之前的文章里面谈到过，我从R转到Python上，一个很大的不习惯就是R的数据结构比较简单，但是Python的数据类型比较多，很容易就令人头脑混乱。但是今天学习了一下Udacity的课程，顿时就清楚多了。
Python最基础的数据类型包括数组、列表、字典比较常见的。而Numpy和Pandas的数据类型是在基础数据类型上建立，彼此相关，又彼此不同。
Numpy里面最基本的就是一维的对象np代指，这点我认为和列表list基本没有什么不同，很多操作（比如各种的for循环）在list上实现，同时也完全可以在numpy对象实现。但是numpy之所以是numpy,最重要的一点就是numpy向量化操作的特点，这点和R语言里面还是比较类似，当然Matlab几乎也是向量化操作。比较基础的就是加减乘除的运算，当然还有一点比较容易被忽略的就是np对象和if条件的使用。
例如 a=np.array([1,2,3,4,-1,-2,-3,-4]) ,b=np.array([-1,3,9,0,-2,9,3,-5)],想要找到a，b里面到底有多少个对元素在相同位置上正负号一致？
这里我要挖个坑，未来可能会做更多的练习，会把我遇上的情况分享一下。
Pandas里面最基本的对象叫做Series。Series 和 np 有很多相类点，例如position 索引、切片、循环（for）,以及一些基础函数X.mean(),X.max(),X.argmax()。用法几乎是一致的。要说最大的不同点，我认为就是索引。Pandas的索引有两种模式，一种是位置索引，例如a[0]、或者是a.iloc[0],iloc的意思是integer-location based indexing for selection by position ，还有一种是key索引（我自己这么叫的），例如a.loc['title'] ，loc的意思是 label-location based indexer for selection by label。这两种不同的索引暴露了Series的本质，就是pandas对象本质上是字典和列表的混合，这点很重要。
OK，这里做一个小结：np对象最重要特点向量化运算，pandas对象最重要特点是字典和列表混合。
But,我在学习过程中还是有很多numpy & pandas 衍生出来的问题。嗯，今天就碰到了！
Q1：有些函数忘记到底是应用在pd 还是 np 上？
A1:本来是想要去doc里面查查，一个个对比看看。现在想着索性还是先了解一下两个库里面常用的函数或者属性。
pandas常用属性
dataframe 常用属性
numpy 常用属性
可以这么理解，pandas常用的属性基本都是数据操作类的；而numpy基本上都是数据基础运算的，还有一个神级Lib Scipy 里面的常用函数是统计&优化类的。
scipy 常用函数
eg.分组统计、缺失值处理都是pd的管辖，生成随机数等是numpy的管辖。
今天学了.dropna , .fillna 都是pd的属性。
说实话，目前并没有体会出numpy有什么卓越的优越性，这个等我慢慢体会，这也需要是一篇文章！
来源：https://www.douban.com/note/635632989/