本文目录一览：
- 1、python语言属于______
- 2、Python教程：第19篇 逻辑运算符
- 3、python常用到哪些库？
- 4、python教程哪里下载？
- 5、Python其实很简单 第十九章 Pandas之Series与DataFrame
python语言属于______
Python语言不是汇编语言，Python是高级的语言。
Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。
Python由荷兰数学和计算机科学研究学会的吉多·范罗苏姆于1990年代初设计，作为一门叫做ABC语言的替代品。Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言，随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。
汇编语言assembly language，是一种用于电子计算机、微处理器、微控制器或其他可编程器件的低级语言，亦称为符号语言。在汇编语言中，用助记符代替机器指令的操作码，用地址符号或标号代替指令或操作数的地址。
高级语言High-level programming language，是一种独立于机器，面向过程或对象的语言。高级语言是参照数学语言而设计的近似于日常会话的语言。
计算机语言具有高级语言和低级语言之分。而高级语言又主要是相对于汇编语言而言的，它是较接近自然语言和数学公式的编程，基本脱离了机器的硬件系统，用人们更易理解的方式编写程序。编写的程序称之为源程序。
Python教程：第19篇 逻辑运算符
我们在高一时学习过命题的逻辑运算：与、或、非，在计算机科学中，其运算规则也是类似的（基本原理相同，但操作数与返回结果有所不同），Python也不例外。
在Python中，与用and、或用or、非用not表示。逻辑运算符一般用于操作返回值为bool类型的表达式，以表达式的值True（真）和False（假）为例。其运算规则总览如下：
需要特别注意的是，在Python中，虽然逻辑运算符的操作数一般是运算结果为逻辑值的表达式，但也可以是运算结果为数值、字符串、元组、列表、集合、字典等类型的表达式。返回值也不一定是逻辑（bool）类型。而有些教程错误地称只能操作bool类型的表达式以及始终返回bool类型。
我们可以用两个not查看某种数据等价的逻辑值，下面是一些常见数据类型的等价规则：
一、数值除了0视为False，其余数值（包括小数、负数、复数）均视为True：
二、字符串除了空字符串视为False外，其余均视为True（包括空格、制表、换行、回车等空白符，也包括字符串'False'）：
三、对于元组、列表、集合、字典也是如此，空的视为False，非空的均视为True，即使其中只有一个值为False或0的数据：
有一种情况容易产生误解，就是使用小括号将False包围起来，这其实也是表示bool值，而不是元组，元组是使用小括号包围的数据列表，但是如果只有一个成员，数据后面要加一个逗号，正如上述示例中所示那样，下面的示例显示了小括号包围的False的数据类型：
四、对于一个类也是如此，非空类视为True（注：无法创建什么都不包含的空类）：
五、None视为False：
总结一下就是： 数值0、空字符串、空元组、空列表、空集合、空字典以及None，均视为逻辑值False，其余均视为True。
需要注意的是，逻辑运算符的返回值不一定是bool类型。
了解了非bool类型的操作数等价的逻辑值之后，还需要了解逻辑运算符的完全运算规则，才能得知具体会返回什么值。
and为逻辑与（也称逻辑且），其使用语法如下：
表达式A and 表达式B
其中操作数表达式A和表达式B一般均为逻辑值。但也可以是数值、字符串、元组、列表、集合、字典、对象等类型。
其运算通用规则为： 如果 表达式A 的运算结果等价于False，返回其运算结果，不再计算表达式B。否则返回 表达式B 的运算结果。
对于最常用的两个操作数均为逻辑值的情况，只有当两个操作数均为True的情况下为True，其余情况均为False，以下是所有四种可能情况的运行示例：
其中两个操作数也都可以是非逻辑值。
当第1个操作数结果等价于False时，比如False、0、None、空字符串、空元组、空列表、空集合、空字典等，整个逻辑表达式返回第1个操作数，注意，返回的是操作数的原始值，而不是等价值False，下面是运行示例（None表示什么也没有，所以没有输出。set()返回空集合）：
