(一)Series
可以把 Pandas 的 Series 对象看成一种特殊的 Python 字典 “{ }”, 将类型键映射到类型值.(显式索引)。
data.values , data.index
1 data = pd.Series([0.25, 0.5, 0.75, 1.0], index=['a', 'b', 'c', 'd']) #创建pd.Series对象，**这是由字典列表创建** 2 3 #data: 4 a 0.25 5 b 0.50 6 c 0.75 7 d 1.00
Series对象支持切片操作。
1 data["a":"v"] 2 3 #Output: 4 a 1 5 b 2 6 v 3
(二)Index
0 : 类似数组一样的操作去获取数值，也可以切片。
1：不能通过index索引改变数组的数值。
2 : 可以实现一些pandas对象的集合操作，并、交、差。
3：注意显式索引做切片时包括最后一个索引，隐式索引切片不包括最后一个索引。
索引器-indexer：可以暴露切片接口的属性，避免混乱, loc , iloc , ix
(三)DataFrame
DataFrame 可以看作一种通用的 NumPy 二维数组size(a,b)，相当于多个Series组成，一个Series是一个列。 它的行与列都可以通过索引获取。
pd.DataFrame（）.index #索引标签，输出相当于EXCEL最左侧一列。
pd.DataFrame（）.collums #返回一个存放列标签的index对象。
缺失值会用NaN表示：Not a number.
创建pd.DataFrame:几种方法
0 : 通过单个 Series 对象创建
1 : 字典列表
2：通过Series对象字典
3：通过numpy二维数组创建
4 : 通过 NumPy 结构化数组创建
1 pd.DataFrame(population, columns=['population']) #way0 2 #Output: population 3 California 38332521 4 Florida 19552860 5 Illinois 12882135 6 New York 19651127 7 Texas 26448193 8 9 10 data = [{'a': i, 'b': 2 * i}for i in range(3)] #way1 11 pd.DataFrame(data) 12 #Out[24]: 13 a b 14 0 0 0 15 1 1 2 16 2 2 4 17 18 19 pd.DataFrame({'population': population,'area': area}) #way2 20 #Out[24]: 21 area population 22 California 423967 38332521 23 Florida 170312 19552860 24 Illinois 149995 12882135 25 New York 141297 19651127 26 Texas 695662 26448193 27 28 29 pd.DataFrame(np.random.rand(3, 2),columns=['foo', 'bar'], index=['a', 'b', 'c']) #way3 30 #Out[27]: 31 foo bar 32 a 0.865257 0.213169 33 b 0.442759 0.108267 34 c 0.047110 0.905718 35 36 37 A = np.zeros(3, dtype=[('A', 'i8'), ('B', 'f8')]) #way4 38 pd.DataFrame(A) 39 #Out[29]: 40 A B 41 0 0 0.0 42 1 0 0.0 43 2 0 0.0