链接（官网文档）：点击这里
Pandas是python第三方库，提供高性能易用数据类型和分析工具。import pandas as pd
pandas基于Numpy实现，常与Numpy和Matplotlib一同使用。
| Numpy | pandas（Series+dataframe） |
| 基础数据类型 | 扩展数据类型 |
| 关注数据的结构表达 | 关注数据的应用表达 |
| 维度：数据间关系 | 数据与索引间关系 |
一 Series类型
Series类型由一组数据及与之相关的数据索引组成。
0-3是自动索引，int64为Numpy中数据类型。
Series类型可以由如下类型创建
Python列表 /标量值/Python字典/ndarray/其它函数
1 列表已说
2 标量值（可以自定义索引）
3 字典
4 ndarray
Series类型的基本操作
1 Series类型包括index和values两部分 .index获得索引，.values获得数据
2 Series类型的操作类似于ndarray类型。自动索引和自定义索引可以同时存在，两套索引并存，但不能混用。
3 Series类型的操作类似Python字典类型（通过自定义索引访问，保留字in操作，使用.get()方法）
Series的name属性
Series对象和索引都可以有一个名字，存储在属性.name中。
Series对象可以随时修改并即刻生效。
二 DataFrame类型
DataFrame类型由共用相同索引的一组列组成。由索引（行索引：index和列索引: column）和多列数据组成。
行axis=0,列axis=1
DataFrame是一个表格型的数据类型，每列值类型可以不同。常用于表达二维数据，也可以表达多维数据。
DataFrame类型可以由以下类型创建
1）二维ndarray对象
2）由一维ndarray，列表，字典，元组或Series构成的字典
3）Series类型
4）其他的DataFrame类型
由二维ndarray对象创建
由一维ndarray对象字典创建（数据根据行列索引自动补齐）
从列表类型的字典创建
DataFrame是带标签的数组，其基本操作类似于Series，依据行列索引
三 数据类型的操作
改变Series和DataFrame对象（增加或重排：重新索引
删除：drop）
重新索引.reindex()能够改变或重排Series和DataFrame索引
.reindex(index=None,columns=None,...)的参数
| 参数 | 说明 |
| index,columns | 新的行列自定义索引 |
| fill_value | 重新索引中，用于填充缺失位置的值 |
| method | 填充方法，ffill为当前值向前填充，bfill向后填充 |
| limit | 最大填充量 |
| copy | 默认为True，生成新的对象，False时，新旧相等不复制。 |
Series和DataFrame的索引都是Index类型，是不可修改的。
索引类型的常用方法
| 方法 | 说明 |
| .append(idx) | 连接另一个Index对象，产生一个新的Index对象 |
| .diff(idx) | 计算差集，产生新的Index对象 |
| .intersection(index) | 计算交集 |
| .union(index) | 计算并集 |
| .delete(loc) | 删除loc位置处的元素 |
| .insert(loc,e) | 在loc位置增加一个元素e |
删除指定索引对象
.drop()能够删除Series和DataFrame指定行或列索引
四 数据运算
算数运算法则
算数运算法则根据行列索引，补齐后运算，运算默认产生浮点数。补齐时缺项值填充NAN（空置）
二维和一维，一维和零维间为广播运算。采用+-*/符号进行的二元运算产生新的对象。
广播运算：不同维度之间的运算，低维的元素会作用到高维的每一个元素。
也可以使用方法形式的运算（可以增加参数）
| 方法 | 说明 |
| .add(d,**argws) | 类型间加法运算，可选参数 |
| .sub(d,**argws) | 类型间减法运算，可选参数 |
| .mul(d,**argws) | 类型间乘法运算，可选参数 |
| .div(d.**argws) | 类型间除法运算，可选参数 |
不同维度之间为广播运算，一维Series默认在轴1进行运算。
使用运算方法可以令一维Series参与轴0运算
。
比较运算法则（只能进行同维度运算，尺寸一致）
比较运算只能比较相同索引的元素，不进行补齐。广播运算。采用><>=<===!=等符号进行的二元运算产生布尔对象。
五：数据的特征，统计分析
一组数据表达一个或多个含义。从一组数据提取出摘要（有损地提取数据特征的过程）。
1 基本统计（含排序）
2 分布/累计统计
3 数据特征（相关性，周期性等）
4数据挖掘（形成知识）
Pandas库的数据排序
.sort_index()方法在指定轴上根据索引进行排序，默认升序。
.sort_index(axis=0,ascending=True)
.sort_values()方法在指定轴上根据数值进行排序，默认升序（NaN值同一排放在末尾）
Series.sort_values(axis=0,ascending=True)
DataFrame.sort_valies(by,axis=0,ascending=True)
by:axis轴上的某个索引或索引列表
基本统计分析函数（适用于Series和DataFrame类型）
| 方法 | 说明 |
| .sum() | 计算数据总和，按照0轴 |
| .count() | 非NaN值的数量 |
| .mean() .median() | 计算数据的算数平均值，算数中位数 |
| .var() .std() | 方差，标准差 |
| .min() .max() | 最小/最大值 |
| .argmin() .argmax() | 计算数据最大值和最小值所在位置的索引位置（自动索引） |
| .idxmin() .idxmax() | 计算数据最大值，最小值所在位置的索引（自定义索引） |
| .describe() | 针对0轴（各列）的统计汇总 |
累计统计分析函数（适用于Series和DataFrame类型）
| 方法 | 说明 |
| .cumsum() | 依次给出前1,2,...n个数之和 |
| .cumprod() | 依次给出前1,2,...n个数之积 |
| .cummax() | 依次给出前1,2...n个数的最大值 |
| .cummin() | 最小值 |
累计统计分析函数（适用于Series和DataFrame类型，滚动计算（窗口计算））
| 方法 | 说明 |
| .rolling(w).sum() |
依次计算相邻w个元素的和 |
| .rolling(w).mean() | |
| .rolling(w).var() | |
| .rolling(w).std() | |
| .rolling(w).min() .rolling(w).max() |
相关分析（正相关，负相关，不相关）
Pearson相关系数r
r取值范围为[-1,1]
0.8-1.0 极强相关
0.6-0.8强相关
0.4-0.6中等相关程度
0.2-0.4弱相关
0-0.2极弱相关或无相关
相关分析函数（适用于Series和DataFrame类型）
| 方法 | 说明 |
| .cov() | 计算协方差矩阵 |
| .corr() | 计算相关系数矩阵（常用） |
