http://pandas.pydata.org/pandas-docs/stable/api.html
目录
一、pandas简介：
Pandas库：python的第三方库，提供高性能数据类型和分析工具。
简单说就是，便于操作的数据类型，很多的分析函数和分析工具；
Pandas的引用： import pandas as pd;
Pandas 库主要的两个数据类型：Series，DataFrame;
Series:相当于一维的数据类型
DataFrame:相当于二维到多维的数据类型
基于上述数据类型的各类操作：
基本操作，运算操作，特征类操作，关联类操作
Numpy pandas比较：
|
提供基础数据类型ndarray |
拓展数据类型：Series 与 DataFrame |
|
关注数据的结构表达 |
关注数据的应用表达 |
|
体现维度：数据间关系 |
应用表达体现在数据与索引间的关系 |
二、Pandas库的Series类型：
Series类型由一组数据及与之相关的数据索引组成，每个数据对应一个索引，可以自定义索引，还有一个默认索引从0开始。
一、Series类型的创建：函数pd.Series(a,index)
1、 python列表创建：
S=pd.Series( a ,index=[ ] )
a为python列表，index不可省略，len(a)==len(index) ;
2、从标量值创建：
S=pd.Series(a , index)
a为标量,index不可省略；index表达Series类型的尺寸。
3、python字典创建
S=pd.Series(a,index)
a为python字典;a中的key是索引；
如果index不省略，则从dic中挑选出其key在index列表中的键值对组成一个Series,如果index中没有元素与dic中的key对应，则该索引所对应的值为None
4、从ndarray类型创建：导入numpy与pandas
S=pd.Series(a,index)
a是ndarray类型，index 也可是ndarray类型
5、通过其他函数，如arange() 函数创建
二、Series类型的基本操作
1、Series类型包括index和values两部分。
S=nd.Series()
S.index 获得索引 返回一个索引类型
S.values 获得数据 返回一个numpy库的array类型
索引可以使用默认所以，或自定义索引，但两者不可以混合使用。
2、Seriesd类型的操作类似ndarray类型
a) 采用 [ ] 进行索引
b) numpy中运算和操作可用于Series。
c) 可以通过自定义索引的列表进行切片。
d) 可以通过自动索引进行切片，如果存在自定义索引，则一同被切片。
3、Series类型的操作类似Python字典类型
a) 通过自定义索引访问
b) 保留字in操作 //key in dic 判断key在不在dic的键中。返回True/False
c) 使用.get( index, a )方法 //返回index对应的值，如果不存在则返回a
4、Series类型对齐操作：Series+Series
索引值相同的值进行运算，索引值不同的值不进行运算，即值等于NaN
5、Series类型的name属性：
Series对象和索引都有一个name属性,存储在.name属性；
即Series.name 与 Series.index.name 可直接赋值修改。
6、Series类型的修改
Series对象可以随时修改并即刻生效
三、理解Series类型：
Series是一维带“标签”数组。
Series基本操作类似ndarray和字典，根据索引对齐。
三、pandas库的DataFrame类型
DataFrame类型由共用相同索引的一组列组成。（例一个学号可对应一个学生的姓名，专业，年龄等）
DataFrame是一个表格型的数据类型，每列值类型可以相同也可不同
DataFrame既有行索引也有列索引，既一个带标签的二（多）维数据类型。
DataFrame常用于表达二维数据，但可以表达多维数据。
1、DataFrame类型的创建：
a) 从二维ndarray对象创建：
d=pd.DataFrame( a )
其中a为ndarray对象，自动生成
b) 有一维ndarrray对象字典创建：
d=pd.DataFrame( )
c) 从列表类型的字典创建
四、pandas库的数据类型操作
1、改变Series和DataFrame对象（增加、重排索引或删除部分值）
a) 重新索引
.reindex(index=None,columns=Nonem....)
