导入pandas：
三剑客
import pandas as pd
from pandas import Series,DataFrame
import numpy as np
Series是一种类似与一维数组的对象，由下面两个部分组成：
两种创建方式：
(1) 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‘)
(2) 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)
============================================
练习1：
使用多种方法创建以下Series，命名为s1：
语文 150
数学 150
英语 150
理综 300
============================================
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）。
(1) 显式索引：
- 使用index中的元素作为索引值
- 使用s.loc[]（推荐）: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]
(2) 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
s.iloc[0:2]
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
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) + - * /
(2) add() sub() mul() div() : s1.add(s2,fill_value=0)
s1.add(s2)
(3) Series之间的运算
============================================
练习3：
想一想Series运算和ndarray运算的规则有什么不同？
新建另一个索引包含“文综”的Series s2，并与s2进行多种算术操作。
============================================
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。
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。
DataFrame(data=np.random.randint(0,100,size=(5,6)))
DataFrame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
============================================
练习4：
根据以下考试成绩表，创建一个DataFrame，命名为df：
张三 李四
语文 150 0
数学 150 0
英语 150 0
理综 300 0============================================
(1) 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
df[‘张三‘]
df.张三
df[[‘李四‘,‘张三‘]]
#修改列索引
df.columns = [‘zhangsan‘,‘lisi‘]
df
(2) 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]]
(3) 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]
【注意】 直接用中括号时：
df[0:2]
在loc和iloc中使用切片(切列) ： df.loc[‘B‘:‘C‘,‘丙‘:‘丁‘]
df.iloc[:,0:1]
============================================
练习5：
使用多种方法对ddd进行索引和切片，并比较其中的区别
============================================
（1） DataFrame之间的运算
同Series一样：
创建DataFrame df1 不同人员的各科目成绩，月考一
创建DataFrame df2 不同人员的各科目成绩，月考二
有新学生转入
============================================
练习6：
假设ddd是期中考试成绩，ddd2是期末考试成绩，请自由创建ddd2，并将其与ddd相加，求期中期末平均值。
假设张三期中考试数学被发现作弊，要记为0分，如何实现？
李四因为举报张三作弊立功，期中考试所有科目加100分，如何实现？
后来老师发现有一道题出错了，为了安抚学生情绪，给每位学生每个科目都加10分，如何实现？
============================================
df
df.loc[‘数学‘,‘zhangsan‘] = 0
df[‘lisi‘] += 100
df += 10
(df+df)/2
原文：https://www.cnblogs.com/bilx/p/11611814.html