訪問flyai.club，一鍵創建你的人工智能項目
Pandas含有使數據清洗和分析工作變得更快更簡單的數據結構和操作工具。pandas經常和其它工具一同使用，如數值計算工具NumPy和SciPy，分析庫statsmodels和scikit-learn，和數據可視化庫matplotlib。pandas是基於NumPy數組構建的，特別是基於數組的函數和不使用for循環的數據處理。
雖然pandas採用了大量的NumPy編碼風格，但二者最大的不同是pandas是專門爲處理表格和混雜數據設計的。而NumPy更適合處理統一的數值數組數據。
自從2010年pandas開源以來，pandas逐漸成長爲一個非常大的庫，應用於許多真實案例。開發者社區已經有了800個獨立的貢獻者，他們在解決日常數據問題的同時爲這個項目提供貢獻。
導入pandas的標準格式:
要使用pandas，你首先就得熟悉它的兩個主要數據結構：Series和DataFrame。雖然它們並不能解決所有問題，但它們爲大多數應用提供了一種可靠的、易於使用的基礎。
Series是一種類似於一維數組的對象，它由一組數據（各種NumPy數據類型）以及一組與之相關的數據標籤（即索引）組成。僅由一組數據即可產生最簡單的Series
Series的字符串表現形式爲：索引在左邊，值在右邊。由於我們沒有爲數據指定索引，於是會自動創建一個0到N-1（N爲數據的長度）的整數型索引。你可以通過Series 的values和index屬性獲取其數組表示形式和索引對象：
通常，我們希望所創建的Series帶有一個可以對各個數據點進行標記的索引：
與普通NumPy數組相比，你可以通過索引的方式選取Series中的單個或一組值：
['c', 'a', 'd']是索引列表，即使它包含的是字符串而不是整數
使用NumPy函數或類似NumPy的運算（如根據布爾型數組進行過濾、標量乘法、應用數學函數等）都會保留索引值的鏈接：
還可以將Series看成是一個定長的有序字典，因爲它是索引值到數據值的一個映射。它可以用在許多原本需要字典參數的函數中：
如果數據被存放在一個Python字典中，也可以直接通過這個字典來創建Series：
如果只傳入一個字典，則結果Series中的索引就是原字典的鍵（有序排列）。你可以傳入排好序的字典的鍵以改變順序：
在這個例子中，sdata中跟states索引相匹配的那3個值會被找出來並放到相應的位置上，但由於"California"所對應的sdata值找不到，所以其結果就爲NaN（即“非數字”（not a number），在pandas中，它用於表示缺失或NA值）。因爲‘Utah’不在states中，它被從結果中除去。
我將使用缺失（missing）或NA表示缺失數據。pandas的isnull和notnull函數可用於檢測缺失數據：
Series也有類似的實例方法：
對於許多應用而言，Series最重要的一個功能是，它會根據運算的索引標籤自動對齊數據：
數據對齊功能將在後面詳細講解。如果你使用過數據庫，你可以認爲是類似join的操作。
Series對象本身及其索引都有一個name屬性，該屬性跟pandas其他的關鍵功能關係非常密切：
Series的索引可以通過賦值的方式就地修改：
教程 | Jupyter Notebook初級教程——迷死人的基礎操作
教程 | Jupyter Notebook基礎教程——快捷鍵的使用
教程 | Python之Numpy ndarray 基本介紹 1
教程 | Python之Numpy ndarray 基本介紹 2
教程 | Python之Numpy ndarray 基本介紹 3
教程 | Python之Numpy ndarray 基本介紹 4
點擊 閱讀原文 ，動手操作
— End —