| 参数 | 说明 |
| index,columns | 新的行列自定义索引 |
| fill_value | 重新索引中，用于填充缺失位置的值 |
| method | 填充方法，ffill当前值向前填充 |
| limit | 最大填充量 |
| copy | 默认True，生成新的对象，False，新旧相等不赋值 |
b) 索引类型的常用方法
| 方法 | 说明 |
| .append(idx) | 连接另一个index对象，产生新的Index对象 |
| .diff(idx) | 计算差集，产生新的Index对象 |
| .interesection(idx) | 计算交集 |
| .union(idx) | 计算并集 |
| .delete(loc) | 删除loc位置处的元素 |
| .insert( loc,e ) | 在loc位置增加一个元素 |
c) 删除指定索引对象
.drop()能够删除Series和DataFrame指定行或列索引
五、pandas库的数据类型运算
1、算术运算法则
算术运算根据行列索引，补齐后运算（相同索引才进行运算），运算默认产生浮点数。
补齐时缺项填充NaN（空值）
二维和一维、一维和零维间为广播运算。
采用 + - * / 符号进行的二元运算会产生新的对象
2、 四则法则运算方法形式（除了用+-*/，还可用其方法）
| .add( d, **argws ) | 类型间加法运算，可选参数 |
| .sub( d, **argws) | 类型间减法运算，可选参数 |
| .mul( d, **argws) | 类型间的乘法运算，可选参数 |
| .div(d, **argws) | 类型间除法运算，可选参数 |
六、pandas的数据特征分析
1、数据的排序
a) .sort_index()方法：在指定轴上根据索引进行排序，默认升序。
.sort_index(axis=0, ascending=True )
b) .sort_values()方法：在指定轴上根据数值进行排序，默认升序。
Series.sort_values(axis=0, ascending=True)
Series.sort_values( by ,axis=0, ascending=True ) by:axis轴上的某个索引或索引列表。
注意：NaN值统一放在最后面
2、数据的基本统计分析
a) 基本的统计分析函数（适用于Series和DataFrame类型）
| 方法 | 说明 |
| .sum() | 计算数据的总和，按0轴 |
| .count() | 非NaN值的数量 |
| .mean() .median() | 计算数据的算术平均值、算术中位数 |
| .var() .std() | 计算数据的方差、标准差 |
| .min() .max() | 计算数据的最小值、最大值 |
| .argmin() .argmax() | 计算数据最大值、最小值所在位置的索引位置（自动索引） |
| .idxmin() .idxmax() | 计算数据最大值、最小值所在位置的索引（自定义索引） |
| .describe() | 针对（0轴）各列的统计汇总，返回一个Series类型，其中有sum,median 等 |
3、数据的累计统计分析
数据的累计统计分析：对前 1 - n 个数进行累计运算
a) 累计统计分析函数：适用于Series和DataFrame类型
| 方法 | 说明 |
| .cumsum() | 依次给出前1、2、...、n个数的和 |
| .cumprod() | 依次给出前1、2、...、n个数的积 |
| .cummax() | 依次给出前1、2、...、n个数的最大值 |
| .cummin() | 依次给出前1、2、...、n个数的最小值 |
b) 适用于Series和DataFrame类型，滚动计算窗口（窗口计算）
| 方法 |
说明 |
|
.rolling(w).sum() |
依次计算相邻w个元素的和 |
|
.rolling(w).mean() |
依次计算相邻w个元素的算术平均值 |
|
.rolling(w).var() |
依次计算相邻w个元素的方差 |
| .rolling(w).std() |
依次计算相邻w个元素的标准差 |
| .rolling(w).min() /.rolling(w).max() |
依次计算相邻w个元素的最大值和最小值 |
4、数据的相关分析
两个变量相关性度量：协方差（相对不精确），Pearson相关系数：
相关分析函数：
| 方法 | 说明 |
| .cov() | 计算协方差矩阵 |
| .corr() | 计算相关系数矩阵，Pearson、Spearman、Kendall等系数 |