要使用pandas，需要熟悉它的两个主要的数据结构，Series和DataFrame。
Series
series是一种类似于以为数组的对象，它由一组数据（各种numpy的数据类型）以及一组与之相关的数据标签（索引）组成。仅有一组数据即可产生简单的Series：
In [11]: from pandas import Series,DataFrame In [12]: import pandas as pd In [13]: obj=Series([4,-2,5,0]) In [14]: obj Out[14]: 0 4 1 -2 2 5 3 0 dtype: int64 In [15]: type(obj) Out[15]: pandas.core.series.Series
series的字符串表现形式为：索引在左边，值在右边。由于我们没有为数据指定索引，于是自动创建 一个0到N-1（N为数据的长度）的整数型索引。可以通过Series的values和index属性获取其数组表现形式和索引对象：
In [16]: obj.values Out[16]: array([ 4, -2, 5, 0], dtype=int64) In [17]: obj.index Out[17]: RangeIndex(start=0, stop=4, step=1)
通常，我们希望所创建的Series带有一个可以对各个数据点进行标记的索引：
In [18]: obj2=Series([4,7,5,-3],index=['d','b','a','c']) In [19]: obj2 Out[19]: d 4 b 7 a 5 c -3 dtype: int64 In [20]: obj2.index Out[20]: Index(['d', 'b', 'a', 'c'], dtype='object')
于普通numpy相比，你可以通过索引的方式选取Series的单个或一组值
In [21]: obj2['a'] Out[21]: 5 In [22]: obj2['d']=6 In [23: obj2[['c','a','d']] Out[23: c -3 a 5 d 6 dtype: int64
numpy数组运算都会保留索引与值之间的链接：
In [26]: obj2[obj2>0] Out[26]: d 6 b 7 a 5 dtype: int64 In [27]: obj2*2 Out[27]: d 12 b 14 a 10 c -6 dtype: int64 In [28]: np.exp(obj2) Out[28]: d 403.428793 b 1096.633158 a 148.413159 c 0.049787 dtype: float64
还可以将Series看成一个定长的有序字典，因为它是索引值到数据值的一个映射。它可以在许多原本需要字典参数的函数中：
In [29]: 'b' in obj2 Out[29]: True In [30]: 'e' in obj2 Out[30]: False
如果数据被存放在一个Python字典中，也可以直接通过这个字典来创建：
In [32]: sdata={'a':1,'b':2,'c':3}
In [33]: obj3=Series(sdata)
In [34]: obj3
Out[34]:
a 1
b 2
c 3
dtype: int64
如果只传入一个字典，则结果series中的索引就是原字典的键（有序排列）
In [41]: states=['one','a','b'] In [42]: obj4=Series(sdata,index=states) In [43]: obj4 Out[43]: one NaN a 1.0 b 2.0 dtype: float64
例子中sdata中的states索引相匹配的那2个值会被找出来并放到相应的位置上。找不到的则用缺失值Na表示。
pandas中的isnull和notnull可用于检测缺失数据：
In [44]: pd.isnull(obj4) Out[44]: one True a False b False dtype: bool In [45]: pd.notnull(obj4) Out[45]: one False a True b True dtype: bool
series中也有类似的实例方法：
In [46]: obj4.isnull() Out[46]: one True a False b False dtype: bool
Series中最重要的一个功能是：它在算术运算中会自动对齐不同索引的数据。
In [47]: obj3 Out[47]: a 1 b 2 c 3 dtype: int64 In [48]: obj4 Out[48]: one NaN a 1.0 b 2.0 dtype: float64 In [49]: obj3+obj4 Out[49]: a 2.0 b 4.0 c NaN one NaN dtype: float64
series对象本身及其索引都有一个name属性，该属性跟pandas其他关键功能关系非常密切：
In [50]: obj4.name='pop4' In [51]: obj4.index.name='state4' In [52]: obj4 Out[52]: state4 one NaN a 1.0 b 2.0 Name: pop4, dtype: float64
series索引可以通过赋值的方式就地修改：
In [53]: obj Out[53]: 0 4 1 -2 2 5 3 0 dtype: int64 In [54]: obj.index=['a','b','c','d'] In [55]: obj Out[55]: a 4 b -2 c 5 d 0 dtype: int64
DataFrame
DataFrame是一个表格型数据结构。它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame即可有行索引也可以有列索引，它可以被看做是由Series组成的字典（共同一个索引）跟其他的类似的数据结构相比，DataFrame中面向行和面向列的操作基本上是平衡的。其实，DataFrame中数据是以一个或多个二维块存放的。
