引入pandas和常用的数据结构Series，DataFrame

一、pandas的数据结构的介绍

1.Series

        Series是一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关的数据标签（即索引）组成。仅由一组数据即可产生最简单的Series：

        默认索引是一个从0-N-1（N为数据长度）的整数型索引。你可以通过Series的values和index属性获取其数组表示形式和索引对象：

        可以通过index创建自己想要的索引：

        可以通过索引选取一个或者一组值，或者对其进行修改：

        NumPy数组运算都会保留索引和数值之间的链接：

        还可以将Series看成是一个定长的有序字典，因为它是索引值到数据值的一个映射。它可以用在许多原本需要字典参数的函数中：

        如果数据被存在一个Python字典中，也可以直接通过这个字典来创建Series：

        如果只传入一个字典，则结果Series中的索引就是原字典的键（有序排列）。

        在这个例子中，sdata中跟states索引相匹配的那3个值会被找出来并放到相应的位置上，但由于California所对应的sdata值找不到，就用NaN代替。在pandas中，可以用isnull和notnull

函数来检测缺失数据：

        Series也有类似的方法：

        对于许多应用而言，Series最重要的一个功能是：它在算术运算中会自动对齐不同索引的数据。

        Series对象本身及其索引都有一个name属性，该属性跟pandas其他的关键功能关系非常密切：

        Series的索引值可以通过赋值的方式就地修改：

2、DataFrame

                DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）。DataFrame中面向行和面向列的操作基本上是平衡的。其实，DataFrame中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维数据结构）。

        注意：虽然DataFrame是以二维结构保存数据的，但你仍然可以轻松的将其表示为更高维的数据。

        构建DataFrame的办法有很多，最常用的是直接传人一个由等长列表或NumPy数组组成的字典：

debt没有值，自动填充为NaN

3、索引对象

        pandas的索引对象负责管理轴标签和其他元数据（比如轴名称等）。构建Series或DataFrame时，所用到的任何数组或其他序列的标签都会被转换成一个Index：

        Index对象是不可修改的（immutable），因此用户不可对其修改：

        不可修改性非常重要，因为这样才能使Index对象在多个数据结构之间安全共享。

二、基本功能

        1、重新索引

            pandas对象的一个重要方法是reindex，其作用是创建一个适应新索引的新对象。

例子：

        DataFrame和Series之间的运算差不多也是如此，默认情况下，DataFrame和Series之间的算术运算会将Series的索引匹配到DataFrame的列，然后沿着行一直向下广播：

        如果某个索引值在DataFrame的列或者Series的索引中找不到，则参与运算的两个对象就会重新索引以形成并集：

        如果你希望匹配行且在列上广播，则必须使用算术运算方法。例如：

函数应用与映射

NumPy的ufunc（元素级数组方法）    也可用于操作pandas对象：

        另一个常见操作是，将函数应用到由各列或行所形成的一维数组上。DataFrame的apply方法即可实现此功能：

在DataFrame上，你希望根据一个或多个列中的值进行排序。将一个或多个列的名字传递给by选项即可达到该目的：