这里是三岁，速学了pandas，怕自己不会用整理了一下资料，有问题的地方或者不对的希望大家多多指出，批评指正！！！
由于pandas的内容过多我们就把经常使用的进行解析，其他的我们后续逐步添加
pandas是基于NumPy开发和改进的，许多地方相通但是更加方便，使用更加简单。
虽然小编对传说中的“牛皮”库完全不了解[无奈]，接下来会逐渐更新，感谢大家支持！
参考资料：pandas中文官网
那就开始吧~~~~~
pandas概况
pandas是核心数据分析支持库，传说中的分析数据离不开！
pandas分为一维数据和二维数据（多维数据）
- 一维数据：Series 带标签的一维同构数组
- 二维数据：DataFrame 带标签的二维异构表格
安装与使用
安装pandas 在cmd 里面使用pip install pandas进行安装emmm我们顺便加上pip install Numpy让‘父子’团聚，嘻嘻嘻
导入，模块（库）
import pandas as pd
import numpy as np
Series
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。
s = pd.Series(data, index=index)
使用以上代码进行创建Series
index 是轴标签列表，data是数据
其中data也是有脾气的有以下要求（支持以下数据类型）
- Python 字典
- 多维数组
- 标量值（单个的数值）
范例：
s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
print(s)
print(s.index)
a -0.466190
b 0.097685
c 1.501163
d -0.051875
e -0.242873
dtype: float64
…………………………
Index([‘a’, ‘b’, ‘c’, ‘d’, ‘e’], dtype=‘object’)
以上例子为轴标签进行指定的，接下来看看没有指定的：
s = pd.Series(np.random.randn(5))
print(s)
print(s.index)
0 0.347845
1 -0.018464
2 0.647092
3 -0.456581
4 0.098459
dtype: float64
…………………………
RangeIndex(start=0, stop=5, step=1)
没有指定的话就会从0开始逐个对标。
话说对字典的处理是怎么完成的？
让我们一起举个‘栗子’看看：
data = {
'a': 0., 'b': 1., 'c': 2.}
s = pd.Series(data)
print(s)
print(s.index)
a 0.0
b 1.0
c 2.0
type: float64
…………………………
Index([‘a’, ‘b’, ‘c’], dtype=‘object’)
让我们看看这个例子
data = {
'a': 0., 'b': 1., 'c': 2.}
s = pd.Series(data, index={
'b', 'a', 'd', 'c'})
print(s)
print(s.index)
d NaN
a 0.0
c 2.0
b 1.0
dtype: float64
………………………
Index([‘d’, ‘a’, ‘c’, ‘b’], dtype=‘object’)
在里面出现了一个特殊的值NaN这个代表了数据的缺失
说完了字典那么标量值呢？
data 是标量值时，必须提供索引。Series 按索引长度重复该标量值。
s = pd.Series(5., index=['a', 'b', 'c', 'd', 'e'])
print(s)
print(s.index)
a 5.0
b 5.0
c 5.0
d 5.0
e 5.0
dtype: float64
…………………………
Index([‘a’, ‘b’, ‘c’, ‘d’, ‘e’], dtype=‘object’)
DataFrame
DataFrame 是由多种类型的列构成的二维标签数据结构，类似于 Excel 、SQL 表，或 Series 对象构成的字典。DataFrame 是最常用的 Pandas 对象，与 Series 一样，DataFrame 支持多种类型的输入数据：
- 一维 ndarray、列表、字典、Series 字典
- 二维 numpy.ndarray
- 结构多维数组或记录多维数组
- Series
- DataFrame
还可以有选择地传递 index（行标签）和 columns（列标签）参数。传递了索引或列，就可以确保生成的 DataFrame 里包含索引或列。
举例看看用字典转换成DataFrame
d = {
'one': pd.Series([1., 2., 3.], index=['a', 'b', 'c']),
'two': pd.Series([1., 2., 3., 4.], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df)
print(df.index)
print(df.columns)
one two
a 1.0 1.0
b 2.0 2.0
c 3.0 3.0
d NaN 4.0
……………………
Index([‘a’, ‘b’, ‘c’, ‘d’], dtype=‘object’)
……………………
Index([‘one’, ‘two’], dtype=‘object’)
接下来看看定义了index的数据
d = {
'one': pd.Series([1., 2., 3.], index=['a', 'b', 'c']),
'two': pd.Series([1., 2., 3., 4.], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d, index=['d', 'b', 'a'])
print(df)
print(df.index)
print(df.columns)
one two
d NaN 4.0
b 2.0 2.0
a 1.0 1.0
……………………
Index([‘d’, ‘b’, ‘a’], dtype=‘object’)
……………………
Index([‘one’, ‘two’], dtype=‘object’)
仔细看的会发现没有定义的数据直接就删除了，丝毫没有情面
那么接下来看看columns指定的情况
d = {
'one': pd.Series([1., 2., 3.], index=['a', 'b', 'c']),
'two': pd.Series([1., 2., 3., 4.], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d, columns=['two', 'three'])
print(df)
print(df.index)
print(df.columns)
two three
a 1.0 NaN
b 2.0 NaN
c 3.0 NaN
d 4.0 NaN
……………………
Index([‘a’, ‘b’, ‘c’, ‘d’], dtype=‘object’)
……………………
Index([‘two’, ‘three’], dtype=‘object’)
又是见证奇迹的时刻没有定义的直接就删除了，新出现的直接NaN,代码界的黑寡妇！
问题来了！
这里的数据都是字典里面的用Series来表示的那么我们也没有什么办法用其他方法来表示呢？
让我们一起来看看
d = {
'one': [1., 2., 3., 4.],
'two': [5., 6., 7., 8.]}
df = pd.DataFrame(d)
print(df)
print(df.index)
print(df.columns)
one two
0 1.0 5.0
1 2.0 6.0
2 3.0 7.0
3 4.0 8.0
……………………
RangeIndex(start=0, stop=4, step=1)
……………………
Index([‘one’, ‘two’], dtype=‘object’)
我们用字典嵌套列表也是可以的但是要注意，每一项要对齐，不能够有缺失不然就会报错
d = {
'one': [1., 2., 3.],
'two': [5., 6., 7., 8.]}
df = pd.DataFrame(d)
print(df)
print(df.index)
print(df.columns)
raise ValueError(“arrays must all be same length”)
ValueError: arrays must all be same length
同理我们也可以使用index=[……]对index进行定义。此处就不演示了。
接下去使用列表嵌套字典进行处理
d = [{
'a': 1, 'b': 2}, {
'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(d)
print(df)
print(df.index)
print(df.columns)
a b c
0 1 2 NaN
1 5 10 20.0
……………………
RangeIndex(start=0, stop=2, step=1)
……………………
Index([‘a’, ‘b’, ‘c’], dtype=‘object’)
一样通过设置index来修改index的值
pd.DataFrame(d, index=['first', 'second'])
a b c
first 1 2 NaN
second 5 10 20.0
此处还有许多类型例如元组和字典的嵌套，字典和字典的嵌套，多维数组等等然后可以生成二维，三维，四维……多维的数据，里面需要认真理解，多加练习。
那么pandas的数据结构Series和DataFrame就先告一段落啦！
记得关注三岁哟！