使用pandas，首先需要熟悉它的2个主要的数据结构：Series和DataFrame。
Series
series是一种类似于一维数组的的对象，它由一组数据(各种Numpy数据类型)以及一组与之相关的数据标签(索引)组成。
In [1]: from pandas import Series,DataFrame In [2]: import pandas as pd In [3]: obj=Series([4,7,-5,3]) In [4]: obj Out[4]: 0 4 1 7 2 -5 3 3 dtype: int64
Series的字符串表现形式为：索引在左边，值在右边。由于没有为数据设定索引，会自动创建一个从0到N-1(N为数据的长度)的整数型索引。可以通过series的values和index属性获取其数组的表现形式和索引对象。
In [5]: obj.values Out[5]: array([ 4, 7, -5, 3], dtype=int64) In [6]: obj.index Out[6]: RangeIndex(start=0, stop=4, step=1)
另外，还可以创建一个series带有一个对各个数据点进行标记的索引：
In [7]: obj2=Series([4,7,-5,3],index=['b','c','d','a']) In [8]: obj2 Out[8]: b 4 c 7 d -5 a 3 dtype: int64 In [9]: obj2.index Out[9]: Index(['b', 'c', 'd', 'a'], dtype='object')
与普通的numpy数组相比，你可以通过索引的方式选区series的单个或一组值：
In [10]: obj2['a'] Out[10]: 3 In [11]: obj2['d'] Out[11]: -5 In [12]: obj2['d']=6 In [13]: obj2['d'] Out[13]: 6 In [14]: obj2[['c','a','d']] Out[14]: c 7 a 3 d 6 dtype: int64
注意：选取一组值的时候，obj2[['c','a','d']]是由2个[]组成。
numpy数组的数组运算都会保留索引与值之间的链接：
In [15]: obj2 Out[15]: b 4 c 7 d 6 a 3 dtype: int64 In [16]: obj2[obj2>0] Out[16]: b 4 c 7 d 6 a 3 dtype: int64 In [17]: obj2[obj2-5>0] Out[17]: c 7 d 6 dtype: int64 In [18]: obj2*2 Out[18]: b 8 c 14 d 12 a 6 dtype: int64
还可以将series看成一个定长的有序字典，因为它是索引值到数据值的一个映射。它可以用到许多需要字典参数的函数中：
In [23]: 'a' in obj2 Out[23]: True In [24]: 'e' in obj2 Out[24]: False
注意：只能用索引，不能用数据值
In [26]: obj2 Out[26]: b 4 c 7 d 6 a 3 dtype: int64 In [27]: 3 in obj2 Out[27]: False
如果数据被存放在一个python字典中，也可以直接通过这个字典来创建series：
In [28]: sdata={'ohio':35000,'Texha':71000,'Oraige':16000,'Utah':5000}
In [29]: obj3=Series(sdata)
In [30]: obj3
Out[30]:
ohio 35000
Texha 71000
Oraige 16000
Utah 5000
dtype: int64
如果只传入一个字典，则结果中series中的索引就是原字典的键(有序排列)
In [31]: states=['California','ohio','Utah','Oraige'] In [32]: obj4=Series(sdata,index=states) In [33]: obj4 Out[33]: California NaN ohio 35000.0 Utah 5000.0 Oraige 16000.0 dtype: float64
上面中，sdata中跟states索引相匹配的那3个值会被找出来并放到相应的位置上。未找到的就用NaN表示。
pandas中的isnull和notnull可用于检测缺失数据
In [34]: pd.isnull(obj4) Out[34]: California True ohio False Utah False Oraige False dtype: bool In [35]: pd.notnull(obj4) Out[35]: California False ohio True Utah True Oraige True dtype: bool
series中也有类似方法：
In [37]: obj4.isnull() Out[37]: California True ohio False Utah False Oraige False dtype: bool In [38]: obj4.notnull() Out[38]: California False ohio True Utah True Oraige True dtype: bool
对于很多应用而言，Series最重要的一个功能就是：它在算术运算中会自动对其不同索引的数据。
In [39]: obj3 Out[39]: ohio 35000 Texha 71000 Oraige 16000 Utah 5000 dtype: int64 In [40]: obj4 Out[40]: California NaN ohio 35000.0 Utah 5000.0 Oraige 16000.0 dtype: float64 In [41]: obj3+obj4 Out[41]: California NaN Oraige 32000.0 Texha NaN Utah 10000.0 ohio 70000.0 dtype: float64
Series对象本身及其索引都有一个name属性，该属性跟pandas其他关键功能关系非常密切：
In [42]: obj4.name In [43]: obj4.name='population' In [44]: obj4 Out[44]: California NaN ohio 35000.0 Utah 5000.0 Oraige 16000.0 Name: population, dtype: float64 In [45]: obj4.index.name='state' In [46]: obj4 Out[46]: state California NaN ohio 35000.0 Utah 5000.0 Oraige 16000.0 Name: population, dtype: float64
Series的索引可以通过赋值的方式就地修改：