当第1个操作数等价于True时（非数值0、非空字符串等都等价于True），则不管第2个表达式的返回值是什么，都将返回第2个值，当然这时第2个表达式不能有语法错误：
or为逻辑或，其使用格式如下：
表达式A or 表达式B
其中操作数表达式A和表达式B与and中的操作数含义相同。
其运算通用规则为： 如果 表达式A 的运算结果等价于True，返回其运算结果，不再计算表达式B。否则返回 表达式B 的运算结果。 其与and的区别在于，or当表达式A为True则返回表达式A，and当其为False时返回表达式A。
以上面and的示例为模板，可以看到，or与and的返回值正好相反。
与and类似，当表达式A相当于True时，表达式B也不会计算：
下面是常见的两个操作数均为逻辑值的情况，or运算符的四种可能情况的运行示例（除非两个值都是False时返回False，其余情况返回True）：
not为逻辑非，其使用格式如下：
not 表达式
其运算规则为： 当 表达式 的运算结果为False、0、None、空字符串、空元组、空列表、空集合、空字典时，返回True。其余情况均返回False。
下面是一些不同数据类型的运算示例：
与and和or不同的是，not的返回值始终是bool类型，即只有True和False两种可能的取值。
所以，可以使用not not 表达式来查看一个非逻辑值是等价True还是False，正如上文非逻辑操作数等价的逻辑值中所示的那样。
当然，not最常用的用法还是逆转逻辑值，下面是两种可能情况的运行示例：
逻辑运算符优先级notandor。
下面的示例证明and先于or运算：
下面的示例证明not先于or运算：
下面的示例证明not先于and运算：
另外，所有的逻辑运算符都比元组逗号分隔符的优先级要高，以and为例，比如下面是一个元组：
下面的例子中：
先计算了3 and 4，然后再组合成了元组，相当于：
而不是：
not与or的优先级也比其要高，下面是示例：
所以虽然元组有时可以省略小括号，但在与逻辑运算符运算时，元组请始终使用小括号。
这篇文章的整理与编写花费了我近十小时时间，从上午写到晚上。是我目前最具匠心的文章，如果说以前我的文章只适合初学者，偶尔超水平发挥才适合中级学者，那么这篇文章我感觉对高水平人员也有重要的参考意义。
就我目前所知，我所写的教程，在全网找不到第二个比它更优秀的了，当然，每个人心中都有一杆称，不同读者可能也有不同的际遇，我能做的只是做好自己。
所以，如果你觉得此文不错，可以分享给你身边的朋友、同学、同事、同乡，世界很大也很小，很多东西，初见只能依靠缘分。而再见就需要你的主动了，缘分天注定，努力亦可改变命运。
Python教程：第11篇 变量赋值
Python教程：第17篇 比较运算符
Python教程：第18篇 算术运算符
python常用到哪些库？
Python作为一个设计优秀的程序语言，现在已广泛应用于各种领域，依靠其强大的第三方类库，Python在各个领域都能发挥巨大的作用。
下面我们就来看一下python中常用到的库：
数值计算库：
1. NumPy
支持多维数组与矩阵运算，也针对数组运算提供大量的数学函数库。通常与SciPy和Matplotlib一起使用，支持比Python更多种类的数值类型，其中定义的最重要的对象是称为ndarray的n维数组类型，用于描述相同类型的元素集合，可以使用基于0的索引访问集合中元素。
2. SciPy
在NumPy库的基础上增加了众多的数学、科学及工程计算中常用的库函数，如线性代数、常微分方程数值求解、信号处理、图像处理、稀疏矩阵等，可进行插值处理、信号滤波，以及使用C语言加速计算。
3. Pandas
基于NumPy的一种工具，为解决数据分析任务而生。纳入大量库和一些标准的数据模型，提供高效地操作大型数据集所需的工具及大量的能快速便捷处理数据的函数和方法，为时间序列分析提供很好的支持，提供多种数据结构，如Series、Time-Series、DataFrame和Panel。
数据可视化库：
4. Matplotlib
第一个Python可视化库，有许多别的程序库都是建立在其基础上或者直接调用该库，可以很方便地得到数据的大致信息，功能非常强大，但也非常复杂。
5. Seaborn
利用了Matplotlib，用简洁的代码来制作好看的图表。与Matplotlib最大的区别为默认绘图风格和色彩搭配都具有现代美感。
6. ggplot
