Pandas 数据处理
pd可以完成对数据集进行快速读取、转换、过滤、分析等一系列操作。除此之外，Pandas 拥有强大的缺失数据处理与数据透视功能，是数据预处理中的利器。
1.数据类型：
Pandas 的数据类型主要有以下几种，它们分别是：Series（一维数组），DataFrame（二维数组），Panel（三维数组），Panel4D（四维数组），PanelND（更多维数组）。其中 Series 和 DataFrame 应用的最为广泛，几乎占据了使用频率 90% 以上。
Pandas 基于 NumPy 开发。那么 NumPy 的数据类型 ndarray 多维数组自然就可以转换为 Pandas 中的数据。而 Series 则可以基于 NumPy 中的一维数据转换。
2.DataFrame :DataFrame 和平常的电子表格或 SQL 表结构相似,它和 Series 的直观区别在于，数据不但具有行索引，且具有列索引。
区别于 Series，其增加了 columns 列索引。DataFrame 可以由以下多个类型的数据构建：
一维数组、列表、字典或者 Series 字典。
二维或者结构化的 numpy.ndarray。
一个 Series 或者另一个 DataFrame。
3. 数据读取: Pandas 提供了一系列的方法来读取外部数据，非常全面。读取数据 CSV 文件的方法是 pandas.read_csv()，可以直接传入一个相对路径，或者是网络 URL。pd.read_前缀开始的方法还可以读取各式各样的数据文件，且支持连接数据库。DataFrame 是 Pandas 构成的核心。一切的数据，无论是外部读取还是自行生成，我们都需要先将其转换为 Pandas 的 DataFrame 或者 Series 数据类型。
pandas预览数据的方法:
4. 数据选择：
a、Pandas 中的 .iloc 方法。该方法可以接受的类型有：
整数。例如：4
整数构成的列表或数组。例如：[1, 2, 3]
布尔数组。
可返回索引值的函数或参数。
b 、df.loc[] 可以接受的类型有：
单个标签。例如：2 或 'a'，这里的 2 指的是标签而不是索引位置。
列表或数组包含的标签。例如：['A', 'B', 'C']。
切片对象。例如：'A':'E'，注意这里和上面切片的不同支持，首尾都包含在内。
布尔数组。
可返回标签的函数或参数。
5.数据删减： Pandas 中， .drop（）方法是数据删减。DataFrame.drop 可以直接去掉数据集中指定的列和行。一般在使用时，我们指定 labels 标签参数，然后再通过 axis 指定按列或按行删除即可。
6. 数据填充： Pandas 中用于检测缺失值主要用到两个方法，分别是：isna() 和 notna()，故名思意就是「是缺失值」和「不是缺失值」。默认会返回布尔值用于判断
插值填充：就是借助于一个函数（线性或非线性），再根据已知数据去求解未知数据的值。插值在数据领域非常常见，可以通过 interpolate() 方法完成线性插值。对于 interpolate() 支持的插值算法，也就是 method= 注意一下几点：
1.如果数据增长速率越来越快，可以选择 method='quadratic'二次插值。
2.如果数据集呈现出累计分布的样子，推荐选择 method='pchip'。
3.如果需要填补缺省值，以平滑绘图为目标，推荐选择 method='akima'。
当然，最后的 method='akima'，需要环境中安装了 Scipy 库。除此之外，method='barycentric' 和 method='pchip' 同样也需要 Scipy 才能使用。
