一、Series类型
在Pandas中，有两个基本的数据类型，使得在处理数据的时候变得非常高效，分别是Series和DataFrame，其中DataFrame是由多个Series组成的，因此要先学好Series，才能对DataFrame的使用更加得心应手。
Series是一种类似于列表的对象，由一列数据以及一列与之对应的索引组成。如下图所示。
1. 创建Series对象：
在实际开发中，可能需要经常创建Series对象，而创建Series对象有多重方式，下面进行讲解。
1.1. 通过列表或ndarray数组创建：
import pandas as pd
persons = ['张三','李四','王五']
series = pd.Series(persons)
print(series)
print(type(series))
上述代码可以看到输出以上代码输出为：
0 张三
1 李四
2 王五
dtype: object
<class 'pandas.core.series.Series'>
1.2. 通过字典创建：
persons = {"张三":18, "李四": 25, "王五": 19}
series = pd.Series(persons)
print(series)
print(type(series))
上述代码的输出结果为：
张三 18
李四 25
王五 19
dtype: int64
<class 'pandas.core.series.Series'>
2. Series对象相关操作：
2.1. 获取数据和索引：
通过series.index和series.values能分别获取到Series对象的索引和值。示例代码如下：
persons = ['张三','李四','王五']
series = pd.Series(persons)
print(series.index)
print(series.values)
输出结果为：
RangeIndex(start=0, stop=3, step=1)
['张三' '李四' '王五']
2.2. 通过索引获取对应的值：
我们经常会通过索引来获取对应的值，语法为：series[索引]。示例代码如下：
persons = ['张三','李四','王五']
series = pd.Series(persons)
print(series[0])
输出结果为：'张三'。
二、DataFrame对象：
DataFrame由多行多列组成，是一个表格型的数据结构。可以认为一个DataFrame是由多个Series对象组成，这些Series共用同一个行索引，每个Series的数据类型可以不同。结构图如下。
1. 创建DataFrame对象：
1.1. 通过ndarray创建DataFrame对象：
二维数组天然具有行和列的概念，因此可以非常方便的使用二维数组创建DataFrame对象。示例代码如下：
import numpy as np
# 通过ndarray创建DataFrame
array = np.random.randn(5,4)
print(array)
df_obj = pd.DataFrame(array)
print(df_obj.head())
运行结果如下：
[[ 1.70457214 0.53100369 0.37360947 0.93320688]
[-0.56648031 -0.32116357 -0.3837961 -1.80175888]
[ 2.12109864 0.83919019 -0.43187152 0.80611653]
[-0.66275038 0.90984602 0.11596098 0.41519099]
[-1.62119184 2.40474293 0.96915745 -0.28995527]]
0 1 2 3
0 1.704572 0.531004 0.373609 0.933207
1 -0.566480 -0.321164 -0.383796 -1.801759
2 2.121099 0.839190 -0.431872 0.806117
3 -0.662750 0.909846 0.115961 0.415191
4 -1.621192 2.404743 0.969157 -0.289955
同理，用二维列表，也同样可以达到效果。可以在创建DataFrame的时候，指定行索引和列索引。示例代码如下：
df = pd.DataFrame(array, index=[1,2,3,4,5], columns=['星期一','星期二','星期三','星期四']
输出结果如下：
星期一 星期二 星期三 星期四
1 1.704572 0.531004 0.373609 0.933207
2 -0.566480 -0.321164 -0.383796 -1.801759
3 2.121099 0.839190 -0.431872 0.806117
4 -0.662750 0.909846 0.115961 0.415191
5 -1.621192 2.404743 0.969157 -0.289955
1.2. 通过字典创建DataFrame：
persons = [{"username":"张三","age": 18, "height": 180},{"username":"李四","age": 20, "height": 170}]
df = pd.DataFrame(persons)
print(df)
运行结果如下：
username age height
0 张三 18 180
1 李四 20 170
上述是把多个字典存放到列表中，也可以直接使用字典创建，示例代码如下：
persons = {"username":["张三","李四"],"age": [18, 20], "height": [180, 170]}
df = pd.DataFrame(persons)
print(df)
2. DataFrame基本操作：
2.1. 获取列的数据：
通过df.列名或者df['列名']都可以获取到该列的所有数据。示例代码如下：
# 1. df.列名
print(df.username）
# 2. df['列名']
print(df['username'])
以上获取到的数据类型，实际上就是一个Series对象。
2.2. 获取行的数据：
行的数据是通过索引来获取，在DataFrame中索引操作功能非常强大，这里我们讲解一个简单的示例。关于索引更多操作读者请参考下一节。
# 获取下标为0的索引的那一行的值
print(df.iloc[0])
输出结果如下：
username 张三
age 18
height 180
Name: 0, dtype: object
2.3. 增加列的数据：
可以通过类似字典操作的方式，给DataFrame添加新的列。示例代码如下：
# 添加weight列
df['weight'] = [80, 60]
print(df)
输出结果如下：
username age height weight
0 张三 18 180 80
1 李四 20 170 60
2.4. 删除列：
通过del关键字即可删除某一列的数据。示例代码如下：
del df['weight']
print(df)
输出结果如下：
username age height
0 张三 18 180
1 李四 20 170
3. 查看数据：
3.1. head
如果DataFrame数据行数特别多，我们只想看前面部分的数据，那么可以使用df.head来查看。示例代码如下：
# 默认查看前面5条数据
df.head()
# 查看前面10条数据
df.head(10)
3.2. tail：
与head相反，tail是用于查看DataFrame末尾的数据，默认是5条。示例代码如下：
# 默认查看末尾5调数据
df.tail()
# 查看末尾10条数据
df.tail(10)
3.3. describe：
查看DataFrame的描述。会把所有数字类型的列进行运算，比如获取总的个数，平均值，中位数等。
import pandas as pd
persons = [{"username":"张三","age": 18, "height": 180},{"username":"李四","age": 20, "height": 170}]
df = pd.DataFrame(persons)
df.describe()
输出结果为：
age height
count 2.000000 2.000000
mean 19.000000 175.000000
std 1.414214 7.071068
min 18.000000 170.000000
25% 18.500000 172.500000
50% 19.000000 175.000000
75% 19.500000 177.500000
max 20.000000 180.000000
3.4. shape：
查看当前DataFrame的形状。示例代码如下：
df.shape
3.5. index和columns：
df.index用于查看当前的行索引。df.columns用于查看当前的列索引。示例代码如下：
# 查看行索引
print(df.index)
# 查看列索引
print(df.columns)
3.6. T：
df.T用于转置数组，可以将行变为列，列变为行。示例代码如下：
print(df.T)
3.7. info：
查看数据相关信息，比如列数、每列的类型等。
3.8. dtypes：
查看DataFrame的所有列的数据类型。
提供CDN加速