pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的
#对数组处理
#兼容各种数据库
#支持各种分析算法
创建Series,Series：索引,数据查看 / 重新索引 / 对齐 / 添加、修改、删除值
Series 数据结构
#Series 是带有标签的一维数组，可以保存任何数据类型（整数，字符串，浮点数，Python对象等）,轴标签统称为索引
s = pd.Series(np.random.rand(5))
# .index查看series索引，类型为rangeindex
# .values查看series值，类型是ndarray
# 核心：series相比于ndarray，是一个自带索引index的数组 → 一维数组 + 对应索引
# 所以当只看series的值的时候，就是一个ndarray
# series和ndarray较相似，索引切片功能差别不大
# series和dict相比，series更像一个有顺序的字典（dict本身不存在顺序），其索引原理s与字典相似（一个用key，一个用index）
创建Series
1, 由字典创建，字典的key就是index，values就是values
dic = {'a':1 ,'b':2 , 'c':3, '4':4, '5':5}
s = pd.Series(dic)
print(s)
2,由数组创建(一维数组)
arr = np.random.randn(5)
s = pd.Series(arr)
print(arr)
print(s)
# 默认index是从0开始，步长为1的数字
s = pd.Series(arr, index = ['a','b','c','d','e'],dtype = np.object)
# index参数：设置index，长度保持一致
# dtype参数：设置数值类型
s2 = pd.Series(np.random.randn(5),name = 'test')
# name为Series的一个参数，创建一个数组的 名称(起名字）
# .name方法：输出数组的名称，输出格式为str，如果没用定义输出名称，输出为None
s3 = s2.rename('hehehe')
# .rename()重命名一个数组的名称，并且新指向一个数组，原数组不变
3，由标量创建
s = pd.Series(10, index = range(4))
# 如果data是标量值，则必须提供索引。该值会重复，来匹配索引的长度
Pandas数据结构Series：索引
位置下标 / 标签索引 / 切片索引 / 布尔型索引
print(s[0],type(s[0]),s[0].dtype)#位置下标
print(s['a'],type(s['a']),s['a'].dtype)#标签索引
print(s1[1:4],s1[4]) print(s2['a':'c'],s2['c'])切片索引
bs1 = s > 50
bs2 = s.isnull()
bs3 = s.notnull()# 数组做判断之后，返回的是一个由布尔值组成的新的数组
# .isnull() / .notnull() 判断是否为空值 (None代表空值，NaN代表有问题的数值，两个都会识别为空值)
print(s[s > 50])
print(s[bs3])
# 布尔型索引方法：用[判断条件]表示，其中判断条件可以是 一个语句，或者是 一个布尔型数组！
数据查看 / 重新索引 / 对齐 / 添加、修改、删除值
s = pd.Series(np.random.rand(50))
print(s.head(10))
print(s.tail())
# .head()查看头部数据
# .tail()查看尾部数据
# 默认查看5条
重新索引reindex
# .reindex将会根据索引重新排序，如果当前索引不存在，则引入缺失值
s = pd.Series(np.random.rand(3), index = ['a','b','c'])
print(s)
s1 = s.reindex(['c','b','a','d'])
print(s1)
# .reindex()中也是写列表
# 这里'd'索引不存在，所以值为NaN
对齐
s1 = pd.Series(np.random.rand(3), index = ['Jack','Marry','Tom'])
s2 = pd.Series(np.random.rand(3), index = ['Wang','Jack','Marry']）
# Series 和 ndarray 之间的主要区别是，Series 上的操作会根据标签自动对齐
# index顺序不会影响数值计算，以标签来计算
# 空值和任何值计算结果扔为空值
删除：.drop
s = pd.Series(np.random.rand(5), index = list('ngjur'))
s1 = s.drop('n')
s2 = s.drop(['g','j'])
# drop 删除元素之后返回副本(inplace=False)
添加
s3 = s1.append(s2)
