导入

导入pandas一般是这样导入的

import pandas as pd

Series

创建

s1 = pd.Series([5, 17, 3, 26, 31])

注意Series的第一个字母要大写，表明这其实是Series类的构建函数, 返回的是Series类的实例

获得元素或者索引

单独获得元素

s1.values

单独获得索引值

s1.index

索引和切片操作

Pandas中的Series也可以自己指定索引(默认是从0开始的整数）

新弄的索引叫做标签索引，原来的索引叫做位置索引，loc表示用标签索引，iloc表示用位置索引。

查找

修改

筛选

运算

当两个Series一起运算的时候，只有相同索引的值才会相加，只有一个的返回NaN

用方法的话可以给只有一个的赋一个值进行相加

最大、最小、求和、平均值

统计信息

在Series中有一个函数describe可以直接告诉我们一些统计信息

s.describe()

对元素分别操作

注意apply函数是返回一个新的，不改变原来的。

DataFrame

创建

DataFrame相当于好几个Series标注在一块

索引、列名、元素

元素返回的是array的数组

转置

将行和列进行转置

提取

单个

多个

同Series一样，DataFrame也同样具有标签索引提取和位置索引提取。
标签索引




位置索引

筛选

也可以通过head方法来获取前几行

修改和添加

原表格

修改
修改时可以用python原来的列表，也可以用Series, 如果用Series,必须写上index，否则无法正常匹配，列表的话会直接用顺序来进行匹配。
如果有的话会直直接进行修改.

如果没有的话会进行添加

当然这是在行上进行添加，也可以在列上进行添加。

但是注意如果用顺序索引就不能越界

删除

用drop()函数可以返回对应删除某一行的列表,注意这里是返回删除的列表,而并非对原始列表直接进行操作

如果要进行对列的删除的话，需要在drop后面加一个参数, axis = 1





DataFrame也可以和Series进行操作

更多统计函数

mean
直接调用mean函数，默认是对列进行操作

但是指定一下axis = 1,就可以变成横向操作了

apply

这样就可以对于每行或者每列的（默认是列）的数据依次传入进行操作
applymap
这是一个对每个元素做的操作，会向函数传入每个元素作为参数。

describe

这个函数会对每一列进行统计信息（只对数字信息）
想对行的话可以这样