基于R的一个作图库ggplot2，同时利用了源于《图像语法》（The Grammar of Graphics）中的概念，允许叠加不同的图层来完成一幅图，并不适用于制作非常个性化的图像，为操作的简洁度而牺牲了图像的复杂度。
7. Bokeh
跟ggplot一样，Bokeh也基于《图形语法》的概念。与ggplot不同之处为它完全基于Python而不是从R处引用。长处在于能用于制作可交互、可直接用于网络的图表。图表可以输出为JSON对象、HTML文档或者可交互的网络应用。
8. Plotly
可以通过Python notebook使用，与Bokeh一样致力于交互图表的制作，但提供在别的库中几乎没有的几种图表类型，如等值线图、树形图和三维图表。
9. pygal
与Bokeh和Plotly一样，提供可直接嵌入网络浏览器的可交互图像。与其他两者的主要区别在于可将图表输出为SVG格式，所有的图表都被封装成方法，且默认的风格也很漂亮，用几行代码就可以很容易地制作出漂亮的图表。
10. geoplotlib
用于制作地图和地理相关数据的工具箱。可用来制作多种地图，比如等值区域图、热度图、点密度图。必须安装Pyglet（一个面向对象编程接口）方可使用。
11. missingno
用图像的方式快速评估数据缺失的情况，可根据数据的完整度对数据进行排序或过滤，或者根据热度图或树状图对数据进行修正。
web开发库：
12. Django
一个高级的Python Web框架，支持快速开发，提供从模板引擎到ORM所需的一切东西，使用该库构建App时，必须遵循Django的方式。
13. Socket
一个套接字通讯底层库，用于在服务器和客户端间建立TCP或UDP连接，通过连接发送请求与响应。
14. Flask
一个基于Werkzeug、Jinja 2的Python轻量级框架（microframework），默认配备Jinja模板引擎，也包含其他模板引擎或ORM供选择，适合用来编写API服务（RESTful rervices）。
15. Twisted
一个使用Python实现的基于事件驱动的网络引擎框架，建立在deferred object之上，一个通过异步架构实现的高性能的引擎，不适用于编写常规的Web Apps，更适用于底层网络。
数据库管理：
16. MySQL-python
又称MySQLdb，是Python连接MySQL最流行的一个驱动，很多框架也基于此库进行开发。只支持Python 2.x，且安装时有许多前置条件。由于该库基于C语言开发，在Windows平台上的安装非常不友好，经常出现失败的情况，现在基本不推荐使用，取代品为衍生版本。
17. mysqlclient
完全兼容MySQLdb，同时支持Python 3.x，是Django ORM的依赖工具，可使用原生SQL来操作数据库，安装方式与MySQLdb一致。
18. PyMySQL
纯Python实现的驱动，速度比MySQLdb慢，最大的特点为安装方式简洁，同时也兼容MySQL-python。
19. SQLAlchemy
一种既支持原生SQL，又支持ORM的工具。ORM是Python对象与数据库关系表的一种映射关系，可有效提高写代码的速度，同时兼容多种数据库系统，如SQLite、MySQL、PostgreSQL，代价为性能上的一些损失。
自动化运维：
20. jumpsever跳板机
一种由Python编写的开源跳板机（堡垒机）系统，实现了跳板机的基本功能，包含认证、授权和审计，集成了Ansible、批量命令等。
支持WebTerminal Bootstrap编写，界面美观，自动收集硬件信息，支持录像回放、命令搜索、实时监控、批量上传下载等功能，基于SSH协议进行管理，客户端无须安装agent。主要用于解决可视化安全管理，因完全开源，容易再次开发。
21. Magedu分布式监控系统
一种用Python开发的自动化监控系统，可监控常用系统服务、应用、网络设备，可在一台主机上监控多个不同服务，不同服务的监控间隔可以不同，同一个服务在不同主机上的监控间隔、报警阈值可以不同，并提供数据可视化界面。
22. Magedu的CMDB
一种用Python开发的硬件管理系统，包含采集硬件数据、API、页面管理3部分功能，主要用于自动化管理笔记本、路由器等常见设备的日常使用。由服务器的客户端采集硬件数据，将硬件信息发送至API，API负责将获取的数据保存至数据库中，后台管理程序负责对服务器信息进行配置和展示。
23. 任务调度系统
一种由Python开发的任务调度系统，主要用于自动化地将一个服务进程分布到其他多个机器的多个进程中，一个服务进程可作为调度者依靠网络通信完成这一工作。
