TRHX。 博客首页：https://itrhx.blog.csdn.net/ 本文链接：https://itrhx.blog.csdn.net/article/details/106676693 未经授权，禁止转载！恶意转载，后果自负！尊重原创，远离剽窃！ 

【01×00】了解 Pandas

Pandas 是 Python 的一个数据分析包，是基于 NumPy 构建的，最初由 AQR Capital Management 于 2008 年 4 月开发，并于 2009 年底开源出来，目前由专注于 Python 数据包开发的 PyData 开发团队继续开发和维护，属于 PyData 项目的一部分。

Pandas 最初被作为金融数据分析工具而开发出来，因此，Pandas 为时间序列分析提供了很好的支持。Pandas 的名称来自于面板数据（panel data）和 Python 数据分析（data analysis）。panel data 是经济学中关于多维数据集的一个术语，在 Pandas 中也提供了 panel 的数据类型。

Pandas 经常和其它工具一同使用，如数值计算工具 NumPy 和 SciPy，分析库 statsmodels 和 scikit-learn，数据可视化库 Matplotlib 等，虽然 Pandas 采用了大量的 NumPy 编码风格，但二者最大的不同是 Pandas 是专门为处理表格和混杂数据设计的。而 NumPy 更适合处理统一的数值数组数据。

【以下对 Pandas 的解释翻译自官方文档：https://pandas.pydata.org/docs/getting_started/overview.html#package-overview】

Pandas 是 Python 的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。Pandas 的目标是成为 Python 数据分析实践与实战的必备高级工具，其长远目标是成为最强大、最灵活、可以支持任何语言的开源数据分析工具。经过多年不懈的努力，Pandas 离这个目标已经越来越近了。

Pandas 适用于处理以下类型的数据：

• 与 SQL 或 Excel 表类似的，含异构列的表格数据;
• 有序和无序（非固定频率）的时间序列数据;
• 带行列标签的矩阵数据，包括同构或异构型数据;
• 任意其它形式的观测、统计数据集, 数据转入 Pandas 数据结构时不必事先标记。

Pandas 的主要数据结构是 Series（一维数据）与 DataFrame（二维数据），这两种数据结构足以处理- 金融、统计、社会科学、工程等领域里的大多数典型用例。对于 R 语言用户，DataFrame 提供了比 R 语言 data.frame 更丰富的功能。Pandas 基于 NumPy 开发，可以与其它第三方科学计算支持库完美集成。

Pandas 就像一把万能瑞士军刀，下面仅列出了它的部分优势 ：

• 处理浮点与非浮点数据里的缺失数据，表示为 NaN；
• 大小可变：插入或删除 DataFrame 等多维对象的列；
• 自动、显式数据对齐：显式地将对象与一组标签对齐，也可以忽略标签，在 Series、DataFrame 计算时自动与数据对齐；
• 强大、灵活的分组（group by）功能：拆分-应用-组合数据集，聚合、转换数据；
• 把 Python 和 NumPy 数据结构里不规则、不同索引的数据轻松地转换为 DataFrame 对象；
• 基于智能标签，对大型数据集进行切片、花式索引、子集分解等操作；
• 直观地合并和连接数据集；
• 灵活地重塑和旋转数据集；
• 轴支持分层标签（每个刻度可能有多个标签）；
• 强大的 IO 工具，读取平面文件（CSV 等支持分隔符的文件）、Excel 文件、数据库等来源的数据，以及从超快 HDF5 格式保存 / 加载数据；
• 时间序列：支持日期范围生成、频率转换、移动窗口统计、移动窗口线性回归、日期位移等时间序列功能。

这些功能主要是为了解决其它编程语言、科研环境的痛点。处理数据一般分为几个阶段：数据整理与清洗、数据分析与建模、数据可视化与制表，Pandas 是处理数据的理想工具。

其它说明：

• Pandas 速度很快。Pandas 的很多底层算法都用 Cython 优化过。然而，为了保持通用性，必然要牺牲一些性能，如果专注某一功能，完全可以开发出比 Pandas 更快的专用工具。
• Pandas 是 statsmodels 的依赖项，因此，Pandas 也是 Python 中统计计算生态系统的重要组成部分。
• Pandas 已广泛应用于金融领域。

