简介

pandas 是基于 Numpy 构建的含有更高级数据结构和工具的数据分析包 类似于 Numpy 的核心是 ndarray（经过Numpy封装的数组，具备了比普通python数组更加强大的功能，后续我会写个numpy的教程笔记，供自己备忘，以及分享给大家学习），pandas 也是围绕着 Series 和 DataFrame 两个核心数据结构展开的，默认导入如下：
from pandas import Series,DataFrame
import pandas as pd
由于通常还需要numpy，所以通常还需要导入numpy，导入格式：
import numpy as np

Series

类似于定长的有序字典，有Index和value。

• 由数组生成，传入一个数组，就会自动生成一个Series,第一列为Index,第二列则为值，Series自动帮助我们生成了index。

• 从ser1的values和index属性可以拿到Series的values和index的集合。

  
  

• 自定义索引(index),我们可以看到，当我们传入index的时候，第一列的索引不再是0..3了，而是替代成为我们传入的a,b,c,d。那当我们传入的索引的数量与传入的values的长度不相等的时候，会发生什么呢？当然，会报错，我传入的是3个长度的索引，报错内容：
  ValueError: Wrong number of items passed 4, placement implies 3.
  当然传入的索引长度大于values的长度的时候，报的一样的错误，只是上述的error中的3换成了5。

  
  

• Series取值，因为Series可以理解为定长的有序字典,所以我们取值的时候传入的就是键值，这里我们可以传入单个或者多个键值。

  
  

• 对Series进行过滤或者操作，都会返回一个新的Series,原来的ser2是保持不变的。

  
  

• 还可以传入一个字典直接构造Series，这样大家大概就可以理解我刚刚说的Series可以看成一个定长的字典的道理了吧。

  
  

• 当传入一个字典我们又传入索引的时候，会发生什么事情呢？我们可以看到当字典中有我们传入的键值的时候，则没什么问题，但是当我们传入的索引中没有字典中的键值的时候，就变成了NaN。在pandas中NaN则标示为缺失值的意思。

  
  

DataFrame

DataFrame可以看成是以Series组成的字典，具有行索引和列索引。

• 用字典创建DataFrame。

  
  

• 按指定列进行排序。

  
  

• 如果传入的columns中没有指定的key值，则会变成NaN。

  
  

• 通过类似字典的取值方式，我们可以取到一个Series，根据列索引。

  
  

• 通过ix取到一行的数据,根据行索引。

  
  

• 赋值。

  • 给一列赋单值。

    
    

  • 给一列赋一组值。

    
    

• 赋值一个Series,进行精确匹配，其他值填充为NaN。

  
  

• del用于删除一列

  
  

• 转置操作，即行索引变成列索引，列索引变成行索引。