24. Python运维流程系统
一种使用Python语言编写的调度和监控工作流的平台，内部用于创建、监控和调整数据管道。允许工作流开发人员轻松创建、维护和周期性地调度运行工作流，包括了如数据存储、增长分析、Email发送、A/B测试等诸多跨多部门的用例。
GUI编程：
25. Tkinter
一个Python的标准GUI库，可以快速地创建GUI应用程序，可以在大多数的UNIX平台下使用，同样可以应用在Windows和Macintosh系统中，Tkinter 8.0的后续版本可以实现本地窗口风格，并良好地运行在绝大多数平台中。
26. wxPython
一款开源软件跨平台GUI库wxWidgets的Python封装和Python模块，是Python语言的一套优秀的GUI图形库，允许程序员很方便地创建完整的、功能健全的GUI用户界面。
27. PyQt
一个创建GUI应用程序的工具库，是Python编程语言和Qt的成功融合，可以运行在所有主要操作系统上，包括UNIX、Windows和Mac。PyQt采用双许可证，开发人员可以选择GPL和商业许可，从PyQt的版本4开始，GPL许可证可用于所有支持的平台。
28. PySide
一个跨平台的应用程式框架Qt的Python绑定版本，提供与PyQt类似的功能，并相容API，但与PyQt不同处为其使用LGPL授权。
更多Python知识请关注Python自学网。
python教程哪里下载？
python教程可以到【达内教育】官网咨询下载。该机构各大课程体系紧跟企业需求，企业级项目，课程穿插大厂真实项目讲解，对标企业人才标准，制定专业学习计划，囊括主流热点技术。
python入门学习：
第一阶段Python基础与Linux数据库。这是Python的入门阶段，也是帮助零基础学员打好基础的重要阶段。需要掌握【Python】基本语法规则及变量、逻辑控制、内置数据结构、文件操作、高级函数、模块、常用标准库模块、函数、异常处理、MySQL使用、协程等知识点。
第二阶段WEB全栈。这一部分主要学习Web前端相关技术，需要掌握HTML、CSS、JavaScript、jQuery、BootStrap、Web开发基础、VUE、FlaskViews、Flask模板、数据库操作、Flask配置等知识。
第三阶段数据分析+人工智能。这部分主要是学习爬虫相关的知识点，需要掌握数据抓取、数据提取、数据存储、爬虫并发、动态网页抓取、scrapy框架、分布式爬虫、爬虫攻防、数据结构、算法等知识。感兴趣的话点击此处，免费学习一下
想了解更多有关python学习的相关信息，推荐咨询【达内教育】。该机构是引领行业的职业教育公司，致力于面向IT互联网行业培养人才，达内大型T专场招聘会每年定期举行，为学员搭建快捷高效的双选绿色通道，在提升学员的面试能力、积累面试经验同时也帮助不同技术方向的达内学员快速就业。达内IT培训机构,试听名额限时抢购。
Python其实很简单 第十九章 Pandas之Series与DataFrame
19.1安装Anaconda
Anaconda是Python的一个开源发行版本，它预装了丰富的第三方库，而且主要面向科学计算和数据分析，使用起来要比原版的Python更省时省力。
Anaconda官方下载网址为：。下载和安装的方法很简单，若有问题可以在网上搜索相关内容学习解决。
安装Anaconda之后，就会发现在Anaconda目录下同时安装了Jupyter Notebook、Spyder等工具，我们接下来主要使用Spyder进行开发。关于Spyder的使用方法非常简单，大家也可以去网上搜索学习。
虽然Anaconda已经预装了很多常用的包，但有时我们也需要自己安装一些包。可以在开始菜单中选择“Anaconda Anaconda Prompt”命令，在命令行输入conda install （ 代表包名）即可安装，也可以输入pip install 。
19.2数据分析包Pandas
Pandas是Python的一个数据分析包，Anaconda安装时已经附带安装了Pandas包。
Pandas数据结构有三种：Series（一维数组）、DataFrame（二维数组）和Panel（三维数组），其中最常用的是前两种数据结构。
19.2.1 Series
Series（序列）用于存储一行或一列数据，以及与之相关的索引的集合。
语法格式如下：
Series([数据1，数据2，......], index=[索引1,索引2,......])
