015.（4.29-4.30）Pandas笔记精选

参考书籍：《Python数据科学手册》

Pandas 是在 NumPy 基础上建立的新程序库（后者多是数组操作），提供了一种高效DataFrame数据结构。DataFrame 本质上是一种带行标签和列标签、支持相同类型数据和缺失值的多维数组。Pandas 不仅为带各种标签的数据提供了便利的存储界面，还实现了许多强大的操作。

Pandas 的三个基本数据结构：Series、DataFrame 和 Index。
pandas处理csv数据基本用法

1.Pandas对象简介

1.1 Pandas的Series对象

Pandas 的 Series 对象是一个带索引数据（out后可显示出）构成的一维数组。可以用一个数组创建 Series 对象。

Pandas 的 Series 对象比它模仿的一维 NumPy 数组更加通用、灵活:

• 两者间的本质差异其实是索引：NumPy 数组通过隐式定义的整数索引获取数值，而 Pandas 的Series 对象用一种显式定义的索引与数值关联。
  
  

• Series是特殊的字典:

  Pandas Series 的类型信息使得它在某些操作上比Python 的字典更高效。用字典创建 Series 对象时，其索引默认按照顺序排列。典型的字典数值获取方式仍然有效。

• Series 对象还支持数组形式的操作，比如切片
  
  

• 创建：
  
  需要注意的是，Series 对象只会保留显式定义的键值对。
  

1.2 Pandas的DataFrame对象

Pandas 的另一个基础数据结构是 DataFrame。和Series 对象一样，DataFrame既可以作为一个通用型 NumPy 数组，也可以看作特殊的 Python 字典。

• DataFrame是通用的NumPy数组：

  如果将 Series 类比为带灵活索引的一维数组，那么 DataFrame 就可以看作是一种既有灵活的行索引，又有灵活列名的二维数组。

  可以把 DataFrame 看成是有序排列的若干 Series 对象（基本对象为Series）。这里的“排列”指的是它们拥有共同的索引。

  DataFrame 还有一个 columns 属性，是存放列标签的 Index 对象。

• DataFrame是特殊的字典（这样理解比前者更全面）：

  与 Series 类似，我们也可以把 DataFrame 看成一种特殊的字典。字典是一个键映射一个值，而 DataFrame 是一列映射一个 Series 的数据。

• 创建：
  1.通过单个 Series 对象创建。
  2.通过字典列表创建。即使字典中有些键不存在，Pandas 也会用缺失值 NaN（非数字）来表示。
  
  3.通过 Series 对象字典创建。
  4.通过 NumPy 二维数组创建。假如有一个二维数组，就可以创建一个可以指定行列索引值的 DataFrame。如果不指定行列索引值，那么行列默认都是整数索引值。
  5.通过 NumPy 结构化数组创建。（Pandas 的 DataFrame与结构化数组十分相似）

1.3 Pandas的index对象

• 将Index看作不可变数组：

  许多操作与列表及NumPy数组相似，但Index 对象与 NumPy 数组之间的不同在于，Index 对象的索引是不可变的。

  Index 对象的不可变特征使得多个 Da