本宝宝只是为了方便以后自己学习方便，有错误的地方还请大家谅解咯。
而且我经常用的是Ipython
1.1 安装Pandas
安装Pandas之前需要确保操作系统之中还有Numpy。当然，如果有Anacoda，Pandas是已经下载安装完成了的。
安装方法:1.打开cmd，进入到pip所在文件下，pip install pandas,耐心等待就好啦
2.如果有Pycharm的话，在Pycharm中点击-File-Settings-Project:PytohnDataSciene-Project Interpreter,然后可以在偏右上方的部分看到一个绿色的小加号，点击，搜索pandas，在左下角Install Package就好。
3.下载安装Anaconda。
4.官方安装方法，参考Pandas官方文档（http://pandas.pydata.org/).
Pandas 安装好后可以检查一下版本号
import pandas as pd pd.__version__
0.21.1
与导入Numpy使用别名 np 一样，我们通常用Pandas的别名pd
1.2 Pandas内置文档查询
可以按下Tab键显示pandas命名空间的所有内容
pd.<Tab>
显示Pandas文档：
pd?
更多可以参考http://pandas.pydata.org/
1.3 Pandas的对象简介
Pandas就是基于Numpy的增强版结构化数组，可以在行列上加上标签。
在学习Pandas之前，先看看她的三个基本数据结构：Series，DataFrame和Index。
import numpy as np import pandas as pd1.3.1 Series对象
Series：是一个带索引数据构成一维数组。
用一个一位数组创建Series对象：
data = pd.Series([0.25,0.5,0.75,1.0]) data Out[110]: 0 0.25 1 0.50 2 0.75 3 1.00 dtype: float64
所以Series对象是将一位数组和一组索引值绑定在一起的，
data.values ###values属性 Out[111]: array([0.25, 0.5 , 0.75, 1. ]) data.index ###index属性 Out[112]: RangeIndex(start=0, stop=4, step=1)
同numpy一样，可以用中括号索引取值：
data[1] Out[113]: 0.5 data[1:3] Out[114]: 1 0.50 2 0.75 dtype: float64
1.Series ：通用numpy数组
Series对象通过显式定义的索引与数值关联。（索引可以不再只是整数）：
data = pd.Series([0.25,0.5,0.75,1.0],index=['a','b','c','d']) data Out[116]: a 0.25 b 0.50 c 0.75 d 1.00 dtype: float64
获取数值的方法也和之前一样：
data['a'] Out[117]: 0.25
还可以不连续,不按顺序：
data = pd.Series([0.25,0.5,0.75,1.0],index=[2,5,3,7]) data Out[119]: 2 0.25 5 0.50 3 0.75 7 1.00 dtype: float64
data[5] Out[121]: 0.5
2. Series 是特殊的字典
Pandas的Series对象可以看成是python的特殊字典。字典就是一种将任意键映射到一组任意值的数据结构，而Series对象其实是一种将类型键映射到一组类性质的数据结构。类型很重要：
下面用字典来创建一个对象
population_dict = {'California':38332521,'Texas':26448193,'New York':19651127,'Florida':19552860,'Illinois':12882135}
population = pd.Series(population_dict)
population
Out[124]:
California 38332521
Florida 19552860
Illinois 12882135
New York 19651127
Texas 26448193
dtype: int64
字典获取方式依然有效：
population['California'] Out[125]: 38332521Series对象还支持数组形式的操作,如切片：
population['California':'Illinois'] Out[126]: California 38332521 Florida 19552860 Illinois 12882135 dtype: int643.创建Series对象
>>>pd.Series(data,index=index)
data可以是列表或Numpy数组，甚至可以是标量，字典，index默认值为整数数列：
pd.Series([2,4,6]) Out[127]: 0 2 1 4 2 6 dtype: int64
pd.Series(5,index=[100,200,300]) ###标量 Out[128]: 100 5 200 5 300 5 dtype: int64
pd.Series({2:'a',1:'b',3:'c'})###字典
Out[130]:
1 b
2 a
3 c
dtype: object
pd.Series({2:'a',1:'b',3:'c'},index=[3,2])###通过索引来筛选
Out[129]:
3 c
2 a
dtype: object
1.2.2 Pandas的DataFrame对象
Pandas第二个数据结构是DataFrame对象。
既可以作为Numpy数组，也可以看作特殊的Python字典。
1.DataFrame是通用的Numpy数组
DataFrame是一种基既有灵活的行索引，又有灵活列名的二维数组。即可以把二维数组看成是有序排列的一位数组，或有序排列的若干Series对象。
area_dict = {'California':423967,'Texas':695662,'New York':141297,'Florida':170312,'Illinois':149995}
area = pd.Series(area_dict)
area
Out[7]:
California 423967
Florida 170312
Illinois 149995
New York 141297
Texas 695662
dtype: int64
结合之前创建的population的Series对象，用字典来创建一个包含这些信息的二维对象：
states = pd.DataFrame({'population':population,'area':area})
states
Out[10]:
area population
California 423967 38332521
Florida 170312 19552860
