Pandas
Pandas是基于NumPy构建的一个非常常用也非常好用的库，正如名字一样，国宝嘛是很受欢迎的！它含有使数据分析工作变得更快更简单的高级数据结构和操作工具。
基本数据结构
Pandas有两种自己独有的基本数据结构。不过我们要知道的是，pandas它固然有着两种数据结构，因为它依然是Python的一个库，所以Python中有的数据类型在这里依然适用，也同样还可以使用类来自定义数据类型。只不过Pandas里面定义的两种数据类型：Series 和 DataFrame，它们让数据操作更简单了。
在使用Pandas的代码中，我们一般使用下面这样的pandas引入约定：
from pandas import Series, DateFrame
import pandas as pd
因此，只要你在代码中看到’pd.’，就得想到这是pandas。因为Series和DataFrame使用的次数非常多，所以将其引入命名空间会更加方便。
Series
Series是一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关的数据标签（即索引）组成。仅由一组数据即可产生最简单的Series： 
Series的字符串表现形式为：索引在左边，值在右边（其实我们可以理解为立着的list）。由于我们没有为数据指定索引，于是会自动创建一个0到N1（N为数据的长度）的整数型索引。你可以通过Series 的values和index属性获取其数组表示形式和索引对象： 
通常，我们希望所创建的Series带有一个可以对各个数据点进行标记的索引： 
与普通NumPy数组相比，你可以通过索引的方式选取和修改Series中的单个或一组值： 
到这里是不是感觉有点像字典？没错，它确实是一个字典。我们来看下面定义： 
这时候，我们依然可以自定义索引。Pandas的优势在这里体现出来，如果自定义了索引，自定的索引会自动匹配原来的索引，如果匹配成功，就取原来索引对应的值，这个可以简称为“自动对齐”。 
这里“Java”没有对应的值与之匹配，所以其结果就为NaN（即“非数字”（not a number），在pandas中，它用于表示缺失或NA值）。pandas的isnull和notnull函数可用于检测缺失数据： 
Series也有类似的实例方法： 
对于许多应用而言，Series最重要的一个功能是：它在算术运算中会自动对齐不同索引的数据。 
Series对象本身及其索引都有一个name属性，该属性跟pandas其他的关键功能关系非常密切： 
DataFrame
DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）。其实，DataFrame中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维数据结构）。它非常近似一个电子表格。
构建DataFrame的办法有很多，最常用的一种是直接传入一个由等长列表或NumPy数组组成的字典： 
如果指定了列序列，则DataFrame的列就会按照指定顺序进行排列： 
跟Series一样，如果传入的列在数据中找不到，就会产生NAN值： 
通过类似字典标记的方式或属性的方式，可以将DataFrame的列获取为一个Series，也就是说DataFrame的一列其实就是一个Series： 
注意，返回的Series拥有原DataFrame相同的索引，且其name属性也已经被相应地设置好了。当然，行也可以通过位置或名称的方式进行获取，例如用索引字段ix： 
列可以通过赋值的方式进行修改。例如，我们可以给那个空的”score”列赋上一个标量值或一组值： 
将列表或数组赋值给某个列时，其长度必须跟DataFrame的长度相匹配。如果赋值的是一个Series，就会精确匹配DataFrame的索引，所有的空位都将被填上缺失值: 
关键字del用于删除列： 
另一种常见的数据形式是嵌套字典（也就是字典的字典），它也可以用来构建DataFrame,如果将它传给DataFrame，它就会被解释为：外层字典的键作为列，内层键则作为行索引: 
下面列出了DataFrame构造函数所能接受的各种数据。
| 类型 | 说明 |
|---|---|
| 二维ndarray | 数据矩阵，还可以传入行标和列表 |
| 由数组、列表或元组组成的字典 | 每个序列会变成DataFrame的一列，所有序列的长度必须相同 |
| NumPy的结构化/记录数组 | 类似于“由数组组成的字典” |
| 由Series组成的字典 | 每个Series会成为一列，如果没有显式指定索引，则各Series的索引会被合并成结果的行索引 |
| 字典或Series的列表 | 各内层字典会成为一列，键会被合并成结果的行索引，跟“由Series组成的字典”的情况一样 |
| 字典或Series的列表 | 各项将会成为DataFrame的一行，字典键或Series索引的并集将会成为DataFrame的列标 |
| 由列表或元组组成的列表 | 类似于“二维ndarray” |
| 其它DataFrame | 该DataFrame的索引将会被沿用，除非显式指定了其他索引 |
| Numpy的MaskedArray | 类似于“二维ndarray”的情况，只是掩码值在结果DataFrame会成NAN/缺失值 |