一、pandas概述
1.pandas是一个强大的Python数据分析的工具包，是基于NumPy构建的。
2.pandas的主要功能
- 具备对其功能的数据结构DataFrame、Series
- 集成时间序列功能
- 提供丰富的数学运算和操作
- 灵活处理缺失数据
3.python中操作方式：
- 安装方法：pip install pandas
- 引用方法：import pandas as pd
4.也可以通过安装anaconda软件操作，里面包含(numpy,pandas以及Matplotlib多个库)，本片文章是在anaconda3中运行！！！
- anaconda下载地址请戳：https://www.anaconda.com/download/
- anaconda安装及创建项目教程：https://jingyan.baidu.com/article/3f16e0031e87522591c10320.html
二、pandas：Series(一维)
1.Series是一种类似于一位数组的对象，由一组数据和一组与之相关的数据标签（索引）组成。
2.创建方式：
3.从上面操作可以知道：
- 获取值数组和索引数组：values属性和index属性。
- Series比较像列表（数组）和字典的组合体。
三、pandas：Series特性
1.Series支持NumPy模块的特性（下标）：
- 从ndarray创建Series：Series(arr)
- 与标量运算：sr*2
- 两个Series运算：sr1+sr2
- 索引：sr[0], sr[[1,2,4]]
- 切片：sr[0:2]
- 通用函数：np.abs(sr)
- 布尔值过滤：sr[sr>0]
- 统计函数：mean()sum()cumsum()
Numpy连接:https://www.cnblogs.com/dalyday/p/9295459.html
2.Series支持字典的特性（标签）：
- 从字典创建Series：Series(dic),
- in运算：’a’ in sr、for i in sr
- 键索引：sr['a'], sr[['a', 'b', 'd']]
- 键切片：sr['a':'c']
- 其他函数：get('a',default = 0)等
标签示例：
四、pandas:整数索引
1.整数索引存在标签索引与下标索引，新手在这需注意下。
2.输入下面的列子会出什么结果：
- sr2[3]
- sr2[-1]
3.从上面可知索引是整数类型，则根据整数进行数据操作时总是面向标签的。
引入:
- --loc属性 以标签解释
- --iloc属性 以下标解释
五、pandas：Series数据对齐
1.pandas在运算时，会按索引进行对齐然后计算。如果存在不同的索引，则结果的索引是两个操作数索引的并集。
例：
sr1 = pd.Series([12,23,34], index=['c','a','d'])
sr2 = pd.Series([11,20,10], index=['d','c','a',])
sr1+sr2
sr3 = pd.Series([11,20,10,14], index=['d','c','a','b'])
sr1+sr3
图例展示：
2.如何在两个Series对象相加时将缺失值设为0？
sr1.add(sr3, fill_value=0)
灵活的算术方法：add, sub, div, mul
六、pandas：Series缺失数据
1.缺失数据：使用NaN（Not a Number）来表示缺失数据。其值等于np.nan。内置的None值也会被当做NaN处理。
2.处理缺失数据的相关方法：
- dropna() 过滤掉值为NaN的行
- fillna() 填充缺失数据
- isnull() 返回布尔数组，缺失值对应为True
- notnull() 返回布尔数组，缺失值对应为False
3.过滤缺失数据：sr.dropna() 或 sr[data.notnull()]
4.填充缺失数据：fillna(0)
七、pandas：DataFrame
1.概要描述：DataFrame是一个表格型的数据结构，含有一组有序的列；可以被看做是由Series组成的字典，并且共用一个索引。
2.创建方式：
pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']),'two':pd.Series([1,2,3,4],index=['b','a','c','d'])})
3.csv文件读取与写入：
- pd.read_csv('filename.csv')
- pd.to_csv()
八、pandas：DataFrame查看数据
查看数据常用属性及方法：
index 获取索引
T 转置
columns 获取列索引
values 获取值数组
describe() 获取快速统
九、pandas：DataFrame索引和切片
1、DataFrame有行索引和列索引。
2、DataFrame同样可以通过标签和位置两种方法进行索引和切片。
3、DataFrame使用索引切片：
- 方法1.两个中括号，先取列再取行。 df['A'][0]
- 方法2（推荐）：使用loc/iloc属性，一个中括号，逗号隔开，先取行再取列。
loc属性：解释为标签
iloc属性：解释为下标
- 向DataFrame对象中写入值时只使用方法2
- 行/列索引部分可以是常规索引、切片、布尔值索引、花式索引任意搭配。（注意：两部分都是花式索引时结果可能与预料的不同）
通过标签获取：
df['A']
df[['A', 'B']]
df['A'][0]
df.loc[:,['A','B']]
df.loc[:,'A':'C']
df.loc[0,'A']
df.loc[0:10,['A','C']]
通过位置获取：
df.iloc[3]
df.iloc[3,3]
df.iloc[0:3,4:6]
df.iloc[1:5,:]
通过布尔值过滤：
df[df['A']>0]
df[df['A'].isin([1,3,5])]
df[df<0] = 0
十、pandas：DataFrame数据对齐与缺失数据
1.DataFrame对象在运算时，同样会进行数据对其，结果的行索引与列索引分别为两个操作数的行索引与列索引的并集
2.DataFrame处理缺失数据的方法：
- dropna(axis=0,where='any',…)
- fillna()
- isnull()
- notnull()
十一、pandas：其他常用方法
pandas常用方法（适用Series和DataFrame）：
mean(axis=0,skipna=False) #求平均值
sum(axis=1) #求和
sort_index(axis, …, ascending) #按行或列索引排序
sort_values(by, axis, ascending) #按值排序
NumPy的通用函数同样适用于pandas
apply(func, axis=0) #将自定义函数应用在各行或者各列上 ，func可返回标量或者Series
applymap(func) #将函数应用在DataFrame各个元素上
map(func) #将函数应用在Series各个元素上
十二、pandas：其他常用方法
时间类型：
时间戳：特定时刻
固定时期：如2017年7月
时间间隔：起始时间-结束时间
Python标准库：datetime
datetime.datetime.timedelta # 表示 时间间隔
dt.strftime() #f：format吧时间对象格式化成字符串
strptime() #把字符串解析成时间对象p：parse
灵活处理时间对象：dateutil包
dateutil.parser.parse('2018/1/29')
成组处理时间对象：pandas
pd.to_datetime(['2001-01-01', '2002-02-02'])
产生时间对象数组：date_range
start 开始时间
end 结束时间
periods 时间长度
freq 时间频率，默认为'D'，可选H(our),W(eek),B(usiness),S(emi-)M(onth),(min)T(es), S(econd), A(year),…
十三、pandas：从文件读取
1.读取文件：从文件名、URL、文件对象中加载数据
read_csv 默认分隔符为csv read_table 默认分隔符为 read_excel 读取Excel文件
2.读取文件函数主要参数：
sep 指定分隔符，可用正则表达式如's+' header=None 指定文件无列名 name 指定列名 index_col 指定某列作为索引 skip_row 指定跳过某些行 na_values 指定某些字符串表示缺失值 parse_dates 指定某些列是否被解析为日期，布尔值或列表 nrows 指定读取几行文件 chunksize 分块读取文件，指定块大小
十四、pandas：写入到文件
1.写入到文件：
to_csv
2.写入文件函数的主要参数：
sep na_rep 指定缺失值转换的字符串，默认为空字符串 header=False 不输出列名一行 index=False 不输出行索引一列 cols 指定输出的列，传入列表
3.其他文件类型：json, XML, HTML, 数据库
4.pandas转换为二进制文件格式（pickle）:
save load