今天是4.30号。
由于pandas部分内容很多，所以接下来会分多个部分进行学习。
这一部分也是pandas学习的第一部分，先了解两种主要的数据结构。
import pandas as pd
from pandas import Series,DataFrame
因为Series和DataFrame用的次数非常多，所以将其引入本地命名空间中会更方便。
(1)Series
Series是一种类似与一维数组的对象，它由一组数据以及一组与之相关的数据便签（即索引）组成，仅由一组数据即可产生最简单的Series。
例如：a=Series([9,-3,4,2])
得到的结果为：
0 9
1 -3
2 4
3 2
系统会自动为Series数据创建整数索引，可通过Series的values和index属性获取其数组表示形式和索引对象
print(Series.values)
print(Series.index)
这与字典型数据的keys(),values(),items()类似。
同时我们在创建Series时也可以自定义索引值：
b=Series([9,-3,4,2],index=['a','c','d','b'])
那么访问Series中的值时可以直接用b['index']的方法，例如b['c'],b[['d','a']]可以同时选取多个值。
也可以直接将一个字典型数据a转化为Series数据，Series(a)
pandas中用NA表示数据缺失，isnull()和notnull()可用于检测缺失数据，用法为：a.isnull(),a.notnull()
(2)DataFrame
DataFrame是一个表格型数据，含有一组有序的列，每一列可以是不同的类型值。DataFrame可以看成是由多个Series组成的字典，它们共用一个索引。
在构建DataFrame时，最最最常用的就是先创建一个data，data一般可以是字典和数组，再用a=DataFrame(data)来转换为DataFrame结构。在DataFrame（data）时也可以同时传入index和columns参数，两个参数必须是列表型。
1).构建DataFrame最常见的方法是传入一个由等长列表或数组组成的字典：
例如：
data={
'name':['bon','kate','jun','sam'],
'stature':['102','112','136','90'],
'grade':['70','76','98','88']
}
frame=DataFrame(data)
DataFrame会自动加上索引，得到的结果为：
name stature grade
0 bon 102 70
1 kate 112 76
2 jun 136 98
3 sam 90 88
2).也可以为DataFrame指定索引
frame2=DataFrame(data,columns=['name','grade','stature','birthdate'],
index=['one','two','three','four'])
跟Series中一样若在对应的列中找不到数据，就会产生缺失值NaN.
name grade stature birthdate
one bon 70 102 NaN
two kate 76 112 NaN
three jun 98 136 NaN
four sam 88 90 NaN
3).取值和赋值
查看列：可用类似字典的方式获取一个Series(即一个列的值)，如：frame2['name']；
查看行：可用索引字段ix来获取某行的值，如：frame2.ix['three']；
可用frame2['birthdate']=1990来直接对某一列进行赋值；
4).删除某一列的值
del frame2['name']
5)将嵌套型字典转化为DataFrame型时，外层的键作为列，内层的键作为行索引
例如：
data={
'newyork':{'2001':51,'2002':76},
'houston':{'2001':49,'2002':90},
}
DataFrame(data)得到结果为：
newyork houston
2001 51 49
2002 76 90
对于取DataFrame类型数据a中特定位置的数据
可以先找到对应的index，再采用a[index,'columns']得到。
而index可以根据有对应某一个字段的value得到：
例如已知a中column为name这一栏下的某个值为kate，则索引可由下面求得。
get_index=list(a['name']).index(kate)
