Pandas是为解决数据分析任务而创建的基于NumPy的工具。 Pandas内置了大量库和几个标准数据模型，为高效处理大型数据集提供了必要的工具。 Pandas提供了许多函数和方法，可以快速轻松地处理数据。 利用Pandas进行数据操作、预处理和清洗是Python数据分析的重要技能。
数据分为三个部分：行索引(index )、列索引(columns )和数据内容(data )
塞利兹
Series是Pandas中最基本的对象，Series就像一维数组。 事实上，Series基本上基于NumPy数组对象。 与NumPy数组不同，Series可以自定义数据标签，即索引(index )，并通过索引访问数组中的数据。
创建Series并使用默认索引
sel=series (数据=[ 1，' lackychen '，30，' a teacher and a student'] ' )
Series实际上是数据。 Series方法的第一个参数是data，第二个参数是index (索引)，如果未传递值，则使用默认值(0-N )。
创建序列并使用自定义索引
SEL=series(data=[1，' lackychen '，30，' a teacher and a student'] )，index=[ '序号'，'名称'，'年龄'，'注释]
索引参数是我们自定义的索引值。 请注意，参数值的数量必须与元素的数量相同。
将词典转换为系列
dic={'red':100，' black':400，' green':300，' pink':900}
se2=series (数据=DIC ) )。
在数据为辞典的情况下，将辞典的键设为索引，将辞典的值设为与索引对应的数据值。
Series是一组索引数组，与list相似，通常用于存储单个数据或单行数据。 多个系列可以配置一个数据帧。
从values、index、items等系列属性中获取各部分的所有数据
from pandas导入系列
emp=['001、002、003、004、005、006']
name=[ '亚瑟'，'后裔'，'小乔'，'漂亮的鸟'，'虞姬'，'王昭君' ]
series=series (数据=name，索引=EMP ) ) )。
#获取数据值
打印(series.values ) )。
获取索引的值
print(series.index.tolist ) )
#获取索引/值对
打印(list (series.items ) )
values、index和items分别返回列表、索引和Zip类型的数据。 为了方便地观察数据，可以使用series.index.toList ()和List (series.items ) ) )的方法将其转换为list
Series就像一个将索引值暴露在外面的列表，实际上不仅外观相似，而且在检索数据方面也非常相似。 可以使用索引值访问单个数据。 此外，还可以使用切片选择多个数据。
from pandas导入系列
emp=['001、002、003、004、005、006']
name=[ '亚瑟'，'后裔'，'小乔'，'漂亮的鸟'，'虞姬'，'王昭君' ]
series=series (数据=name，索引=EMP ) ) )。
#使用索引值获取单个数据
print(series['001']
#使用索引值获取多个不连续的数据
print ('索引下标'，series[['002 '，' 004']]
#使用切片获取连续的数据
print ('索引切片'，series('001':'004 ' ) )
from pandas导入系列
emp=['001、002、003、004、005、006']
name=[ '亚瑟'，'后裔'，'小乔'，'漂亮的鸟'，'虞姬'，'王昭君' ]
series=series (数据=EMP，索引=名称) )。
#使用位置下标获取各个数据
打印(series [0] ) )。
#使用位置下标获取多个不连续的数据
print ('位置下标'，series [ [ 1，3 ] ) )
#使用位置下标切片获取连续数据
print (位置切片)、series[0:3]
我们自定义的索引值称为索引下标，如果未设置索引值，则有一个称为定位下标的默认值。
利用循环遍历系列
直接遍历Series的值：
# 遍历并拿到data数据
for value in series:
print(value)
通过keys()遍历Series的索引：
# 遍历并拿到index数据
for index in series.keys():
print(index)
通过items()遍历Series的每对索引和数据：
# 遍历并拿到每对索引和数据
for item in series.items():
print(item)
DataFrame
DataFrame(数据表)是一种 2 维数据结构，数据以表格的形式存储，分成若干行和列。通过 DataFrame，你能很方便地处理数据。调用DataFrame()可以将多种格式的数据转换为DataFrame对象，它的的三个参数data、index和columns分别为数据、行索引和列索引。
二维列表创建dataframe
lol_list = [ ['上单','zzdbmh',20], ['打野','小天',19], ['中单','wxdxrk',23], ['ADC','俏皮的路灯',22], ['辅助','Ming',21] ]
df = DataFrame(data=lol_list)
有没有办法在创建DataFrame对象的时候为每一列设定一个有意义的名字呢？我们可以通过给DataFrame构造函数中的参数index,columns传值来设定DataFrame的中的行、列索引的值。
二维列表创建dataframe，自定义index、columns
lol_list = [ ['上单','zzdbmh',20], ['打野','小天',19], ['中单','wxdxrk',23], ['ADC','俏皮的路灯',22], ['辅助','Ming',21] ]
df = DataFrame(data=lol_list, index=['a','b','c','d','e'], columns=['位置','ID号','年龄'])
使用字典创建dataframe，字典的键值作为数据的列索引值
dic={ '位置': ['上单', '打野', '中单', 'ADC','辅助'], 'ID号': ['zzdbmh', '小天', 'wxdxrk', '俏皮的路灯', 'Ming'], 'year': [20, 19, 23, 22,21]}
df=pd.DataFrame(dic)
可以把 DataFrame 理解成一组采用同样索引的 Series 的集合。DataFrame处理数据常见的操作有选取、替换行或列的数据，重组数据表、修改索引、多重筛选等。
DataFrame里的数据是按照行和列来进行排列，如何对DataFrame的数据按照行或者列进行选择、遍历以及修改。在这之前我们要清楚DataFrame中的数据情况，首先数据的维度是一维还是二维的我们可以使用ndim查看，数据的行数和列数使用shape查看，行、列的索引值使用index、columns查看。