例：
from pandas import Series
s=Series(['张三','李四','王五'],index=[1,2,3])
print(s)
输出结果如下：
1 张三
2 李四
3 王五
dtype: object
上面建立序列时指定了索引，若不指定，则默认的索引值从0开始。如下：
s=Series(['张三','李四','王五'])
输出结果为:
0 张三
1 李四
2 王五
dtype: object
索引值也可以为字符串。如下：
from pandas import Series
s=Series(['张三','李四','王五'],index=['A','B','C'])
print(s)
输出结果为：
A 张三
B 李四
C 王五
dtype: object
1、访问序列
（1）可以通过索引访问序列，如：
from pandas import Series
s=Series(['张三','李四','王五'])
print(s)
print(s[0])
print(s[1:])
运行结果如下：
0 张三
1 李四
2 王五
dtype: object #print(s)输出
张三 #print(s[0])输出
1 李四
2 王五
dtype: object #print(s[1:])输出
（2）通过值获取索引值
from pandas import Series
s=Series(['张三','李四','王五'],index=['A','B','C'])
print(s.index[s.values=='李四'])
运行结果：
Index(['B'], dtype='object')
（3）判断值是否存在
from pandas import Series
s=Series(['张三','李四','王五'],index=['A','B','C'])
f='李四' in s.values
print(f)
运行结果：
True
（4）定位获取
from pandas import Series
s=Series(['张三','李四','王五','孙六'],index=['A','B','C','D'])
print(s[[0,2,1]])
运行结果：
A 张三
C 王五
B 李四
dtype: object
2、修改序列
（1）追加序列，如：
from pandas import Series
s=Series(['张三','李四','王五'],index=['A','B','C'])
s1=Series(['孙六'],index=['D'])
s=s.append(s1)
print(s)
运行结果：
A 张三
B 李四
C 王五
D 孙六
dtype: object
（2）修改序列的值
from pandas import Series
s=Series(['张三','李四','王五','孙六'],index=['A','B','C','D'])
s[1]='李飞'
print(s)
运行结果：
A 张三
B 李飞
C 王五
D 孙六
dtype: object
不知道索引，仅知道要修改的值，也可通过值查找到索引后，再修改序列的值。如：
s[s.index[s.values=='李四']]='李飞'
这样也可以将“李四”修改为“李飞。
（3）修改索引
from pandas import Series
s=Series(['张三','李四','王五','孙六'],index=['A','B','C','D'])
s.index=[0,1,2,3]
print(s)
运行结果：
0 张三
1 李四
2 王五
3 孙六
dtype: object
（4）删除元素
from pandas import Series
s=Series(['张三','李四','王五','孙六'],index=['A','B','C','D'])
s=s.drop('A')
print(s)
运行结果：
B 李四
C 王五
D 孙六
dtype: object
（5）重新排序
可以按照索引排序，使用sort_index(ascending=True)方法对index进行排序操作。
from pandas import Series
s=Series(['张三','李四','王五','孙六'],index=['A','B','C','D'])
s=s.sort_index(ascending=False) # ascending=False表示按降序排列
print(s)
运行结果：
D 孙六
C 王五
B 李四
A 张三
dtype: object
（6）重置索引
重置索引可以使用reindex()。如果index列表中的元素多于序列的值，可用fill_value=0这样的语句填充。
s=s.reindex(['D','C','B','A'])
如果index列表中的元素多于序列的值，可用fill_value=0这样的语句填充。
s=s.reindex(['D','C','B','A'], fill_value=0)
19.2.2 DataFrame
DataFrame（数据框架）用于存储多行和多列的数据集合。它是Series的容器，类似于Excel中二维表格。