构建DataFrame最常见的方法是直接传入一个等长列表或numpy数组组成的字典：
In [65]: data={'state':[True,True,False,True,False],'year':[2000,2001,2002,2003,2004]}
In [66]: data
Out[66]:
{'state': [True, True, False, True, False],
'year': [2000, 2001, 2002, 2003, 2004]}
In [67]: frame=DataFrame(data)
In [68]: frame
Out[68]:
state year
0 True 2000
1 True 2001
2 False 2002
3 True 2003
4 False 2004
如果指定了列序列，则DataFrame的列就会按照指定顺序进行排列：
In [69]: DataFrame(data,columns=['year','state']) Out[69]: year state 0 2000 True 1 2001 True 2 2002 False 3 2003 True 4 2004 False
跟series一样，如果传入的列在数据中找不到就会产生NA值。
通过类似字典标记的方式或属性的方式，可以将DataFrame的列获取为一个Series：
In [70]: frame['state'] Out[70]: 0 True 1 True 2 False 3 True 4 False Name: state, dtype: bool In [71]: frame['year'] Out[71]: 0 2000 1 2001 2 2002 3 2003 4 2004 Name: year, dtype: int64 In [72]: type(frame['year']) Out[72]: pandas.core.series.Series
返回的series拥有DataFrame相同的索引，且其name属性也已经被相应的设置好了 。
列可以通过赋值的方式进行修改，如我们增加一列‘debt’，赋上一个标量值或一组值：
In [77]: frame['debt']=16.25 In [78]: frame Out[78]: state year debt 0 True 2000 16.25 1 True 2001 16.25 2 False 2002 16.25 3 True 2003 16.25 4 False 2004 16.25
Out[80]:
state year debt
0 True 2000 0
1 True 2001 1
2 False 2002 2
3 True 2003 3
4 False 2004 4
将列表或数组赋值给某一列时，长度必须要跟DataFrame的长度相匹配。如果赋值的是一个Series，就会精匹配DataFrame的索引，所有空位都会被填上缺省值：
In [85]: frame Out[85]: state year debt one True 2000 0 two True 2001 1 three False 2002 2 four True 2003 3 five False 2004 4 In [86]: val=Series([-1.2,-1.5,-1.7],index=['one','two','three']) In [87]: frame['debt2']=val In [88]: frame Out[88]: state year debt debt2 one True 2000 0 -1.2 two True 2001 1 -1.5 three False 2002 2 -1.7 four True 2003 3 NaN five False 2004 4 NaN
为不存在的列赋值会创出一个心裂，关键字del用于删除列
In [92]: del frame['state1'] In [93]: frame Out[93]: state year debt debt2 one True 2000 0 -1.2 two True 2001 1 -1.5 three False 2002 2 -1.7 four True 2003 3 NaN five False 2004 4 NaN
另一种常见的数据形式的嵌套字典：
In [94]: pop={'year':{2001:1.5,2002:1.6,2007:2},'prices':{2001:2.5,2002:3}}
如果将它传给DataFrame，它就会被解释为：外层的字典作为键的关键列，内层的则作为行索引：
In [95]: frame3=DataFrame(pop) In [96]: frame3 Out[96]: year prices 2001 1.5 2.5 2002 1.6 3.0 2007 2.0 NaN
可以对结果进行转置：
In [97]: frame3.T Out[97]: 2001 2002 2007 year 1.5 1.6 2.0 prices 2.5 3.0 NaN
内层的字典的键会被合并、排序以形成最终的索引。如果显式指定了索引：
In [109]: frame3.index=[2001,2002,2003] In [111]: frame3 Out[111]: year prices 2001 1.5 2.5 2002 1.6 3.0 2003 2.0 NaN
可以输入给DataFrame构造器的数据：
1.二维ndarry
2.由数组、列表或元祖组成的字典
3.numpy结构化
4.Series组成的字典
5.由字典组成的字典
6.字典或series的列表
7.由列表或元祖组成的列表
8.另一个DataFrame
9.numpy的MaskedArray
如果设置了DataFrame的index和columns的name属性，则这些信息也会显示出来
In [113]: frame3.index.name='year';frame3.columns.name='state' In [114]: frame3 Out[114]: state year prices year 2001 1.5 2.5 2002 1.6 3.0 2003 2.0 NaN