导入pandas
import pandas as pd from pandas import Series,DataFrame import numpy as np
1.Series
Series是一种类似与一维数组的对象，由下面两个部分组成：
values：一组数据（ndarray类型）
index：相关的数据索引标签
1.1 Series的创建
两种创建方式:
由列表或numpy数组创建
默认索引为0到N-1的整数型索引
#使用列表创建Series Series(data=[1,2,3,4,5]) #使用numpy创建Series Series(data=np.random.randint(1,40,size=(5,)),index=[‘a‘,‘d‘,‘f‘,‘g‘,‘t‘],name=‘bobo‘)
可以通过设置index参数指定索引
由字典创建：不能在使用index，但是依然存在默认索引
注意：数据源必须为一维数据
dic = { ‘语文‘:100, ‘英语‘:99 } s = Series(data=dic)
1.2 Series的索引和切片
可以使用中括号取单个索引（此时返回的是元素类型），或者中括号里一个列表取多个索引（此时返回的是一个Series类型）。
显式索引：
使用index中的元素作为索引值
使用s.loc[ ] 注意：loc中括号中放置的一定是显示索引
注意：此时是闭区间
s.iloc[1]
隐式索引：
使用整数作为索引值
使用.iloc[]（推荐）:iloc中的中括号中必须放置隐式索引
注意：此时是半开区间
切片：隐式索引切片和显示索引切片
显示索引切片： index和loc
s.iloc[0:2]
隐式索引切片：整数索引值和iloc
1.3 Series的基本概念
可以把Series看成一个定长的有序字典
向Series增加一行：相当于给字典增加一组键值对
可以通过shape，size，index,values等得到series的属性
s.index
s.values
可以使用s.head(),tail()分别查看前n个和后n个值
s.head(1)
对Series元素进行去重
s = Series(data=[1,1,2,2,3,3,4,4,4,4,4,5,6,7,55,55,44])
s.unique()
当索引没有对应的值时，可能出现缺失数据显示NaN（not a number）的情况
使得两个Series进行相加:索引与之对应的元素会进行算数运算,不对应的就补空
s1 = Series([1,2,3,4,5],index=[‘a‘,‘b‘,‘c‘,‘d‘,‘e‘]) s2 = Series([1,2,3,4,5],index=[‘a‘,‘b‘,‘f‘,‘c‘,‘e‘]) s = s1+s2 s
可以使用pd.isnull()，pd.notnull()，或s.isnull(),notnull()函数检测缺失数据
s.notnull()
s[s.notnull()]
1.4 Series的运算
+ - * /
add() sub() mul() div() : s1.add(s2,fill_value=0)
s1.add(s2)
Series之间的运算
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
2. DataFrame
DataFrame是一个【表格型】的数据结构。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
2.1 DataFrame的创建
最常用的方法是传递一个字典来创建。DataFrame以字典的键作为每一【列】的名称，以字典的值（一个数组）作为每一列。
此外，DataFrame会自动加上每一行的索引。
使用字典创建的DataFrame后，则columns参数将不可被使用。
同Series一样，若传入的列与字典的键不匹配，则相应的值为NaN。
使用ndarray创建DataFrame
DataFrame(data=np.random.randint(0,100,size=(5,6)))
DataFrame的属性： values、columns、index、shape
df.values
df.index
使用ndarray创建DataFrame：创建一个表格用于展示张三，李四，王五的java，python的成绩
dic = { ‘张三‘:[77,88,99,90], ‘李四‘:[67,88,99,78] } df = DataFrame(data=dic,index=[‘语文‘,‘数学‘,‘英语‘,‘理综‘]) df
2.2 DataFrame的索引
对列进行索引
通过类似字典的方式 df ["q"]
通过属性的方式 df.q
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。
df[‘张三‘] df.张三 df[[‘李四‘,‘张三‘]]
#修改列索引 df.columns = [‘zhangsan‘,‘lisi‘] df
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.iloc[[0,1]]
对元素索引的方法
使用列索引
使用行索引(iloc[3,1] or loc["C", "q"]) 行索引在前，列索引在后
df.iloc[0,1]
切片：
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
df[0:2]
在loc和iloc中使用切片(切列)： df.loc[‘B‘,‘C‘,‘丙‘, ‘丁‘]
df.iloc[:,0:1]
DataFrame的运算
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
df.loc[‘数学‘,‘zhangsan‘] = 0 df[‘lisi‘] += 100 df += 10 (df+df)/2
原文：https://www.cnblogs.com/chenxi67/p/10486419.html