1、介绍
Pandas是一个开源的，BSD许可的库（基于numpy），为Python编程语言提供高性能，易于使用的数据结构和数据分析工具。python
官方中文文档：https://www.pypandas.cn/docs/linux
本次演示使用数据来自github：https://github.com/jakevdp/PythonDataScienceHandbook/tree/master/notebooks/datagit
2、快速入门
1.导入github
2.重点数据结构编程
主要是series和dataframe数组
因此通常状况下咱们导入的是数据分析的三剑客：数据结构
numpy Series DataFrame:（若是只导入pd，那就正常使用pd.Series便可了）编程语言
from pandas import Series,DataFrame
3、Series
Series是Pandas中的一维数据结构，相似于Python中的列表和Numpy中的Ndarray，不一样之处在于：Series是一维的，能存储不一样类型的数据，有一组索引与元素对应。也就是加了索引的一维数据结构（索引不必定是0 1 2 3的数字）函数
1.建立工具
1）经过列表或者numpy数组进行建立，默认索引是0 1 2 3这样的整数索引。示例如上图
想要指定索引，能够设置index参数：（建立的时候指定也是能够的）
特别地，使用ndarray建立的series是引用，对series的改变会影响ndarray
2）由字典建立
Series主要分为index、values两块
2.索引和切片
1).使用index做为索引值（不推荐）
2）使用升级为Series以后的loc()函数（推荐）
3）使用隐式索引（不显式指定索引的内容值，经过相似ndarray的索引风格取数据）
4）切片，能够直接[]或者loc形式
3.Series基本概念
1)经常使用属性：index、values、shape（一维的，因此只能是一个元素的元组）、size
2)能够经过head()、tail()等查看头部和尾部数据（相似linux的命令），只看前5个或者后5个
3)索引没有对应的值时，值会出现NaN，也就是数据缺失的状况，在np中使用np.nan表示这个空值，python中就是None表示了
4)可使用 isnull()、notnull()来检测空值：
能够经过notnull()等进行空数据过滤：
s2 = s.notnull() # 如下取出的即是为True的非空数据 s[s2]
5)每一个Series都有一个name属性，能够在DataFrame中进行区分，在df中，也就至关于列名
6)Series运算
能够正常的进行加减运算，其中None值不会参与计算，而ndarray值为None时为报错，为np.nan时计算结果为nan
或者经过s1.add(10,fill_value= 0)等形式来控制NaN的默认值
两个Series之间也能够运算，不对齐的部分（也就是索引不相等的部分），补充NaN
要保留index不对齐的部分，可使用add()方法：，经过fill_value