pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。
在使用pandas之前，需要在电脑中安装好pandas库，具体安装方法可参考相关资料。
本文是在jupyter notebook中运行的。
我们首先载入pandas包，因为它是第三方工具，所以每次使用前必须在代码中载入。as是命名为别名，方便调用，pd是pandas约定俗成的简写。
from pandas import Series,DataFrame
或者
import pandas as pd
一、数据结构介绍
pandas中的数据结构：
Series: 一维数组，类似于Python中的基本数据结构list，区别是Series只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。就像数据库中的列数据；
DataFrame: 二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器；
Panel：三维的数组，可以理解为DataFrame的容器。
为了开始使用Pandas，我们必需熟悉它的两个重要的数据结构：Series 和DataFrame。虽然它们不是每一个问题的通用解决方案，但可以提供一个坚实的，易于使用的大多数应用程序的基础。
Series是一个一维的类似的数组对象，包含一个数组的数据（任何NumPy的数据类型）和一个与数组关联的数据标签，被叫做索引 。
Series的交互式显示的字符串表示形式是索引在左边，值在右边。因为我们没有给数据指定索引，一个包含整数0到N-1这里N是数据的长度）的默认索引被创建。你可以分别的通过它的values和index属性来获取 Series的数组表示和索引对象。
DataFrame是一个表格型的数据结构，是以一个或多个二维块存放的数据表格（层次化索引），DataFrame既有行索引还有列索引，它有一组有序的列，每列既可以是不同类型（数值、字符串、布尔型）的数据，或者可以看做由Series组成的字典。
二、数据的创建和读取
构造Series的方法很简单，可以指定相应的index和values来创建。
构造DataFrame最常用的方式是字典+列表，语句很简单，先是字典外括，然后依次打出每一列标题及其对应的列值（此处一定要用列表）
更多时候，我们是把相关文件数据直接读进PANDAS中进行操作，这里介绍两种非常接近的读取方式，一种是CSV格式的文件，一种是EXCEL格式（.xlsx和xls后缀）的文件。例如：
#读取csv文件
df=pd.read_csv('123.csv')
这样，就达到读取数据的目的了。
同样的还有读取excel文件
非常easy，其实read_csv和read_excel还有一些参数，比如header、sep、names等，大家可以做额外了解。实践中数据源的格式一般都是比较规整的，更多情况是直接读取。
三、数据查看
很多时候我们想要对数据内容做一个总览，用df.head()函数直接可以查看默认的前5行，与之对应，df.tail()就可以查看数据尾部的5行数据，这两个参数内可以传入一个数值来控制查看的行数，例如df.head(10)表示查看前10行数据。
df.info()帮助我们一步摸清各列数据的类型，以及缺失情况。
df.describe()快速计算数值型数据的关键统计指标，像平均数、中位数、标准差等等。
四、对数据的操作
1.增
增加一列，用df['新列名'] = 新列值的形式，在原数据基础上赋值即可。
2.删
我们用drop函数制定删除对应的列，axis = 1表示针对列的操作，inplace为True，则直接在源数据上进行修改，否则源数据会保持原样。
3.查
想要选取某一列怎么办？df['列名']即可；
选取多列呢？需要用列表来传递：df[['第一列','第二列','第三列'..]]。
4.改
好事多磨，复杂的针对特定条件和行列的筛选、修改，放在后面结合案例细讲，这里只讲一下最简单的更改：df['旧列名'] = 某个值或者某列值，就完成了对原列数值的修改。
到这里，pandas的一些基础就讲解的差不多了，更深入的应用，还是用实战解决吧！