numpy 相当于序列化好的矩阵
pandas：相当于字典
0.在pandas中有两类非常重要的数据结构，即序列Series和数据框DataFrame。
0.1：Series类似于numpy中的一维数组，除了通吃一维数组可用的函数或方法，而且其可通过索引标签的方式获取数据，还具有索引的自动对齐功能
0.2：DataFrame类似于numpy中的二维数组，同样可以通用numpy数组的函数和方法，而且还具有其他灵活应用，后续会介绍到。
1.创建序列 Series
创建方式（3种）：
1）通过一维数组创建序列
2）通过字典的方式创建序列
3）二者区别：使用数组创建的Series，索引使用012345...；使用字典创建的Series，索引使用字典的key。
4）通过DataFrame中的某一行或某一列创建序列
2. 创建矩阵dataframe
数据框dataframe的创建方式（3种）：
1）通过二维数组创建数据框
2）通过字典的方式创建数据框
以下以两种字典来创建数据框，一个是字典列表（字典里面套list），一个是嵌套字典（字典里面套字典）。
3）通过数据框的方式创建数据框（截取已有的dataframe一部分）
2.1 使用numpy创建dataframe
1 pd.DataFrame(矩阵A，index = listB， columns = listC)
——返回：创建一个dataframe格式的矩阵，
矩阵内容是：参数矩阵A
行索引名称：参数listB
列索引名称：参数listC
注：行索引index、列索引columns不给定时，输出的行列的索引都默认为0123.....
2.2 创建dataframe方式2——使用字典创建：
1 pd.DataFrame({'A':1., 'B':pd.Timestamp('20130102'), 'C': pd.Series(1, index = list(range(4)), dtype='float32'), 'D': np.array([3] * 4, dtype='int32'), 'E':pd.Categorical(["test", "train", "test", "train"]), 'F': 'foo'})
————使用字典，每一item 是 每一列的元素
3.Series/Dataframe的属性：
3.1 dataframe变量名.dtypes
——返回，每一列的数据形式
3.2 dataframe变量名.index
——返回，每一行的索引序号
3.3 dataframe变量名.columns
——返回，每一列的索引序号
3.4 dataframe变量名.values
——返回，一个有同样元素的不带有行列序号的矩阵
3.5 dataframe的统计量：
count：非空元素个数
sum：求和
mean：平均值
median：中位数
mode：众数
var：方差
std：标准差
mad：平均绝对偏差
min：最小值
quantile(0.1) ：10%分位数
max：最大值
idxmin() ：最小值的位置
idxmax()：最大值的位置
skew：偏度
Kurt：峰度
describe：一次性输出多个描述性统计指标，必须注意的是，descirbe方法只能针对序列或数据框，一维数组是没有这个方法的
3.6 矩阵转置：
dataframe变量名.T
eg:
df1.T
3.7 排序：
3.7.1 sort_index()——根据行或者列索引序号，对矩阵进行排序
1 dataframe变量名.sort_index(axis = ...., ascending = True/False)
——参数：
axis = 0 根据行索引序号，对所有行进行排序
axis = 1 对列进行排序
ascending = True/False True：正序排列；False：倒叙排序
3.7.2 sort_value()——对某一行/列，按照元素大小进行排序
1 dataframe变量名.sort_values(by = 参数A)
——参数A：行索引/列索引序号，对哪一行/列进行排序，就输，该行/列的索引序号。