在Anaconda发行版中，Pandas包已经集成在系统中，无需另外安装。在使用过程中直接导入该包即可，导入方法为import pandas as pd，其中import和as为关键词，pd为其简称。

序列是Pandas中非常重要的一个数据结构，由两部分组成，一部分是索引index，一部分是对应的值。序列不仅能实现一维数组的功能，还增加了丰富的数据操作与处理功能。我将分别介绍序列的创建、序列的属性和方法，以及数据切片和聚合运算等相关的数据操纵知识。

序列由索引index和对应的值构成，默认情况下索引从0开始从小到大顺序排列，每个索引对应一个值。可以通过指定列表、元组、数组创建默认序列，也可以通过指定索引创建个性化序列。还可以通过字典来创建序列，其中字典的键转化为索引，值即为序列的值。序列对象的创建通过Pandas包中的Series()函数来实现。

序列有两个属性，分别为值（values）和索引（index）。通过序列中的values属性和index属性可以获取其内容。

通过序列中的unique()方法，可以去掉序列中重复的元素值，达到元素值的唯一性。

通过isin()方法，判断元素值的存在性，如果存在则返回True，否则为False。

通过序列中的value_counts()方法，可以统计获得序列元素值出现的次数。

序列中处理空值的方法有三个isnull()、notnull()、dropan()。它们的使用方法如下：isnull()判断序列中是否有空值（nan值），如果有空值，返回True，否则False; notnull()判断序列中的非空值（nan值），如果真，返回True，否则False，与isnull方法刚好相反；dropan()清洗序列中的空值（nan值）。可以配合使用空值处理函数，实现对空值（nan值）的清洗。

序列元素的访问是通过索引完成的，切片即连续或者间断地批量获取序列中的元素，可以通过给定一组索引来实现切片访问。一般地，给定的一组索引可以用列表或者逻辑数组来表示。

序列的聚合运算，主要包括对序列中的元素求和、平均值、最大值、最小值、方差、标准差等。

Pandas中另一个重要的数据对象为数据框（DataFram），由多个序列按照相同的index组织在一起形成一个二维表。事实上，数据框的每一列为序列。数据框的属性包括index、列名和值。由于数据框是更为广泛的一种数据组织形式，许多外部数据文件读取到Python中大部分会采用数据框的形式进行存取，比如数据库、excel和TXT文本。同时数据框也提供了极为丰富的方法用于处理数据及完成计算任务。数据框是Python完成数据处理及分析的最重要数据结构之一，因此学会灵活运用数据框是利用Python进行数据处理及挖掘的关键环节。

基于字典，利用Pandas库中的DataFrame函数，可以创建数据框。其中字典的键转化为列名，字典的值转化为列值，而索引为默认值，即从0开始从小到大排列。

数据框对象具有三个属性，分别为列名、索引和值

数据框（DataFrame）作为数据处理及挖掘分析的重要基础数据结构，提供了非常丰富的方法用于数据处理及计算。下面介绍其常用的方法，包括去掉空值（nan值）、对空值（nan值）进行填充、基于字段列值进行排序、基于index进行排序、取前N行数据、删除列、数据框之间的连接、数据框转化为Numpy数组、数据导出到Excel、相关统计分析等。

通过dorpna()方法，可以去掉数据集中的空值（nan值），需要注意的是原来数据集不发生改变，新数据集需要重新定义。

通过fillna()方法，可以对数据框中的空值（nan值）进行填充。默认情况下所有空值填充同一个元素值（数值或者字符串），也可以指定不同的列填充不同的值。

感谢整理，分享。

感谢分享

还有90%的pandas干货没发布，等后面有时间我就开个notebook

嘻嘻，一起努力