【02×00】Pandas 数据结构

Pandas 的主要数据结构是 Series（带标签的一维同构数组）与 DataFrame（带标签的，大小可变的二维异构表格）。

Pandas 数据结构就像是低维数据的容器。比如，DataFrame 是 Series 的容器，Series 则是标量的容器。使用这种方式，可以在容器中以字典的形式插入或删除对象。

此外，通用 API 函数的默认操作要顾及时间序列与截面数据集的方向。当使用 Ndarray 存储二维或三维数据时，编写函数要注意数据集的方向，这对用户来说是一种负担；如果不考虑 C 或 Fortran 中连续性对性能的影响，一般情况下，不同的轴在程序里其实没有什么区别。Pandas 里，轴的概念主要是为了给数据赋予更直观的语义，即用更恰当的方式表示数据集的方向。这样做可以让用户编写数据转换函数时，少费点脑子。

处理 DataFrame 等表格数据时，对比 Numpy，index（行）或 columns（列）比 axis 0 和 axis 1 更直观。用这种方式迭代 DataFrame 的列，代码更易读易懂：

for col in df.columns:     series = df[col] # do something with series 

【03×00】Series 对象

Series 是带标签的一维数组，可存储整数、浮点数、字符串、Python 对象等类型的数据。轴标签统称为索引。调用 pandas.Series 函数即可创建 Series，基本语法如下：

pandas.Series(data=None[, index=None, dtype=None, name=None, copy=False, fastpath=False])

【03×01】通过 list 构建 Series

一般情况下我们只会用到 data 和 index 参数，可以通过 list（列表） 构建 Series，示例如下：

>>> import pandas as pd >>> obj = pd.Series([1, 5, -8, 2]) >>> obj 0 1 1 5 2 -8 3 2 dtype: int64 

由于我们没有为数据指定索引，于是会自动创建一个 0 到 N-1（N 为数据的长度）的整数型索引，左边一列是自动创建的索引（index），右边一列是数据（data）。

此外，还可以自定义索引（index）：

>>> import pandas as pd >>> obj = pd.Series([1, 5, -8, 2], index=['a', 'b', 'c', 'd']) >>> obj a    1 b    5 c   -8 d    2 dtype: int64 

索引（index）也可以通过赋值的方式就地修改：

>>> import pandas as pd >>> obj = pd.Series([1, 5, -8, 2], index=['a', 'b', 'c', 'd']) >>> obj a    1 b    5 c   -8 d    2 dtype: int64 >>> obj.index = ['Bob', 'Steve', 'Jeff', 'Ryan'] >>> obj Bob      1 Steve    5 Jeff    -8 Ryan     2 dtype: int64 

【03×02】通过 dict 构建 Series

通过 字典（dict） 构建 Series，字典的键（key）会作为索引（index），字典的值（value）会作为数据（data），示例如下：

>>> import pandas as pd >>> data = {'Beijing': 21530000, 'Shanghai': 24280000, 'Wuhan': 11210000, 'Zhejiang': 58500000} >>> obj = pd.Series(data) >>> obj Beijing     21530000 Shanghai    24280000 Wuhan       11210000 Zhejiang    58500000 dtype: int64 

如果你想按照某个特定的顺序输出结果，可以传入排好序的字典的键以改变顺序：

 >>> import pandas as pd >>> data = {'Beijing': 21530000, 'Shanghai': 24280000, 'Wuhan': 11210000, 'Zhejiang': 58500000} >>> cities = ['Guangzhou', 'Wuhan', 'Zhejiang', 'Shanghai'] >>> obj = pd.Series(data, index=cities) >>> obj Guangzhou           NaN Wuhan        11210000.0 Zhejiang     58500000.0 Shanghai     24280000.0 dtype: float64 

注意：data 为字典，且未设置 index 参数时：

• 如果 Python >= 3.6 且 Pandas >= 0.23，Series 按字典的插入顺序排序索引。
• 如果 Python < 3.6 或 Pandas < 0.23，Series 按字母顺序排序索引。

