pandas在python中的使用：
在python中默认用 import pandas as pd 导入pandas库，你可以用 pd.__version__ 查看你安装的版本。
pandas中主要有两种数据结构：Series 和 DataFrame。下面我们将介绍 Series 。
Series:一种类似于一维数组的对象，是由一组数据（一种NumPy数据类型）以及一组与之相关的数据标签（即索引）
组成。仅有一组数据也可以产生简单的Series对象。注意：Series中的索引值是可以重复的。
DataFrame:一个表格型的数据结构，包含有一组有序的列，每列可以是不同的值类型（数值，字符串，布尔型等），
DataFrame 即有行索引也有列索引，可以被看做是由Series组成的字典。
上面的表诉来源于博客：pandas---Series基础使用 。
Series对象：
生成Series对象
1 import pandas as pd
2 # print(pd.__version__)
3 s = pd.Series([True, 1, 2, 'kl']) # 默认添加index
4 print("python%s的数据：\n" % type(s), s)
5 Out[1]：
6 python<class 'pandas.core.series.Series'>的数据：
7 0 True
8 1 1
9 2 2
10 3 kl
11 dtype: object
为Series对象添加index
1 s = pd.Series([True, 1, 2, 'kl'], index=['logical', 'num1', 'num2', 'id'])
2 print("python%s的数据：\n" % type(s), s)
3 Out[2]：
4 python<class 'pandas.core.series.Series'>的数据：
5 logical True
6 num1 1
7 num2 2
8 id kl
9 dtype: object
获取元素
1 print(s.values)
2 print(s.index)
3 print(s[2])
4 print(s['num1'])
5 print(s[:2])
6 print(s[['num1', 'num2']])
7 Out[3]：
8 [True 1 2 'kl']
9 Index(['logical', 'num1', 'num2', 'id'], dtype='object')
10 2
11 1
12 logical True
13 num1 1
14 dtype: object
15 num1 1
16 num2 2
17 dtype: object
为元素赋值
1 s = pd.Series([True, 1, 2, 'kl'], index=['logical', 'num1', 'num2', 'id'])
2 s[0] = False
3 s['num1'] = 1.1
4 print(s)
5 Out[4]：
6 logical False
7 num1 1.1
8 num2 2
9 id kl
10 dtype: object
用Numpy数组或其他Series对象定义新Series对象
1 a = np.array([1, 2, 3, 4])
2 s1 = pd.Series(a)
3 s2 = pd.Series(s1)
4 print("s1:\n", s1)
5 print("s2:\n", s2)
6 print(s1 == s2)
7 s1[2] = 100
8 print("s1更改后的s2:\n", s2)
9 Out[5]：
10 s1:
11 0 1
12 1 2
13 2 3
14 3 4
15 dtype: int32
16 s2:
17 0 1
18 1 2
19 2 3
20 3 4
21 dtype: int32
22 0 True
23 1 True
24 2 True
25 3 True
26 dtype: bool
27 s1更改后的s2:
28 0 1
29 1 2
30 2 100
31 3 4
32 dtype: int32
注意上面的s1更改之后，s2也发生了相应的变化，对比深复制与浅复制。
筛选元素
1 a = pd.Series(np.array([1, 2, 3, 4]))
2 print(a[a < 3])
3 Out[6]：
4 [1 2]
运算和数学函数
1 s1 = pd.Series([6, 1, 2, 9]) # 可以加减乘除
2 b = s1 + 2
3 print(b)
4 print(np.log(s1))
5 Out[7]：
6 0 8
7 1 3
8 2 4
9 3 11
10 dtype: int64
11 0 1.791759
12 1 0.000000
13 2 0.693147
14 3 2.197225
15 dtype: float64
Series对象的组成元素
1 color = pd.Series([1, 0, 2, 1, 2, 3], index=['white', 'white', 'blue', 'green', 'green', 'yellow'])
2 print("color:\n", color)
3 print("color.unique():\n", color.unique())
4 print("color.value_counts():\n", color.value_counts())
5 print("color.isin():\n", color.isin([0, 3]))
6 print("color[color.isin([0, 3])]:\n", color[color.isin([0, 3])])
7 Out[8]：
8 color:
9 white 1
10 white 0
11 blue 2
12 green 1
13 green 2
14 yellow 3
15 dtype: int64
16 color.unique():
17 [1 0 2 3]
18 color.value_counts():
19 2 2
20 1 2
21 3 1
22 0 1
23 dtype: int64
24 color.isin():
25 white False
26 white True
27 blue False
28 green False
29 green False
30 yellow True
31 dtype: bool
32 color[color.isin([0, 3])]:
33 white 0
34 yellow 3
35 dtype: int64
缺失值NaN
1 s = pd.Series([1, 2, np.nan, 6])
2 print(s.isnull())
3 print(s.notnull())
4 print(s[s.notnull()])
5 Out[9]：
6 0 False
7 1 False
8 2 True
9 3 False
10 dtype: bool
11 0 True
12 1 True
13 2 False
14 3 True
15 dtype: bool
16 0 1.0
17 1 2.0
18 3 6.0
19 dtype: float64
Series用作字典
1 mydict = {'red':200, 'blue':100, 'yellow':50, 'orange':100}
2 myseries = pd.Series(mydict)
3 print(myseries)
4 Out[10]：
5 red 200
6 blue 100
7 yellow 50
8 orange 100
9 dtype: int64
当然你也可以用index参数指定index。
Series 对象之间的运算
1 mydict0 = {'red':200, 'blue':100, 'yellow':50, 'orange':100}
2 myseries0 = pd.Series(mydict0)
3 print(myseries0)
4 mydict1 = {'red':200, 'blue':100, 'yellow':50, 'orange':100, 'black':30}
5 myseries1 = pd.Series(mydict1)
6 print(myseries0 + myseries1)
7 Out[11]：
8 red 200
9 blue 100
10 yellow 50
11 orange 100
12 dtype: int64
13 black NaN
14 blue 200.0
15 orange 200.0
16 red 400.0
17 yellow 100.0
18 dtype: float64
注意 myseries0 是没有black的 所以相加时默认以NaN补位。