Pandas 是一种基于 NumPy 的开源的数据分析和处理工具包，提供了高性能、简单易用的数据结构和数据分析函数。Pandas提供了方便的类表格和类SQL的操作，同时提供了强大的缺失值处理方法，通过Pandas可以方便的进行数据导入、选取、清洗、处理、合并、统计分析等操作。
Python标准库中默认不包含 Pandas，需要自己下载安装：
- 命令行安装 pip install pandas
- 借助于第三方包管理软件，例如Anaconda
Series对象的创建
Pandas 中的 Series 对象可以理解为带有标签数据的一维数组，标签在Pandas中有对应的数据类型“Index”，Series类似于一维数组与字典的结合。
创建Series时，可通过index参数指定索引，未指定索引时，采用默认索引，从0开始，不断递增；创建Series的主要方式如下：
- 通过列表、元组创建：索引大小必须和列表大小一致；
- 通过numpy的ndarray创建：必须是一维数组，且数组大小和索引大小要一致；
- 通过字典创建：默认索引为字典的关键字，指定索引时，会以索引为键获取值，没有值时，默认为NaN；
- 通过标量创建 ：重复填充标量到每个索引上；
values 属性获取具体值，类型为一维ndarray；可通过index 属性获取相应索引，类型为Index；
Index对象介绍
Pandas 的 Index 对象可以看作是一个不可变数组，Index 对象中可以包含重复值。可直接通过Pandas中的Index类创建Index对象，也可以通过Series或DataFrame中的 index属性 获取对应的Index对象。Index对象可以在多个数据间共享。例如：
Index对象的很多操作都与 numpy 中的数组类似，例如支持索引和切片操作，支持Numpy中的一些常见函数，拥有size，shape，ndim 等属性。不同的是Index 对象的值是不可变的。Index 对象的不可变特征使得多个数据之间进行索引共享时更加安全， 可避免因修改索引时而导致的副作用。
Index对象也支持集合操作，例如如并集、 交集、 差集等，这些操作也可以通过调用对象方法来实现。不同的是操作结果中可能会存在重复的元素。
Series中数据的访问
Series 对象与 numpy 中的一维数组 和 字典 dict 在很多方面都类似。Series 对象中数据访问可与它们进行类比学习。
（1）将Series看作字典
- 字典中的键不允许重复，但Series中的索引允许有重复值；
- 以索引为键，可访问对应的值，如果有多个，则结果为Series类型；
- 可调用字典的一些常见方法，如keys()、items()等，可判断是否包含指定索引；
- 可用字典类似语法更新数据，对已有的索引进行赋值，会修改索引对应的值，对一个不存在的索引进行赋值，会添加一个索引。
系统一般会为Series对象默认分配一个从0开始不断增大的索引，称为隐式索引；用户通过index指定的索引称为显式索引。如果显式索引为整数，容易冲突，通过键访问采用的是显式索引，通过切片访问采用的是隐式索引，尽量不要使用整数作为显式索引。其他情况下，两种方式可以共存。
（2）将Series看作一维数组
- 可以通过索引、切片、布尔表达式访问数据；
- 通过切片访问时，显式索引结果包含最后一个索引，隐式索引结果不包含最后一个索引。
（3）索引器：loc、iloc
- loc: 显式索引访问，即根据用户指定的索引访问
- iloc: 隐式索引访问，即根据位置序号访问
Series中常用方法
- sort_index()：对Series按照索引排序，生成一个新的Series对象；
- sort_values()：对Series按照值排序，生成一个新的Series对象；
- rank()：对值进行排名，从1开始，对于相同的值默认采用平均排名；
- reindex()：重新设置索引，生成一个新的Series对象。新的索引长度和原始索引长度可以不相同，如果新的索引不在原始数据中，则对应的值为NaN，如果在原始数据中，则值保持不变，可通过method参数指定值填充的方案（要求原始索引是递增的），还可通过fill_value参数指定填充值；
- Series对象也可执行numpy中的一些运算，此时只对值进行操作，索引和值之间的对应关系不变；
- Series对象之间执行运算时，会自动进行对齐，相同索引之间执行相应运算，不同索引对应的值为NaN。