In [47]: obj Out[47]: 0 4 1 7 2 -5 3 3 dtype: int64 In [48]: obj.index=['Bob','Steve','Jeff','Ryan'] In [49]: obj Out[49]: Bob 4 Steve 7 Jeff -5 Ryan 3 dtype: int64
DataFrame
DataFrame是一个表格型的数据结构。它含有一组有序的列，每列可以是不同的值类型/(数值丶字符串丶布尔值等)。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典(共同一个索引)。跟其他类似的数据结构相比，DataFrame中面向行和面向列的操作基本上是平衡的。其实，DataFrame中的数据是以一个或多个二维块存放的(而不是列表/字典或别的一维数据结构)。
构建DataFrame的办法很多，最典型的就是由一个等长列表或Numpy数组组成的字符串：
In [52]: data={'state':['onio','onio','linux','hp-ux','red-hat'],
...: 'year':[2000,2001,2002,2001,2002],
...: 'pop':[1.5,1.7,3.6,2.4,2.9]}
In [53]: frame=DataFrame(data)
In [54]: frame
Out[54]:
state year pop
0 onio 2000 1.5
1 onio 2001 1.7
2 linux 2002 3.6
3 hp-ux 2001 2.4
4 red-hat 2002 2.9
结果DataFrame会自动加上索引(和Series一样)，且全部列会被有序排列
如果指定了列序列，则DataFrame就会按照指定顺序进行排列：
In [55]: DataFrame(data,columns=['year','state','pop']) Out[55]: year state pop 0 2000 onio 1.5 1 2001 onio 1.7 2 2002 linux 3.6 3 2001 hp-ux 2.4 4 2002 red-hat 2.9
跟series一样如果传入在的列在数据中找不到，就会产生NA值：
In [60]: frame2=DataFrame(data,columns=['year','state','pop','debt'],index=['one','two','three','four','five']) In [61]: frame2 Out[61]: year state pop debt one 2000 onio 1.5 NaN two 2001 onio 1.7 NaN three 2002 linux 3.6 NaN four 2001 hp-ux 2.4 NaN five 2002 red-hat 2.9 NaN
In [62]: frame2.columns Out[62]: Index(['year', 'state', 'pop', 'debt'], dtype='object')
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：
In [63]: frame2['state'] Out[63]: one onio two onio three linux four hp-ux five red-hat Name: state, dtype: object
列可以通过赋值的方式进行修改，比如可以空的'debt'列赋值：
In [73]: frame2 Out[73]: year state pop debt one 2000 onio 1.5 NaN two 2001 onio 1.7 NaN three 2002 linux 3.6 NaN four 2001 hp-ux 2.4 NaN five 2002 red-hat 2.9 NaN In [74]: frame2['debt']=16.5 In [75]: frame2 Out[75]: year state pop debt one 2000 onio 1.5 16.5 two 2001 onio 1.7 16.5 three 2002 linux 3.6 16.5 four 2001 hp-ux 2.4 16.5 five 2002 red-hat 2.9 16.5
将列表或者数组赋值给某个列时，其长度必须跟DataFrame的长度向匹配。如果赋值的是一个Series，就会精确匹配DataFrame的索引，所有的空位都将会填上缺失值：
In [76]: val=Series([-1.2,-1.3,-1.4],index=['two','four','five']) In [77]: frame2['debt']=val In [78]: frame2 Out[78]: year state pop debt one 2000 onio 1.5 NaN two 2001 onio 1.7 -1.2 three 2002 linux 3.6 NaN four 2001 hp-ux 2.4 -1.3 five 2002 red-hat 2.9 -1.4
为不存在的列赋值，会创建出一个新列，关键字del可以删除列：
In [79]: frame2['estarn']=frame2['state']=='onio' In [80]: frame2 Out[80]: year state pop debt estarn one 2000 onio 1.5 NaN True two 2001 onio 1.7 -1.2 True three 2002 linux 3.6 NaN False four 2001 hp-ux 2.4 -1.3 False five 2002 red-hat 2.9 -1.4 False In [81]: del frame2['estarn'] In [82]: frame2 Out[82]: year state pop debt one 2000 onio 1.5 NaN two 2001 onio 1.7 -1.2 three 2002 linux 3.6 NaN four 2001 hp-ux 2.4 -1.3 five 2002 red-hat 2.9 -1.4
另一种常见的数据形式那就是嵌套字典（也就是字典的字典）
In [85]: pop={'Nevda':{2001:2.4,2002:2.9},'Ohio':{2000:1.5,2001:1.7,2002:3.6}}
In [87]: frame3=DataFrame(pop)
In [88]: frame3
Out[88]:
Nevda Ohio
2000 NaN 1.5
2001 2.4 1.7
2002 2.9 3.6
它被解释为：外层字典的键作为列，内层键作为行索引.
当然也可以对结果进行转置：
In [89]: frame3.T Out[89]: 2000 2001 2002 Nevda NaN 2.4 2.9 Ohio 1.5 1.7 3.6