import pandas as pd
df_dict = {
'name':['ZhangSan','LiSi','WangWu','ZhaoLiu'],
'age':['18','20','19','22'],
'weight':['50','55','60','80']
}
df = pd.DataFrame(data=df_dict,index=['001','002','003','004'])
print(df)
# 获取行数和列数
print(df.shape)
# 获取行索引
print(df.index.tolist())
# 获取列索引
print(df.columns.tolist())
# 获取数据的维度
print(df.ndim)
数据量比较大并且我们想看数据的具体情况的时候，直接打印df比较耗时，所以我们可以只获取前几行或者后几行，了解数据的构成即可。这时候有两个法宝head()、tail()帮我们解决这个问题。
# 获取前两条
df.head(2)
# 获取后两条
df.tail(2)
两个方法都有默认值，默认值是5，当然也可以自己设置，如果数据不够5个会将全部数据拿出来。
# 通过位置索引切片获取一行
print(df[0:1])
# 通过位置索引切片获取多行
print(df[1:3])
# 获取多行里面的某几列
print(df[1:3][['name','age']])
# 获取DataFrame的列
print(df['name'])
# 获取多个列
print(df[['name','age']])
df[]不支持直接输入标签索引获取行数据，例如：df['001']；
这种方式可以获取一列数据，列如：df['name']；
如果想获取多行里面的某几列可写成：df[行][列]，例如：df[1:3][['name','age']],将列索引值放到同一个列表中，再将列表放到第二个方括号中。
行标签索引筛选loc[]，行位置索引筛选iloc[]：
import pandas as pd
df_dict = {
'name':['ZhangSan','LiSi','WangWu','ZhaoLiu'],
'age':['18','20','19','22'],
'weight':['50','55','60','80']
}
df = pd.DataFrame(data=df_dict,index=['001','002','003','004'])
print(df)
# 获取某一行某一列的数据
print(df.loc['001','name'])
# 某一行多列的数据
print(df.loc['001',['name','weight']])
# 一行所有列
print(df.loc['001',:])
# 选择间隔的多行多列
print(df.loc[['001','003'],['name','weight']])
# 选择连续的多行和间隔的多列
print(df.loc['001':'003','name':'weight'])
df.loc[] 通过标签索引获取行数据，它的语法结构是这样的：df.loc[[行],[列]]，方括号中用逗号分隔，左侧是行、右侧是列。注意：如果行或者列使用切片的时候，要把方括号去掉，列df.loc['001':'003','name':'weight']。
df.iloc[] 通过位置索引获取行数据，他的操作和loc[]操作是一样的，只要将标签索引改成位置索引就好了。
# 取一行
print(df.iloc[1])
# 取连续多行
print(df.iloc[0:2])
# 取间断的多行
print(df.iloc[[0,2],:])
# 取某一列
print(df.iloc[:,1])
# 某一个值
print(df.iloc[1,0])
import pandas as pd
df_dict = {
'name':['ZhangSan','LiSi','WangWu','ZhaoLiu'],
'age':['18','20','19','22'],
'weight':['50','55','60','80']
}
df = pd.DataFrame(data=df_dict,index=['001','002','003','004'])
print(df)
print(df.iloc[1])
print(df.iloc[0:2])
print(df.iloc[[0,2],:])
print(df.iloc[:,1])
print(df.iloc[1:3,0:1])
print(df.iloc[1,0])
需要注意的是，loc和iloc的切片操作在是否包含切片终点的数据有差异。loc['001':'003']的结果中包含行索引003对应的行。iloc[0:2] 结果中不包含序号为2的数据，切片终点对应的数据不在筛选结果中。loc是指location的意思，iloc中的i是指integer。这两者的区别如下：
loc：works on labels in the index.
iloc：works on the positions in the index (so it only takes integers).
也就是说loc是根据index来索引，比如下边的df定义了一个index，那么loc就根据这个index来索引对应的行；iloc并不是根据index来索引，而是根据行号来索引，行号从0开始，逐次加1。
dataframe数据遍历
iterrows(): 按行遍历，将DataFrame的每一行转化为(index, Series)对。index为行索引值，Series为该行对应的数据。
for index,row_data in df.iterrows():
print(index,row_data)
iteritems():按列遍历，将DataFrame的每一列转化为(column, Series)对。column为列索引的值，Series为该列对应的数据。
for col,col_data in df.iteritems():
print(col)
示例：
import pandas as pd
df_dict = {
'name':['ZhangSan','LiSi','WangWu','ZhaoLiu'],
'age':['18','20','19','22'],
'weight':['50','55','60','80']
}
df = pd.DataFrame(data=df_dict,index=['001','002','003','004'])
for index, row_data in df.iterrows():
print(index, row_data)
for col, col_data in df.iterrows():
print(col)
print(col_data)