一、pandas的两大数据类型
Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。
Time- Series：以时间为索引的Series。
DataFrame：就是二维的Series。
Panel ：三维的数组，可以理解为DataFrame的容器。
在实际使用中，DataFrame是使用最多的一种数据类型。
二、pandas的增删改查操作
一）增——创建一个DataFrame向量
1、根据字典创造：
import pandas as pd
aa={'张三':[1,2,3],'李四':[2,3,4],'王五':[3,4,5]}#线创建一个字典类型
bb=pd.DataFrame(aa)#把字典类型转换成DataFrame类型
print(bb)结果显示如下：
字典中的keys就是DataFrame里面的columns，这里没有指定index的值，所以默认是从零开始计数。
2、从多维数组中创建
思路就是，首先建立一个多维数组，然后为这个数组指定表头（列名）
a=np.array([[1,2,3],[4,5,6],[7,8,9]])
b=pd.DataFrame(a,index=['first','second','third'],columns=['张三','李四','王五'])
print(b)结果显示如下：
二）改——在原Dataframe数据中新增一列
1、只需要按照添加字典的方式添加即可，但是要注意：①添加维数要和原有的维数相同，否则会报错；②依次智能添加一个
b['赵六']=[8,8,8]
2、joint
三）改——在原Dataframe数据中新增一行
1、df.loc[df.shape[0]+1] = ['元素1','元素2','元素3']
四）改——更改原Dataframe数据的列名
c = b.rename(columns={'王五': '王麻子'}) #选择性更改列名
print(c)
五）改——将两个Dataframe数据合并
【参考：Pandas 合并数据集http://blog.csdn.net/u010414589/article/details/51135840】
concat(objs,axis=0,join='outer',join_axes=None,ignore_index=False,keys=None,levels=None,names=None,verigy_integrity=False)- objs 是需要拼接的对象集合，一般为列表或者字典
- axis=0 是行拼接，拼接之后行数增加，列数也根据join来定，join=’outer’时，列数是两表并集。同理join=’inner’,列数是两表交集。
六）查
在这点上，pandas拥有类似数据库的查询方式，除了与数据库主键的机制有些许不一样外，其他的度非常相似，可谓占尽数据库的优点。
1、通过列查询
2、通过行查询
3、返回某一个列中的出现次数
count = df['列名'].value_counts()
属性：1）normalize = True显示的是频率，默认为False。
2）sort : 布尔值,默认为True.排序控制.
3）ascending : 布尔值,默认为False,以升序排序 。
另外，若只想显示出现频数最到的一项，可以print(count[0]).
三、pandas的数值分析
在这一方面，pandas又妥妥化身为一个excel表格（或者说matlab中的矩阵），可以对数据进行各种姿势的统计（这也是其在大数据中大量运用的一个重要原因）。
在数值分析中，有一下几个函数，
- df.describe()：查看数据值列的汇总统计
- df.mean()：返回所有列的均值
- df.corr()：返回列与列之间的相关系数
- df.count()：返回每一列中的非空值的个数
- df.max()：返回每一列的最大值
- df.min()：返回每一列的最小值
- df.median()：返回每一列的中位数
下面展示一个执行df.mean()的前后对比：
四、pandas的索引操作。
一）重新命名某一行的索引值。
1、df =df.rename_axis({原索引值1:更新后的索引值1，原索引值2:更新后的索引值2})
2、df = df.rename(index = {原索引值1:更新后的索引值1，原索引值2:更新后的索引值2})
五、pandas与其他数据的输入输出。
一）pandas与excel格式文件的转化
1、读取excel中的文件。首先，我们建立一个excel表格，内容如下，命名为“1.xlsx”
a = pd.read_excel("./biaoge/1.xlsx",sheet_name=0) #sheet_name表示文件中的第几个sheet，默认为0
print(a)
另外，还有几个属性需要关注：
1）index_col
2）na_vales
2、写入excel文件:我们继续接着上边的程序，把读出的数据写入另一个excel中，为了区别，在写入之前用concat函数插入两行数据。代码如下：
a = pd.read_excel("./biaoge/1.xlsx",sheet_name=0) #sheet_name表示文件中的第几个sheet，默认为0
b = np.array([['张三',1000,18],['李四',2000,81]])
bb = pd.DataFrame(b,columns=['姓名','工资','年龄'])
a = pd.concat([a, bb])
print(a)
#写入excel文件。
# 属性：index=None可以去掉索引 header=None可以去掉表头
a.to_excel('2.xlsx', sheet_name = 'sheet1')输出如下：
打开“2.xlsx”文件，可以看到，数据已经写入。
但是，慢着！我们注意到左侧多了一行数据的索引列，如果不需要的话，可以把最后一行函数加上一个属性index=None，即：
a.to_excel('2.xlsx', sheet_name = 'sheet1',index=None)这样就好看多了。
注：因为我们添加数据的时候工资列和年龄列都是数字格式，所以在写入表格后在excel中显示的也是数据格式，不需要的可以在程序中加双引号
二）pandas与CSV格式文件的转化
与读写Excel文件的方式相对应，在读入时执行：
a = pd.read_csv("./biaoge/1.csv")其中，这条语句可以添加两个可选参数：
- header=None：表示头部为空
- sep=' ' ：表示数据间使用空格作为分隔符，如果分隔符是逗号，只需换成 ‘，’即可
在写入时只需要：
a.to_csv('2.csv',index=None)即可。
关于Pandas其他函数，可查询这个网址：
最后，奉上一个官方快速入门文档：十分钟入门pandas的官方文档（英文）
