pandas是基于Numpy构建的，提供了众多比NumPy更高级、更直观的数据处理功能，尤其是它的DataFrame数据结构，可以用处理数据库或电子表格的方式来处理分析数据。
使用Pandas前，需导入以下内容：
import numpy as np
from pandas import Series,DataFrame # 也可以不写这一行，只需在使用时将Series,DataFrame改为pd.Series,pd.DataFrame
import pandas as pd
一、Pandas中两个最常用的对象是Series和DataFrame（最常用的两种数据结构）。1.Series是一种类似一维数据的数据结构，由数据(valus)及索引(indexs)组成。Series一个最大特点就是可以使用标签索引，Series的标签索引（它位置索引自然保留），定位也更精确，不会产生歧义。
例如：
当然，Series除了标签索引外，还有其它很多优点，如运算的简洁.
2.DataFrame是一个表格型的数据结构，它有一组有序列，每列的数据可以为不同类型，它既有行索引，也有列索引。DataFrame除了索引有位置索引也有标签索引，而且其数据组织方式与MySQL的表极为相似，除了形式相似，很多操作也类似，这就给我们操作DataFrame带来极大方便它还有比数据库表更强大的功能，如强大统计、可视化等等。
DataFrame几要素：index、columns、values等，columns就像数据库表的列表（列索引），index是索引(行索引），当然values就是值了。
a1 = np.array([1,2,3,4])
a2 = np.array([5,6,7,8])
a3 = np.array(['a','b','c','d'])
df = pd.DataFrame({'a':a1,'b':a2,'c':a3})
print(df)
(1)生成DataFrame有很多，比较常用的有导入等长列表、字典、numpy数组、数据文件等。
导入字典：
导入数据文件：
(2)获取DataFrame结构中数据
（3）修改DataFrame的数据
添加一行：
删除一行：
修改指定位置元素 ：
(4)汇总统计方法
Pandas有一组常用的统计方法，可以根据不同轴方向进行统计，当然也可按不同的列或行进行统计，非常方便。
（5）应用函数及映射
我们知道数据库中有很多函数可用作用于表中元素，DataFrame也可将函数（内置或自定义）应用到各列或行上，而且非常方便和简洁，具体可用通过DataFrame的apply，使或applymap或map，也可以作用到元素级。以下通过实例说明具体使用。
