Python是一个很适合与数据打交道的语言，你可以用它来做爬虫，做表格，做折线图，数据清洗，大数据，量化交易，做分析工具用来炒股，图形AI识别。
一、初识pandas
pandas是进行数据分析的库，有很强大的数据处理能力
pandas基于Numpy的数据分析工具（Numpy我会在进阶篇写的）
她没用Python已有的数据结构和其他库的数据结构，而是自己设计了两种数据结构：Series和Dataframe
用他们两个来处理表格型的数据非常方便。
Series数组
Series是一种一维的带标签数组对象
Series数组对象由两部分构成：
值（value）：一维数组的各元素值，是一个ndarray（会在Numpy篇里讲）类型数据。
索引（index）：与一维数组值一一对应的标签。利用索引，我们可非常方便在Series数组中进行取值。
使用列表创建Series
创建Series数据结构时，如果没有指定标签，那就从0开始递增。
也可以一开始给指定index：
这里就可以利用索引取值出来了：
a[0]或者a['b']
从NumPy创建Series（这里必须是传入的一维数组对象）
使用字典创建series
series数组常用属性
Series数组的属性与numpy数组属性很是类似，如下表所示
DataFrame数组
series是一维的，dataframe是二维的，和Excel表格相似，其数据的呈现方式类似于Excel这种二维表结构。
相比于Series数组，DataFrame可以存放多维数据，所以DataFrame不仅仅有索引，还有列名。
通过字典创建
通过二维数组创建
通过列表创建
通过列表创建DataFrame数组时，列表的每一个元素必须是字典，这样，字典的键将作为列名。
通过功能函数创建
我们还可以通过诸如from_dict()、from_records()这类的功能函数来创建DataFrame数组，以from_dict()为例：
如果需要让字典的键作为索引，重新指定列名，可以传入orient='index'参数，然后重新传入列名。
DataFrame数组常用属性
DataFrame数组的属性与Series数据几乎一样，只是多了一个保存列名信息的columns属性，参看上面表格中的Series属性就行了。
DataFrame元素索引
创建时指定了index 和 columns标签，这是为了便于通过标签取得元素。与列表类似，dataframe也可以选取一个或多个元素。
输出行列索引和元素值：
dataframe.columns
dtataframe.index
dataframe.values
动手写一遍代码
按列或行索引
在dataframe中，通过dataframe[列名]或dataframe.列名的方式就可以取得对应的一列数据。
更新DataFrame
二、数据运算
在进行数据运算的时候，pandas可以让数据自动对齐。参与运算的两个数据结构的索引顺序不一致，但是只要索引项一致，就可以自动对齐，并进行运算，如果索引项只在一个数据结构中出现，那么该元素无法进行对齐和运算，用NaN填充。
series之间的运算
DataFrame之间的运算
对齐规则相同，但是列和行都需要对齐
列和行标签相同才会做运算。否则NaN填充。
pandas里有算术函数可以进行常规运算：
add()//加
sub()//减
mul()//乘
div()//除
s1.add(s2)
series和dataframe之间的运算
他们两种不同的数据结构进行数学运算时，series中的元素会与dataframe中具有相同列索引的元素进行数学运算：
注意columns和index是对应的，如果一个索引项只存在于一个数据结构中，那么运算结果中会为该索引生成一列，只不过都是NaN。
numpy通用函数
pandas可以用numpy函数拓展，操作series和dataframe，比如sqrt，square函数，这是开方和平方的。
三、文件读取和数据选取
pandas对大量的Excel表格进行操作，pandas可以对Excel，csv，数据库文件等等进行数据读取。
read_excel()和read_csv(),用info函数去查看数据的整体信息。
数据选取
使用loc和iloc选取数据
df.loc[]只能使用标签索引，不能使用整数索引，通过便签索引切边进行筛选时，前闭后闭。
df.iloc[]只能使用整数索引，不能使用标签索引，通过整数索引切边进行筛选时，前闭后开。
df.ix[]既可以通过整数索引进行数据选取，也可以通过标签索引进行数据选取，换句话说，df.ix[]是df.loc[]和df.iloc[]的功能集合，且在同义词选取中，可以同时使用整数索引和标签索引。
Python培训：http://www.baizhiedu.com/python2019
