1、定义
什么是Pandas：Pandas是Python中用于数据分析和挖掘的基础模块，它提供了丰富的功能和方法，使用 Pandas 包可以完成数据读入、数据清洗、数据准备、图表呈现等内容，使普通的非数据专业人员也能够处理和分析大型数据集，展示数据之间的关联关系。
2、特点：
1、pandas模块是在numpy的基础上构建的，速度快（层算法都用 Cython优化过）、有大量直接操作每个元素的函数；
2、常常和Matplotlib，seaborn，statsmodels，scikit-learn等包一起使用；
3、相比于numpy，pandas更擅长处理表格型（Tabular data）数据，表格中每列数据类型可以不一致，numpy数组规定数据类型需要一致；
4、主要有两种数据结构：一维Series（类似numpy.ndarray）带行标签，二维DataFrame（类似二位表格），同时带行标签和列标签；
关于pandas的使用可以在这里搜索，点击戳：https://pandas.pydata.org/pandas-docs/stable/reference/index.html 。
3、安装：
和其他的模块一样使用简单的命令，既可以安装到内存，
pip install pandas
在pandas中，有两种数据类型，分别是Series对象、DataFrame对象，这可以是Python的外置数据类型，需要操作和方法都是基于此两种类型的基础之上。
4、Series对象创建
Series：可以认为是一维数组,和Numpy中的一维array类似。，是由一组数据(各种 NumPy 数据类型)以及一组与之相关的索引组成。
可以由一组数据产生简单的 Series 对象，用值列表生成 Series ，而Pandas 默认自动生成整数索引，也可以指定索引值。
在Series（含下面的DataFrame对象）中存在两个属性 values 和index，values:是Series对象的，是原始数据。index:对应了Series对象的索引对象，可以来定位values的具体值。
创建一个Series一维数组，索引为缺省值。
函数：
pd.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False)
data：python中的字典、可迭代对象、numpy.ndarry或者标量值
index：可选项，默认为列表[0, ..., len(data) - 1]，可以自己传入
dtype：可选项，设置数据类型
可以通过指定数据集和索引集来创建serise数据类型。
举例：
datadf=pd.Series([10,20,30,40,50,60])
datadf
输出：
0 10
1 20
2 30
3 40
4 50
5 60
dtype: int64
索引取元素值：
print(datadf[2:4])
print(datadf[2])
输出：
2 30
3 40
dtype: int64
30
取出全部索引和值域：
datadf.index
输出：RangeIndex(start=0, stop=6, step=1)
datadf.values
输出：array([10, 20, 30, 40, 50, 60], dtype=int64)
建立表，指定索引值
datadf=pd.Series([10,20,30,40,50,60],index=['a','b','c','d','f','g'])
datadf
输出：a 10
b 20
c 30
d 40
f 50
g 60
dtype: int64
print(datadf['c'])
输出：30
pandas.Series类似于numpy.ndarry的性能，可以查看数据类型（dtype）、形状（shape）、维度（ndim）、元素个数（size）、索引、切片、布尔过滤等。
本部分介绍了python语言的pandas模块的定义、特点概念以及一维表格series的调创建和初步元素的访问，为深入学习数据框打下基础。
欢迎点赞、收藏和关注。--------现在码字太难了。