【03×03】获取其数据和索引

我们可以通过 Series 的 values 和 index 属性获取其数据和索引对象：

>>> import pandas as pd >>> obj = pd.Series([1, 5, -8, 2], index=['a', 'b', 'c', 'd']) >>> obj.values array([ 1, 5, -8, 2], dtype=int64) >>> obj.index Index(['a', 'b', 'c', 'd'], dtype='object') 

【03×04】通过索引获取数据

与普通 NumPy 数组相比，Pandas 可以通过索引的方式选取 Series 中的单个或一组值，获取一组值时，传入的是一个列表，列表中的元素是索引值，另外还可以通过索引来修改其对应的值：

>>> import pandas as pd >>> obj = pd.Series([1, 5, -8, 2], index=['a', 'b', 'c', 'd']) >>> obj a    1 b    5 c   -8 d    2 dtype: int64 >>> obj['a'] 1 >>> obj['a'] = 3 >>> obj[['a', 'b', 'c']] a    3 b    5 c   -8 dtype: int64 

【03×05】使用函数运算

在 Pandas 中可以使用 NumPy 函数或类似 NumPy 的运算（如根据布尔型数组进行过滤、标量乘法、应用数学函数等）：

>>> import pandas as pd >>> import numpy as np >>> obj = pd.Series([1, 5, -8, 2], index=['a', 'b', 'c', 'd']) >>> obj[obj > 0] a    1 b    5 d    2 dtype: int64 >>> obj * 2 a     2 b    10 c   -16 d     4 dtype: int64 >>> np.exp(obj) a      2.718282 b    148.413159 c      0.000335 d      7.389056 dtype: float64 

除了这些运算函数以外，还可以将 Series 看成是一个定长的有序字典，因为它是索引值到数据值的一个映射。它可以用在许多原本需要字典参数的函数中：

>>> import pandas as pd >>> obj = pd.Series([1, 5, -8, 2], index=['a', 'b', 'c', 'd']) >>> 'a' in obj True >>> 'e' in obj False 

和 NumPy 类似，Pandas 中也有 NaN（即非数字，not a number），在 Pandas 中，它用于表示缺失值，Pandas 的 isnull 和 notnull 函数可用于检测缺失数据：

>>> import pandas as pd >>> import numpy as np >>> obj = pd.Series([np.NaN, 5, -8, 2], index=['a', 'b', 'c', 'd']) >>> obj a    NaN b    5.0 c   -8.0 d    2.0 dtype: float64 >>> pd.isnull(obj) a     True b    False c    False d    False dtype: bool >>> pd.notnull(obj) a    False b     True c     True d     True dtype: bool >>> obj.isnull() a     True b    False c    False d    False dtype: bool >>> obj.notnull() a    False b     True c     True d     True dtype: bool 

【03×06】name 属性

可以在 pandas.Series 方法中为 Series 对象指定一个 name：

>>> import pandas as pd >>> data = {'Beijing': 21530000, 'Shanghai': 24280000, 'Wuhan': 11210000, 'Zhejiang': 58500000} >>> obj = pd.Series(data, name='population') >>> obj Beijing     21530000 Shanghai    24280000 Wuhan       11210000 Zhejiang    58500000 Name: population, dtype: int64 

也可以通过 name 和 index.name 属性为 Series 对象和其索引指定 name：

>>> import pandas as pd >>> data = {'Beijing': 21530000, 'Shanghai': 24280000, 'Wuhan': 11210000, 'Zhejiang': 58500000} >>> obj = pd.Series(data) >>> obj.name = 'population' >>> obj.index.name = 'cities' >>> obj cities Beijing     21530000 Shanghai    24280000 Wuhan       11210000 Zhejiang    58500000 Name: population, dtype: int64 

这里是一段防爬虫文本，请读者忽略。 本文原创首发于 ImapBox，作者 TRHX。 博客首页：https://itrhx.blog.csdn.net/ 本文链接：https://itrhx.blog.csdn.net/article/details/106676693 未经授权，禁止转载！恶意转载，后果自负！尊重原创，远离剽窃！ 

【04×00】DataFrame 对象

DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共用同一个索引）。DataFrame 中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维数据结构）。

