导包三剑客
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
由ndarray创建的是引用，而不是副本。对Series元素的改变也会改变原来的ndarray对象中的元素。（列表没有这种情况）
1.Series
创建
(1)列表创建
Series(value,index)
nd = np.array([0,2,4,6])
s = Series(nd, index = [“A”,“B”,“C”,“D”])
（2）字典创建
s = Series(data = {“a”:10, “pi”:3.14,“e”:2.713,“g”:0.618 }, index = [“a”,“pi”,“e”,“g”,“kk”])
索引
（1）显示
使用index中的元素作为索引值，直接用中括号
s[“e”]
使用.loc[]（推荐）
s.loc[“e”]
（2）隐式
使用整数作为索引值
使用.iloc[]（推荐）注意，使用iloc进行切片的时候，都是左闭右开的
注意：一个中括号和两个中括号返回的数据是不一样的（重要的）
属性
data.shape
data.size
data.index
data.values
查看样式
pd.read_csv()
head()
tail()
检测空值
pd.isnull()
pd.notnull()
或
data.isnull()
data.notnull()
返回元素是boolean 类型的值 如果为空的话， 返回True 如果不为空的话， 返回False #注意事项：对于DataFrame而言， 每一列数据其实都是一个Series, 并且都是有name属性的
series运算
（1）适用于numpy的数组运算也适用于Series
（2）Series之间的运算：在运算中自动补齐不同索引的数据；如果索引不对应，则补NAN
2.DataFrame
三类数据：
#结构化数据：例如数据库的数据表， 有行有列
#半结构化数据：比如 xml， json
#非结构化数据：图片， 音频，视频等 二进制流的形式进行读取存储的
DataFrame是一个【表格型】的数据结构，可以看做是【由Series组成的字典】（共用同一个索引）。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。
DataFrame既有行索引，也有列索引。
- 行索引：index
- 列索引：columns
- 值：values（numpy的二维数组）
（1）创建dataframe
最常用的方法是传递一个字典来创建
DataFrame属性：values、columns、index、shape
（2）索引
a.列索引：
可以将DataFrame的列获取为一个Series。返回的Series拥有原DataFrame相同的索引，且name属性也已经设置好了，就是相应的列名。
方式一：类似字典；
方式二：通过属性的方式，取多个的时候采用两个中括号
b.行索引
- 使用.ix[]来进行行索引
- 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。
c.对元素索引的方法 - 使用列索引
- 使用行索引(iloc[3,1]相当于两个参数;iloc[[3,3]] 里面的[3,3]看做一个参数)
- 使用values属性（二维numpy数组）
注意: 直接用中括号时：
索引表示的是列索引
切片表示的是行切片
（3）运算
a.dataframe运算
同Series一样：
在运算中自动对齐不同索引的数据
如果索引不对应，则补NaN；两个DataFrame进行相加的时候，axis是不起作用的
b.Series与DataFrame之间的运算
使用Python操作符：以行为单位操作（参数必须是行），对所有行都有效。（类似于numpy中二维数组与一维数组的运算，但可能出现NaN）
使用pandas操作函数：
axis=0：以列为单位操作（参数必须是列），对所有列都有效。
axis=1：以行为单位操作（参数必须是行），对所有行都有效。
