pandas中的Series和DataFrame是我们非常常用的两个工具。

Series是一种类似于一维数组的对象

from pandas import Series
#DataFrame和Series我们往往常用，一般直接从pandas中导入
obj = Series([4, 7, -5, 3])
print obj
#输出结果为:
'''
0    4
1    7
2   -5
3    3
dtype: int64
'''

Series由一组数据(各种Numpy数据类型)以及一组与之相关的数据标签(即索引)组成。
我们可以通过Series中的values和index属性获取其数组表示形式和索引对象:

print obj.values
print obj.index
'''
输出结果分别为：
[ 4  7 -5  3]
RangeIndex(start=0, stop=4, step=1)
'''

Series创建时可以自行指定索引

obj2 = Series([1, 2, 3, 4, 5],index=['a', 'b', 'c', 'd', 'e'])
print obj2
'''
输出结果为：
a    1
b    2
c    3
d    4
e    5
dtype: int64
'''

Series可以通过索引的方式选取Series中的单个或一组值:

print obj2['a']
obj2['d'] = 6
print obj2[['a','b','c']]
'''
输出结果分别为：
1

a    1
b    2
c    3
d    6
dtype: int64
'''

Series可以通过一个字典数据来创建

sdata = {'a':1, 'b':2, 'c':3}
obj3 = Series(sdata)
print obj3
'''
输出结果为:
a    1
b    2
c    3
dtype: int64
'''

DataFrame是一个表格型的数据结构

from pandas import DataFrame

data = {'state':['a','b','c','d'],
        'year':[1,2,3,4],
        'pop':[1.5,1.7,3.6,2.4]}
frame = DataFrame(data)
#创建DataFrame最常用的方法是直接传入由等长列表或NumPy数组组成的字典。
print frame
'''
输出结果如下：
   pop state  year
0  1.5     a     1
1  1.7     b     2
2  3.6     c     3
3  2.4     d     4

结果DataFrame会自动加上索引（跟Series一样）,且全部列会被有序排列
我们可以在创建的时候指定列的顺序
'''

frame = DataFrame(data,columns=['year','state','pop'])
print frame

'''
输出结果为：
   year state  pop
0     1     a  1.5
1     2     b  1.7
2     3     c  3.6
3     4     d  2.4
'''

#我们也可以人为的指定行索引，这跟Series一样，如果传入的列在数据中找不到，就会产生NA值

frame = DataFrame(data,columns=['year','state','pop','debt'],
                  index=['one','two','three','four'])
print frame
'''
输出结果为：
       year state  pop debt
one       1     a  1.5  NaN
two       2     b  1.7  NaN
three     3     c  3.6  NaN
four      4     d  2.4  NaN
'''

DataFrame中的索引方式

#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：
print frame['state']
"""
输出结果为：
one      a
two      b
three    c
four     d
Name: state, dtype: object
"""
print frame.year
"""
输出结果为：
one      1
two      2
three    3
four     4
Name: year, dtype: int64
"""

注意这些方式返回的Series拥有原DataFrame相同的索引，且其name属性也已经被相应地设置好了。行也可以通过位置或名称的方式进行获取，比如用索引字段ix：

print frame.ix['three']
"""
输出结果为：
year       3
state      c
pop      3.6
debt     NaN
Name: three, dtype: object
"""

我们可以通过DataFrame直接去改变DataFrame中的某一列或某一行的值

frame.ix['three'] = 0
print frame
"""
输出结果为：
       year state  pop debt
one       1     a  1.5  NaN
two       2     b  1.7  NaN
three     0     0  0.0    0
four      4     d  2.4  NaN
"""

frame['debt'] = 'good'
print frame
"""
输出结果为：
       year state  pop  debt
one       1     a  1.5  good
two       2     b  1.7  good
three     0     0  0.0  good
four      4     d  2.4  good
"""

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，所有的空位都将被填上缺失值：

val = Series([-1.2,-1.5,-1.7],index=['two','four','three'])
frame['debt'] = val
print frame
"""
输出结果为：
       year state  pop  debt
one       1     a  1.5   NaN
two       2     b  1.7  -1.2
three     3     c  3.6  -1.7
four      4     d  2.4  -1.5
"""

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:

frame['area'] = frame.state == 'Ohio'
print frame
"""
输出结果为：
       year state  pop  debt   area
one       1     a  1.5   NaN  False
two       2     b  1.7  -1.2  False
three     3     c  3.6  -1.7  False
four      4     d  2.4  -1.5  False
"""
del frame['area']
print frame
"""
输出结果为：
       year state  pop  debt
one       1     a  1.5   NaN
two       2     b  1.7  -1.2
three     3     c  3.6  -1.7
four      4     d  2.4  -1.5
"""

另外一种常见的数据形式是嵌套字典(也就是字典的字典),如果将它传给DataFrame，它就会被解释为：外层字典的键作为列，内层键则作为行索引:

pop = {'Nevada':{2001:2.4, 2002:2.9},
       'Ohio':{2000:1.5,2001:1.7,2002:3.6}}
frame = DataFrame(pop)
print frame
"""
输出结果为：
      Nevada  Ohio
2000     NaN   1.5
2001     2.4   1.7
2002     2.9   3.6
"""

(--未完待续--)