申明：本系列文章是自己在学习《利用Python进行数据分析》这本书的过程中，为了方便后期自己巩固知识而整理。
首先，需要导入pandas库的Series和DataFrame
In [21]: from pandas import Series,DataFrameIn [22]: import pandas as pd
Series
是一种类似一维数组的对象，是一组数据与索引的组合。如果没设置索引，默认会加上。
In [23]: obj = Series([4,3,5,7,8,1,2])In [24]: objOut[24]:0 41 32 53 74 85 16 2dtype: int64
自定义索引
In [28]: obj = Series([4,3,2,1],index=['a','b','c','d'])In [29]: objOut[29]:a 4b 3c 2d 1dtype: int64
获取values和index的值
In [30]: obj.indexOut[30]: Index(['a', 'b', 'c', 'd'], dtype='object')In [31]: obj.valuesOut[31]: array([4, 3, 2, 1], dtype=int64)
通过索引获取Series的元素值
In [32]: obj['c']Out[32]: 2
还能当字典
In [33]: if 'a' in obj: ...: print("a在对象里！") ...:a在对象里！
也能将字段转换成Series对象（有序）
In [56]: data = {'a':1,'b':2,'c':3,'d':4}
In [57]: obj = Series(data)
In [58]: obj
Out[58]: a 1 b 2 c 3 d 4 dtype: int64In [59]: data = {'a':1,'b':2,'d':3,'c':4}
In [60]: obj = Series(data)
In [61]: obj
Out[61]: a 1 b 2 c 4 d 3 dtype: int64字典data中，我加一个index会怎样？
In [72]: datas = { 'a','b','d','c','e'}In [73]: objs = Series(data,index=datas)In [74]: objsOut[74]:c 4.0e NaNb 2.0d 3.0a 1.0dtype: float64
isnull 检测缺失
In [75]: pd.isnull(objs)Out[75]:c Falsee Trueb Falsed Falsea Falsedtype: bool
notnull 检测不缺失
In [76]: pd.notnull(objs)Out[76]:c Truee Falseb Trued Truea Truedtype: bool
Series的检测缺失方法
In [78]: objs.isnull()Out[78]:c Falsee Trueb Falsed Falsea Falsedtype: boolIn [79]: objs.notnull()Out[79]:c Truee Falseb Trued Truea Truedtype: bool
DataFrame
DataFrame 是表格型数据结构，含有一组有序的列。
In [86]: data = { 'class':['语文','数学','英语'],'score':[120,130,140]}In [87]: frame = DataFrame(data)In [88]: frameOut[88]: class score0 语文 1201 数学 1302 英语 140
In [95]: frame = DataFrame(data)In [96]: frameOut[96]: class score0 语文 1201 数学 1302 英语 140
按指定序列进行排序
In [98]: DataFrame(data,columns={ 'score','class'})Out[98]: score class0 120 语文1 130 数学2 140 英语 NaN补充
In [99]: DataFrame(data,columns={ 'score','class','teacher'})Out[99]: score class teacher0 120 语文 NaN1 130 数学 NaN2 140 英语 NaN
给NaN批量赋值
方法一：
In [107]: frame['teacher'] = '周老师'In [108]: frameOut[108]: score class teacher0 120 语文 周老师1 130 数学 周老师2 140 英语 周老师
方法二：
In [110]: frame.teacher = '应老师'In [111]: frameOut[111]: score class teacher0 120 语文 应老师1 130 数学 应老师2 140 英语 应老师
通过字典标记的方式，可以将DataFrame的列转成一个Series
In [112]: frame.teacherOut[112]:0 应老师1 应老师2 应老师Name: teacher, dtype: object
将列表或数组赋值给Frame的某一列
In [114]: val = Series(['周老师','应老师','小周周'],index=[0,1,2])In [115]: frame['teacher'] = valIn [116]: frameOut[116]: score class teacher0 120 语文 周老师1 130 数学 应老师2 140 英语 小周周
为Frame创建一个新的列
In [125]: frame['yesorno'] =0In [126]: frameOut[126]: score class teacher yesorno0 False 语文 周老师 01 True 数学 应老师 02 False 英语 小周周 0
创建一个新列，并赋值一个布尔类型的Series
In [119]: frame['yesorno'] = frame.teacher == '应老师'In [120]: frameOut[120]: score class teacher yesorno0 False 语文 周老师 False1 True 数学 应老师 True2 False 英语 小周周 False
删除Frame的列
In [122]: del frame['yesorno']In [123]: frameOut[123]: score class teacher0 False 语文 周老师1 True 数学 应老师2 False 英语 小周周
嵌套字典
外层字典的键作为Frame的列，内层键作为行索引。
In [10]: from pandas import DataFrame,SeriesIn [11]: data = { 'a':{ 'aa':2,'aaa':3},'b':{ 'bb':4,'bbb':5}}In [12]: frame = DataFrame(data)In [13]: frameOut[13]: a baa 2.0 NaNaaa 3.0 NaNbb NaN 4.0bbb NaN 5.0 索引对象
pandas的索引index其实也是一个对象。由index类继承而衍生出来的还有Int64Index\MultiIndex\DatetimeIndex\PeriodIndex等。
In [31]: frame.indexOut[31]: Index(['aa', 'aaa', 'bb', 'bbb'], dtype='object')
index对象有以下属性（方法）：
insert(i,str)属性的使用案例：
In [31]: frame.indexOut[31]: Index(['aa', 'aaa', 'bb', 'bbb'], dtype='object')In [32]: frame.index.insert(5,'fff')Out[32]: Index(['aa', 'aaa', 'bb', 'bbb', 'fff'], dtype='object')