• 类似多维数组/表格数据 (如Excel、R 语言中的 data.frame)；
• 每列数据可以是不同的类型；
• 索引包括列索引和行索引

基本语法如下：

pandas.DataFrame(data=None, index: Optional[Collection] = None, columns: Optional[Collection] = None, dtype: Union[str, numpy.dtype, ExtensionDtype, None] = None, copy: bool = False)

【03×01】通过 ndarray 构建 DataFrame

>>> import numpy as np >>> import pandas as pd >>> data = np.random.randn(5,3) >>> data array([[-2.16231157, 0.44967198, -0.73131523], [ 1.18982913, 0.94670798, 0.82973421], [-1.57680831, -0.99732066, 0.96432 ], [-0.77483149, -1.23802881, 0.44061227], [ 1.77666419, 0.24931983, -1.12960153]]) >>> obj = pd.DataFrame(data) >>> obj           0 1 2 0 -2.162312 0.449672 -0.731315 1 1.189829 0.946708 0.829734 2 -1.576808 -0.997321 0.964320 3 -0.774831 -1.238029 0.440612 4 1.776664 0.249320 -1.129602 

指定索引（index）和列标签（columns），和 Series 对象类似，可以在构建的时候添加索引和标签，也可以直接通过赋值的方式就地修改：

>>> import numpy as np >>> import pandas as pd >>> data = np.random.randn(5,3) >>> index = ['a', 'b', 'c', 'd', 'e'] >>> columns = ['A', 'B', 'C'] >>> obj = pd.DataFrame(data, index, columns) >>> obj           A         B         C a -1.042909 -0.238236 -1.050308 b  0.587079 0.739683 -0.233624 c -0.451254 -0.638496 1.708807 d -0.620158 -1.875929 -0.432382 e -1.093815 0.396965 -0.759479 >>> >>> obj.index = ['A1', 'A2', 'A3', 'A4', 'A5'] >>> obj.columns = ['B1', 'B2', 'B3'] >>> obj           B1        B2        B3 A1 -1.042909 -0.238236 -1.050308 A2  0.587079 0.739683 -0.233624 A3 -0.451254 -0.638496 1.708807 A4 -0.620158 -1.875929 -0.432382 A5 -1.093815 0.396965 -0.759479 

【03×02】通过 dict 构建 DataFrame

通过 字典（dict） 构建 DataFrame，字典的键（key）会作为列标签（columns），字典的值（value）会作为数据（data），示例如下：

>>> import pandas as pd >>> data = {'city': ['Wuhan', 'Wuhan', 'Wuhan', 'Beijing', 'Beijing', 'Beijing'], 'year': [2017, 2018, 2019, 2017, 2018, 2019], 'people': [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]} >>> obj = pd.DataFrame(data) >>> obj       city  year    people 0    Wuhan  2017 10892900 1    Wuhan  2018 11081000 2    Wuhan  2019 11212000 3  Beijing  2017 21707000 4  Beijing  2018 21542000 5  Beijing  2019 21536000 

如果指定了列序列，则 DataFrame 的列就会按照指定顺序进行排列，如果传入的列在数据中找不到，就会在结果中产生缺失值（NaN）：

>>> import pandas as pd >>> data = {'city': ['Wuhan', 'Wuhan', 'Wuhan', 'Beijing', 'Beijing', 'Beijing'], 'year': [2017, 2018, 2019, 2017, 2018, 2019], 'people': [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]} >>> pd.DataFrame(data)       city  year    people 0    Wuhan  2017 10892900 1    Wuhan  2018 11081000 2    Wuhan  2019 11212000 3  Beijing  2017 21707000 4  Beijing  2018 21542000 5  Beijing  2019 21536000 >>> pd.DataFrame(data, columns=['year', 'city', 'people'])    year     city    people 0 2017    Wuhan  10892900 1 2018    Wuhan  11081000 2 2019    Wuhan  11212000 3 2017  Beijing  21707000 4 2018  Beijing  21542000 5 2019  Beijing  21536000 >>> pd.DataFrame(data, columns=['year', 'city', 'people', 'money'])    year     city    people money 0 2017    Wuhan  10892900   NaN 1 2018    Wuhan  11081000   NaN 2 2019    Wuhan  11212000   NaN 3 2017  Beijing  21707000   NaN 4 2018  Beijing  21542000   NaN 5 2019  Beijing  21536000   NaN 

