本教程是“数据清洗与Python和Pandas”系列的一部分，旨在帮助开发者快速上手数据科学工具和技术。如果对本系列的其他文章感兴趣，可以在这里找到它们：
一旦设置了Jupyter Notebook并初始化了一些基本库，需要加载一些数据。为此，将从CSV文件和本地SQLite数据库加载数据。然后，将展示Pandas中一些基本的分析和功能，可以使用它们来显示和执行对数据的基本分析。
为本系列模块创建了一个完整的Jupyter Notebook，并附带了源数据文件，可以下载并本地安装。
在开始之前，请确保将customers.csv文件和本系列附带的remoteDB.db数据库文件复制到保存的Notebook的同一目录中。
让首先看看如何从CSV文件加载数据到Pandas。将加载与Notebook同一目录下的customers.csv文件，以保持事情简单，但也可以远程加载。在笔记本中添加一个新的输入行，包含以下命令：
pd.read_csv("customers.csv")
这个命令使用Pandas库加载并显示customers.csv文件。
根据显示的行，将立即看到数据中存在的一些潜在问题，这些问题显示为NaN。还将看到生成的表格输出。
在Pandas中，表格被称为DataFrame，这是一个类似于电子表格的二维数据结构。让将这个移动到一个变量中，并修改代码行以显示前五行：
customers = pd.read_csv("customers.csv")
print(customers.head(5))
（请注意，这里和本文的其他地方，将看到运行代码后立即显示的结果。）
这将读取CSV到一个变量中，并显示数据结构的前五行。
现在让从SQLite数据库加载一些额外的数据到Pandas。将使用sqlite3库来加载和读取数据库。可以使用类似的过程与常规数据库以及不同的Python库，但SQLite是无服务器的，只需要之前复制的单个数据库文件。让将这个文件作为数据库访问。
首先，将修改第一个代码块，以包含另一个Python库：
import sqlite3 as sql
然后，在读取CSV文件的customers之后，添加以下代码：
con = sql.connect("remoteDB.db")
products = pd.read_sql_query("SELECT * from products", con)
purchases = pd.read_sql_query("SELECT * from purchases", con)
con.close()
print(products.head(5))
print(purchases.head(5))
如果逐步执行这段代码，第一行连接到数据库文件remoteDB.db。接下来的两行使用Pandas从每个SQL查询的返回结果创建一个DataFrame。在这个例子中，有两个表，“products”和“purchases”。最后，这个块的最后一行关闭了对SQL数据库的连接。
然后打印每个变量的前五行的副本。这两个数据集的头部看起来相当不错，所以将不得不看看它们是否有进一步的问题。
在继续之前，让对数据集进行一个快速的基本分析。创建一个新的代码块并输入以下代码：
print(customers.shape)
print(customers.dtypes)
print(customers.describe(include="all"))
以下是一些结果：
对于这三个表，这段代码将为加载的数据生成一些基本统计信息。
shape方法显示了每个DataFrame的行数和列数。
dtypes方法显示了涉及的数据类型。
describe方法（带有include="all"修饰符）显示了数据的统计信息，例如有效值的数量、唯一值的数量、值的频率等。
注意，一些计数与总数不匹配。这是因为单元格中缺少信息，需要找到并纠正。数据集包括客户和产品信息，以及几个月的购买情况，因此为定义了很多不同的信息。