pandas是基于Numpy构建的。

pandas的两个主要数据结构：Series和DataFrame。

Series和DataFrame用的次数非常多，将其导入本地命名空间会更方便：

from pandas import Series, DataFrame

一、Series

Series是一种类似于一维数组的对象，由数据和数据标签（索引）组成，创建Series：

obj = Series([1,2,3])  # 该情况下会自动创建整数型索引，以0开头；索引在左边，值在右边print(obj.index)      # 通过Series的values和index属性可以获取数值和索引print(obj.values)

obj2 = Series([345,54,34,345,35],index=['a','b','c','d','e'])  # 自定义索引创建Seriesdata = {
   'ohin':234,'sef':124}  # 通过字典来创建Seriesobj3 = Series(data)

Series的一个重要功能是：在算术运算中会自动对齐不同索引的数据

二、DataFrame

DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型。DataFrame既有行索引也有列索引，可以看成是Series组成的字典（共用同一个索引）。

创建DataFrame：传入一个由等长列表组成的字典

data = {    'state':['Ohio','Ohio','Ohio','Nevada','Nevada'],    'year':[2000,2001,2002,2001,2002],    'pop':[1.5,1.7,3.6,2.4,2.9]}frame = DataFrame(data)输出为：   pop   state  year0  1.5    Ohio  20001  1.7    Ohio  20012  3.6    Ohio  20023  2.4  Nevada  20014  2.9  Nevada  2002

跟Series一样，如果传入的列在数据中找不到，就会产生NA值：

frame = DataFrame(data, columns=['state','year','pop','debt'],index=['one','two','three','four','five'])输出为：        state  year  pop debtone      Ohio  2000  1.5  NaNtwo      Ohio  2001  1.7  NaNthree    Ohio  2002  3.6  NaNfour   Nevada  2001  2.4  NaNfive   Nevada  2002  2.9  NaN

通过类似字典标记的方式或属性的方式，可以将DataFrame的列获取为一个Series：

print(frame.state)或 print(frame['state'])输出为：one        Ohiotwo        Ohiothree      Ohiofour     Nevadafive     NevadaName: state, dtype: object

行也可以通过位置或名称的方式进行获取，比如用索引字段ix：

print(frame.ix['three'])输出为：state    Ohioyear     2002pop       3.6debt      NaNName: three, dtype: object

列可以通过赋值的方式进行修改，将列表或数组赋值给某个列时，其长度必须跟DataFrame的长度相匹配。为不存在的列赋值会创建出一个新列。关键字del用于删除列。

通过索引方式返回的列只是相应数据的视图而已，并不是副本。因此，对返回的Series所做的任何修改全部都会反映到源DataFrame上。

另一种常见的数据形式是嵌套字典（字典的字典）：如果将它传给DataFrame函数，会被解释为：外层字典的键作为列，内层键作为行索引：

pop = {    'Nevada':{2001:2.4,2002:2.9},    'Ohio':{2000:1.5,2001:1.7,2002:3.6}}frame3 = DataFrame(pop)print(frame3)输出为：      Nevada  Ohio2000     NaN   1.52001     2.4   1.72002     2.9   3.6