Illinois 149995 12882135
New York 141297 19651127
Texas 695662 26448193
和Series对象一样，DataFrame也有一个index属性可以获取索引标签：
states.index Out[11]: Index(['California', 'Florida', 'Illinois', 'New York', 'Texas'], dtype='object')
还有columns属性，用来存放列标签的Index对象：
states.columns Out[12]: Index(['area', 'population'], dtype='object')
2.DataFrame是 特殊的字典
把DataFrame看成字典时，DataFrame的一列映射一个Series的数据。
states['area'] ###通过‘area’的列属性可以返回包含面积数据的Series对象 Out[13]: California 423967 Florida 170312 Illinois 149995 New York 141297 Texas 695662 Name: area, dtype: int64
3.创建DataFrame对象
Pandas的DataFrame的创建：
（1）通过单个Series对象创建。DataFrame是一组Series对象的集合，可以用单个Series创建一个单列的DataFrame：
pd.DataFrame(population,columns=['population'])
Out[14]:
population
California 38332521
Florida 19552860
Illinois 12882135
New York 19651127
Texas 26448193
（2）通过字典列表创建。任何元素是字典的列表都可以变成DataFrame。用一个简单的列表综合来创建一些数据：
data = [{'a':i,'b':2*i} for i in range(3)]
pd.DataFrame(data)
Out[16]:
a b
0 0 0
1 1 2
2 2 4
即使字典中有些值不存在，Pandas也会用哪个缺失值NaN（not a number）来表示：
pd.DataFrame([{'a':1,'b':2},{'b':3,'c':4}])
Out[17]:
a b c
0 1.0 2 NaN
1 NaN 3 4.0（3）通过Series对象字典创建。
pd.DataFrame({'population':population,'area':area})
Out[18]:
area population
California 423967 38332521
Florida 170312 19552860
Illinois 149995 12882135
New York 141297 19651127
Texas 695662 26448193
(4)通过Numpy二维数组创建。
pd.DataFrame(np.random.rand(3,2),columns=['foo','bar'],index=['a','b','c'])
Out[19]:
foo bar
a 0.232374 0.257281
b 0.171938 0.151926
c 0.705263 0.819819
(5)通过Numpy结构化数组创建。
A = np.zeros(3,dtype=[('A','i8'),('B','<f8')])
pd.DataFrame(A)
Out[21]:
A B
0 0 0.0
1 0 0.0
2 0 0.0
1.2.3 Pandas的Index对象
Index对象是一个有趣的数据结构。可以将它看成是一个不可变数组或有序集（但有可能会有重复值）。
ind = pd.Index([2,3,5,7,11]) ind Out[5]: Int64Index([2, 3, 5, 7, 11], dtype='int64')
1. 将Index看成不可变数组
Index许多操作都像数组：
ind[1] Out[6]: 3 ind[::2] Out[7]: Int64Index([2, 5, 11], dtype='int64')Index还有许多与Numpy数组相似的属性：
print(ind.size,ind.shape,ind.ndim,ind.dtype) 5 (5,) 1 int64
但刚刚就说了Index相当于一个不可变的数组，所以不可以改变一个Index对象的某个值：
ind[1] = 0
Traceback (most recent call last):
File "D:\python\lib\site-packages\IPython\core\interactiveshell.py", line 2910, in run_code
exec(code_obj, self.user_global_ns, self.user_ns)
File "<ipython-input-9-906a9fa1424c>", line 1, in <module>
ind[1] = 0
File "C:\Users\DELL\AppData\Roaming\Python\Python36\site-packages\pandas\core\indexes\base.py", line 1724, in __setitem__
raise TypeError("Index does not support mutable operations")
TypeError: Index does not support mutable operations
Index对象的不可变特征使得这样可以避免因为粗心大意而犯下的错误。
2.将Index看作有序集合
indA = pd.Index([1,3,5,7,9]) indB = pd.Index([2,3,5,7,11]) indA&indB Out[12]: Int64Index([3, 5, 7], dtype='int64') indA|indB Out[13]: Int64Index([1, 2, 3, 5, 7, 9, 11], dtype='int64') indA^indB Out[14]: Int64Index([1, 2, 9, 11], dtype='int64')
当然如果你想，还可以用调用对象方法来实现，
ind.intersection(indB) Out[15]: Int64Index([2, 3, 5, 7, 11], dtype='int64')
---------------------------------------------------------------------------------------------------------------------------
参考资料：
Python Data Science Handbook(Python数据科学手册)-------Jake VanderPlas （陶俊杰，陈小莉译）