定义一个DataFrame的语法格式如下：
df=DataFrame({列名1 : 序列1，列名2 : 序列2，.......列名n : 序列n}, index=序列 )
例如，有如下二维表：
姓名
性别
年龄
张三
男
18
李四
女
19
王五
男
17
保存到DataFrame中可以用如下方法：
from pandas import Series
from pandas import DataFrame
name=Series(['张三','李四','王五'])
sex=Series(['男','女','男'])
age=Series([18,19,17])
df=DataFrame({'姓名':name,'性别':sex,'年龄':age})
print(df)
运行结果：
姓名 性别 年龄
0 张三 男 18
1 李四 女 19
2 王五 男 17
从上例可以看出，虽然我们省缺了索引，但系统自动添加了从0开始的索引值。
19.3 DataFrame的基本操作
1、访问方式
（1）获取行
print(df[1:2]) # 获取第1行的值
输出结果：
姓名 性别 年龄
1 李四 女 19
print(df[1:3]) #获取第1行到第2行的值
输出结果：
姓名 性别 年龄
1 李四 女 19
2 王五 男 17
（2）获取列
print(df['姓名']) #获取“姓名”列的值
输出结果：
0 张三
1 李四
2 王五
Name: 姓名, dtype: object
另一种方法：
print(df[df.columns[0:1]]) #先按照索引号获取列名，再按照列名读取
输出结果和上面的方法完全一致。
还有一种情况，是获取唯一值，即将列内的重复值中多余的删除，仅留下互不相同的值。所用的到方法是unique()。
sex1=Series(df['性别'].unique())
print(sex1)
输出结果：
0 男
1 女
dtype: object
（3）获取指定位置的值
print(df.at[1,'姓名']) # 格式为变量名.at[行号，列名]
输出结果：
李四
（4）获取块的值
print(df.iloc[0:2,1:3]) # 格式为变量名.iloc[行号1:行号2, 列号1:列号2]
输出结果：
性别 年龄
0 男 18
1 女 19
print(df.iloc[:,1:2]) #获取“性别”列的值
运行结果：
性别
0 男
1 女
2 男
2、修改、删除、增加行和列
（1）修改列名
print(df.columns)
df.columns=['name','sex','age']
print(df.columns)
输出结果：
Index(['姓名', '性别', '年龄'], dtype='object')
Index(['name', 'sex', 'age'], dtype='object')
可见，列名已经由“姓名、性别、年龄”修改为“age、sex、age”了。但这种修改必须把全部列名都一一列举，不能有遗漏，否则就会出错。如：
df.columns=['name','sex']
此时会报错：ValueError: Length mismatch: Expected axis has 3 elements, new values have 2 elements。
（2）修改行索引
df.index=[1,2,3]
（3）删除行
df.drop(1,axis=0) # axis=0表示行轴，也可以省略
（4）删除列
df.drop(‘性别’,axis=1) # axis=0表示列轴
也可以使用另一种方法：
del df['性别']
（5）增加列
df['电话']=['1111111','2222222','3333333']
print(df)
运行结果：
姓名 性别 年龄 电话
0 张三 男 18 1111111
1 李四 女 19 2222222
2 王五 男 17 3333333
（6）增加行
df.loc[len(df)]=['孙六','男','20']
（7）追加
from pandas import Series
from pandas import DataFrame
name=Series(['张三','李四','王五'])
sex=Series(['男','女','男'])
age=Series([18,19,17])
df=DataFrame({'姓名':name,'性别':sex,'年龄':age}) # 建立DataFrame，变量名为df
name1=Series(['孙六','候七'])
sex1=Series(['男','女'])
age1=Series([19,17])
df1=DataFrame({'姓名':name1,'性别':sex1,'年龄':age1})
# 建立DataFrame，变量名为df1
df=df.append(df1,ignore_index=True)
# 将对df1追加到df后面，参数ignore_index=True表示重新索引
print(df)
运行结果：
姓名 性别 年龄
0 张三 男 18
1 李四 女 19
2 王五 男 17
3 孙六 男 19
4 候七 女 17