注意：data 为字典，且未设置 columns 参数时：

• Python > = 3.6 且 Pandas > = 0.23，DataFrame 的列按字典的插入顺序排序。

• Python < 3.6 或 Pandas < 0.23，DataFrame 的列按字典键的字母排序。

【03×03】获取其数据和索引

和 Series 一样，DataFrame 也可以通过其 values 和 index 属性获取其数据和索引对象：

>>> import numpy as np >>> import pandas as pd >>> data = {'city': ['Wuhan', 'Wuhan', 'Wuhan', 'Beijing', 'Beijing', 'Beijing'], 'year': [2017, 2018, 2019, 2017, 2018, 2019], 'people': [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]} >>> obj = pd.DataFrame(data) >>> obj.index RangeIndex(start=0, stop=6, step=1) >>> obj.values array([['Wuhan', 2017, 10892900], ['Wuhan', 2018, 11081000], ['Wuhan', 2019, 11212000], ['Beijing', 2017, 21707000], ['Beijing', 2018, 21542000], ['Beijing', 2019, 21536000]], dtype=object) 

【03×04】通过索引获取数据

通过类似字典标记的方式或属性的方式，可以将 DataFrame 的列获取为一个 Series 对象；

行也可以通过位置或名称的方式进行获取，比如用 loc 属性；

对于特别大的 DataFrame，有一个 head 方法可以选取前五行数据。

用法示例：

>>> import numpy as np >>> import pandas as pd >>> data = {'city': ['Wuhan', 'Wuhan', 'Wuhan', 'Beijing', 'Beijing', 'Beijing'], 'year': [2017, 2018, 2019, 2017, 2018, 2019], 'people': [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]} >>> obj = pd.DataFrame(data) >>> obj       city  year    people 0    Wuhan  2017 10892900 1    Wuhan  2018 11081000 2    Wuhan  2019 11212000 3  Beijing  2017 21707000 4  Beijing  2018 21542000 5  Beijing  2019 21536000 >>> >>> obj['city'] 0      Wuhan 1      Wuhan 2      Wuhan 3    Beijing 4    Beijing 5    Beijing Name: city, dtype: object >>> >>> obj.year 0 2017 1 2018 2 2019 3 2017 4 2018 5 2019 Name: year, dtype: int64 >>> >>> type(obj.year) <class 'pandas.core.series.Series'> >>> >>> obj.loc[2] city         Wuhan year          2019 people    11212000 Name: 2, dtype: object >>> >>> obj.head()       city  year    people 0    Wuhan  2017 10892900 1    Wuhan  2018 11081000 2    Wuhan  2019 11212000 3  Beijing  2017 21707000 4  Beijing  2018 21542000 

【03×05】修改列的值

列可以通过赋值的方式进行修改。在下面示例中，分别给”money”列赋上一个标量值和一组值：

>>> import pandas as pd >>> import numpy as np >>> data = {'city': ['Wuhan', 'Wuhan', 'Wuhan', 'Beijing', 'Beijing', 'Beijing'], 'year': [2017, 2018, 2019, 2017, 2018, 2019], 'people': [10892900, 11081000, 11212000, 21707000, 21542000, 21536000], 'money':[np.NaN, np.NaN, np.NaN, np.NaN, np.NaN, np.NaN]} >>> obj = pd.DataFrame(data, index=['A', 'B', 'C', 'D', 'E', 'F']) >>> obj       city  year    people  money A    Wuhan  2017 10892900    NaN B    Wuhan  2018 11081000    NaN C    Wuhan  2019 11212000    NaN D  Beijing  2017 21707000    NaN E  Beijing  2018 21542000    NaN F  Beijing  2019 21536000    NaN >>> >>> obj['money'] = 6666666666 >>> obj       city  year    people       money A    Wuhan  2017 10892900 6666666666 B    Wuhan  2018 11081000 6666666666 C    Wuhan  2019 11212000 6666666666 D  Beijing  2017 21707000 6666666666 E  Beijing  2018 21542000 6666666666 F  Beijing  2019 21536000 6666666666 >>> >>> obj['money'] = np.arange(100000000, 700000000, 100000000) >>> obj       city  year    people      money A    Wuhan  2017 10892900 100000000 B    Wuhan  2018 11081000 200000000 C    Wuhan  2019 11212000 300000000 D  Beijing  2017 21707000 400000000 E  Beijing  2018 21542000 500000000 F  Beijing  2019 21536000 600000000 

