Pandas 是一個 Python 的包，提供快速、靈活和富有表現力的數據結構，旨在使“關係”或“標記”數據的使用既簡單又直觀。它的目標是成爲用Python進行實際的、真實的數據分析的基礎高級模塊。
對於沒有經驗的新手朋友來說，安裝Pandas以及其餘的NumPy和SciPy等工具包可能會有點困難。
最簡單的方法不是直接安裝Pandas，而是安裝Python和構成SciPy數據科學技術棧的最流行的工具包（IPython，NumPy，Matplotlib，…）的集合Anaconda，它是一個跨平臺（Linux，Mac OS X，Windows）的Python發行版，用於數據分析和科學計算。
本人就是小白，所以直接使用安裝Anaconda的方式了。
Pandas 建立在NumPy之上，旨在與許多其他第三方庫完美地集成在科學計算環境中。
以下是 pandas 做夠勝任的一些事情：
- 在浮點和非浮點數據中輕鬆處理缺失數據（表示爲NaN）
- 大小可變性：可以從DataFrame和更高維度的對象中插入和刪除
- 自動和顯式數據對齊：對象可以明確地與一組標籤對齊，或者用戶可以簡單地忽略標籤，讓Series，DataFrame等在計算中自動對齊數據
- 強大，靈活的組（group by）功能，可對數據集執行拆分應用組合操作，用於聚合和轉換數據
- 輕鬆將其他Python和NumPy數據結構中的不規則，不同索引數據轉換爲DataFrame對象
- 基於智能標籤的切片，花式索引和子集大數據集
- 直觀合併和加入數據集
- 靈活的重塑和數據集的旋轉
- 軸的分層標記（每個刻度可能有多個標籤）
- 強大的IO工具，用於從平面文件（CSV和分隔）、Excel文件、數據庫以及能從超快的HDF5格式中保存或加載數據
- 特定時間序列功能：日期範圍生成和頻率轉換、移動窗口統計、移動窗口線性迴歸、日期轉換和滯後等
Pandas中主要有Series和DataFrame兩種數據結構。
1 Series 可以看做有標籤（默認是整數序列RangeIndex；可以重複）的一維數組（同類型）。是scalars的集合，同時也是DataFrame的元素。
2 DataFrame 一般是二維標籤，尺寸可變的表格結構，具有潛在的異質型列。
Series
我們可以稱之爲序列，它主要是用來存儲一行或者一列的數據，以及與其相關的索引集合。想必換個不專業的說法大家就很清楚了：一維數組。
語法：
Series([數據…], index=[索引…])
Series的索引是可以省略的，如果我們省略索引，那麼索引號默認從0開始遞增。當然了，我們也可以指定索引名，不限於使用整數，字符串也是可以的。
使用list或者索引來構建Series，看個例子：
使用dict來構建Series，看個例子：
Series數據訪問可以通過以下方式獲取：
1.通過索引訪問元素（索引不能越界）
2.如果使用dict構建的，可以通過鍵值來訪問：
注意：通過dict構建的Series，其實也可通過默認從0開始的索引進行訪問的。
如果不存在的鍵值作爲索引，會報錯：
如果使用索引越界訪問：
這裏是使用dict構建的Series，所以會有兩個錯誤，第一個會提示鍵值錯誤，第二個纔是索引越界。
3.通過切片進行數據訪問（切片的概念在寫python相關的文章有過介紹）
- 定位獲取，也就是獲取多個數據，通常用於隨機抽樣
5.通過條件獲取數據
如何向Series數據追加元素呢？我們可以使用append方法來實現。
看個例子：
乍一看好像沒什麼問題啊，運行後才發現又出錯了：
哦，原來問題是出在Series不能追加單個元素，但是能夠追加序列啊。
到這裏，我們的使用姿勢對了，可細心的朋友估計發現了，series_exam1的值怎麼沒有改變呢？
append方法返回的是一個新的序列，我們需要一個變量來接收這個變化，也就是需要對series_exam1進行賦值。
結果沒有問題，series_exam1的值是我們預期的結果，可是索引好像不對啊。。。如果大家介意的話，自己的手動設置下索引了。
刪除元素：
- 通過索引刪除，同append方法返回的是一個新的序列
另外一種使用姿勢，我們自定義了索引名稱的時候：
這裏首先通過索引找到對應的索引名稱然後進行刪除。。。看起來好像沒有什麼用處啊，有沒有？
- 根據選擇條件進行值刪除(返回新的序列)
另外我們還可以通過sort_index和reindex方法對Series的索引進行排序。
sort_index默認是升序的，此時參數不用填寫，這裏爲了演示而已。
當然了，還有好多知識點了，這裏就先說這些了。