之前我们学习了numpy，pandas。现在能自己引入数据分析的三剑客不？试一试吧，想不起来，就要看看前面的呦。
来吧，我们一起导入一下吧！
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib as plt
导入包之后，现在我们就要进行下面的步骤了，想一想要怎样产生随机的一个二维数组呢？
ndarr = np.random.randint(0,10,size=(5,6))
ndarr
OK，下面我们生成一个对应的表格。
# data=None, index=None
s = Series(data=[1,2,3],index=list('abc'))
s
小伙伴们，你们知道显性索引和隐性索引不？
# s.loc # 显式索引
# s.iloc # 隐式索引
# s.loc['a']
# s.iloc[0]
# s.loc[['a','c']] # 同一个维度 同时取多个内容 要用中括号 括起来
# s.iloc[[0,2]]
s.loc['a':'c'] # 显式 切片 开始和结束位置都包括
s.iloc[:]
s.iloc[0:2] # 隐式 切片 结束位置是不包括的
s.iloc[0:3]
s.iloc[0:]
下面，我们就一起来生成一个成绩表
# 成绩表
# chinese math english python
# 临风 班长 孙武空
# data=None, index=None, columns=None
d = np.random.randint(0,100,size=(3,4))
d
i = ['临风','班长','孙武空'] # 行索引
c = ['chinese','math','english','python'] # 列索引
OK，做到这里，我们还没做完，这只是展示出了数据，我么还要做成表格形式，这我们要怎么做呢？想想我们之前引入了什么？没错，就是DataFrame。
df = DataFrame(d,i,c)
df
现在，我们思考一个问题， 行和列 哪个 更重要呢？
行 每一行相当于一个样本 ，列 每一列是一个特征 ，所以列更重要。
1)对列进行索引：通过类似字典的方式、通过属性的方式
按照列名进行索引，获取到一个Series
df['math']
df.math
2) 对行进行索引:使用.loc[]加index来进行行索引、使用.iloc[]加整数来进行行索引，同样返回一个Series，index为原来的columns
# df['临风'] # 直接往中括号中传入 行索引 找不到
df.临风
df.loc['临风'] # 显式索引
df.iloc[0] # 隐式所引进
上面的代码，第一个是错的。大家可以都试一下，注意一行一行的运行。
总结：对 列 进行 索引 df[‘列名’] df.列名 得到的是Series，对 行 进行 索引 df.loc[‘行名’] df.iloc[行序号] 得到的是Series
3) 对元素索引的方法
- 使用列索引
- 使用行索引
- 使用values属性（二维numpy数组）
df.python.loc['班长'] # 先按列找 找到的是Series 在对Series进行索引
df.loc['班长'].iloc[-1]
df的loc或者iloc提供了更加优雅的方式
df.loc['班长','python']
df.iloc[1,-1]
如果DataFrame的索引记不清 可以直接通过values然后去定位值
df.values
【注意】 直接使用中括号时：
索引表示的是列索引
切片表示的是行切片
# 直接使用用括号 索引是列索引 切片是行切片
# 最简单的方式 对列进行切片
df.values[:,1:]
ok,辛苦码字，感觉不错的点个赞吧，明天会继续更新。