pandas详解可参考：http://pandas.pydata.org/pandas-docs/stable/10min.html
对应的中文译文：http://www.cnblogs.com/chaosimple/p/4153083.html
在这里对我近期用到的几个函数做一些记录与解析，若有使用不当之处望大家指出
date_range
这个函数的作用是创建一个时间序列的索引，其原型为：
pandas.data_range(start=None, end=None, periods=None, freq=’D’, tz=None, normalize=False, name=None, closed=None, **kwargs)| 参数 | 意义 |
|---|---|
| start | string类型，默认为None，表示时间起点 |
| end | 同上，表示时间终点 |
| periods | int类型，默认为None，表示日期索引个数。若为None，则start和end不能为空 |
| freq | string类型，默认为‘D’，表示计时单位（frequence），例如‘D’表示每隔1天，‘3H’表示每隔3小时 |
| tz | string类型，表示时区，默认为None |
| normalize | bool类型， 默认为False，若为True，则将强行将start和end转化为当天的0点 |
| name | string类型，给返回的时间索引值一个name |
| closed | string类型，默认为None，表示start和end这个区间的端点是否包含在内，‘left’表示左闭右开，‘right’表示右闭左开，None则表示两边都为闭区间 |
举例：
这里将freq设为5H，则每隔5小时计算一次，共periods=12次
再如下图的比较：
第二段将normalize设为True，则默认从当天0点计时，并不会有时分秒的显示
另外有点困惑：是否只能freq=’D’的时候才能看出normalize的差别？当我将其设为’H’时并没有明显的变化。
Series
Series是一个一位数组的结构，分为索引值（index）和对应的数据。其函数原型：
pandas.Series(data, index=index)若不指定index范围，则会默认从0开始计数，也可以人为对index进行指定，第三则可通过构建字典来创建Series对象，具体的使用方法都可见下图：
最后的isnull函数是用来判断在字典中是否存在索引值对应的值，存在返回False，不存在则返回True
但我这里不知道为什么在输出se3的时候是先输出B，然后才是A？
Timestamp
最后还有一个timestamp函数，用于转换日期格式
例如数字生成日期：
pd.Timestamp(datetime(2017, 3, 8))字符生成日期：
pd.Timestamp('2017-03-08')都可在前文提到的10 Minutes to pandas中找到。