将列表或数组赋值给某个列时，其长度必须跟 DataFrame 的长度相匹配。如果赋值的是一个 Series，就会精确匹配 DataFrame 的索引：

>>> import pandas as pd >>> import numpy as np >>> data = {'city': ['Wuhan', 'Wuhan', 'Wuhan', 'Beijing', 'Beijing', 'Beijing'], 'year': [2017, 2018, 2019, 2017, 2018, 2019], 'people': [10892900, 11081000, 11212000, 21707000, 21542000, 21536000], 'money':[np.NaN, np.NaN, np.NaN, np.NaN, np.NaN, np.NaN]} >>> obj = pd.DataFrame(data, index=['A', 'B', 'C', 'D', 'E', 'F']) >>> obj       city  year    people  money A    Wuhan  2017 10892900    NaN B    Wuhan  2018 11081000    NaN C    Wuhan  2019 11212000    NaN D  Beijing  2017 21707000    NaN E  Beijing  2018 21542000    NaN F  Beijing  2019 21536000    NaN >>> >>> new_data = pd.Series([5670000000, 6890000000, 7890000000], index=['A', 'C', 'E']) >>> obj['money'] = new_data >>> obj       city  year    people         money A    Wuhan  2017 10892900 5.670000e+09 B    Wuhan  2018 11081000           NaN C    Wuhan  2019 11212000 6.890000e+09 D  Beijing  2017 21707000           NaN E  Beijing  2018 21542000 7.890000e+09 F  Beijing  2019 21536000           NaN 

【03×06】增加 / 删除列

为不存在的列赋值会创建出一个新列，关键字 del 用于删除列：

>>> import pandas as pd >>> data = {'city': ['Wuhan', 'Wuhan', 'Wuhan', 'Beijing', 'Beijing', 'Beijing'], 'year': [2017, 2018, 2019, 2017, 2018, 2019], 'people': [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]} >>> obj = pd.DataFrame(data) >>> obj       city  year    people 0    Wuhan  2017 10892900 1    Wuhan  2018 11081000 2    Wuhan  2019 11212000 3  Beijing  2017 21707000 4  Beijing  2018 21542000 5  Beijing  2019 21536000 >>> >>> obj['northern'] = obj['city'] == 'Beijing' >>> obj       city  year    people  northern 0    Wuhan  2017 10892900 False 1    Wuhan  2018 11081000 False 2    Wuhan  2019 11212000 False 3  Beijing  2017 21707000 True 4  Beijing  2018 21542000 True 5  Beijing  2019 21536000 True >>> >>> del obj['northern'] >>> obj       city  year    people 0    Wuhan  2017 10892900 1    Wuhan  2018 11081000 2    Wuhan  2019 11212000 3  Beijing  2017 21707000 4  Beijing  2018 21542000 5  Beijing  2019 21536000 

【03×07】name 属性

可以通过 index.name 和 columns.name 属性设置索引（index）和列标签（columns）的 name，注意 DataFrame 对象是没有 name 属性的：

>>> import pandas as pd >>> data = {'city': ['Wuhan', 'Wuhan', 'Wuhan', 'Beijing', 'Beijing', 'Beijing'], 'year': [2017, 2018, 2019, 2017, 2018, 2019], 'people': [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]} >>> obj = pd.DataFrame(data) >>> obj.index.name = 'index' >>> obj.columns.name = 'columns' >>> obj columns     city  year    people index                            0          Wuhan  2017 10892900 1          Wuhan  2018 11081000 2          Wuhan  2019 11212000 3        Beijing  2017 21707000 4        Beijing  2018 21542000 5        Beijing  2019 21536000 

这里是一段防爬虫文本，请读者忽略。 本文原创首发于 ImapBox，作者 TRHX。 博客首页：https://itrhx.blog.csdn.net/ 本文链接：https://itrhx.blog.csdn.net/article/details/106676693 未经授权，禁止转载！恶意转载，后果自负！尊重原创，远离剽窃！