首先，需要先安裝numpy和pandas環境，參考： https://pandas.pydata.org/
。以下語句檢查並確認安裝成功。
Pandas 有三種基本數據結構：Series、DataFrame 和 Index。
Pandas 的 Series 對象是壹個帶索引數據構成的壹維數組。Series 對象將壹組數據和壹組索引綁定在壹起，我們可以通過 values 屬性和 index 屬性獲取數據。values 屬性返回的結果與 NumPy 數組類似；index 屬性返回的結果是壹個類型為 pd.Index 的類數組對象。
可以像訪問Numpy那樣來訪問Series（序號也是從0開始計數的）。
Pandas 的 Series 對象比Numpy更加靈活、通用。
兩者的主要區別是：NumPy 數組通過 隱式定義 的整數索引獲取數值，而 Pandas 的 Series 對象用壹種 顯式定義 的索引與數值關聯。也就是說，Numpy的索引是系統自分配的無法更改，但是Series對象是可以手工指定的。
Series是 特殊的字典 ，Series 對象其實是壹種將類型鍵映射到壹組類型值的數據結構，Pandas Series 的類型信息使得它在某些操作上比 Python 的字典更高效。用字典創建 Series 對象時，其索引默認 按照順序排列 。
DataFrame類似於RDBMS中的Table。DataFrame就可以看作是壹種既有靈活的行索引，又有靈活列名的二維數組。
DataFrame有2個常用屬性，分別是 index 屬性 和 columns 屬性 。前者可以獲取索引標簽（行標簽）；後者是是存放列標簽的Index 對象。DataFrame 是特殊的字典，壹列映射壹個Series 的數據。
DataFrame可以通過以下幾種方式來創建：（1）通過單個 Series 對象創建。（2）通過字典列表創建。（3）通過 Series 對象字典創建。（4）通過NumPy 二維數組創建。（5）通過 NumPy 結構化數組創建。
可以將Index視為壹個不可變數組或有序集合。當作為不可變數組時，壹般數組的訪問方式（例如切片等）對Index適用，與數組的最大區別是 Index對象不可更改 。當作為集合時，Index也可以做交集、並集等常規操作。
Series的訪問既可以作為字典，也可以作為壹維數組。數據訪問的方法，可以參考Numpy的訪問方式，這裏不贅述。
如果Series的顯式索引是整數，那麽在訪問時，很容易混淆。例如下邊的例子：
從上邊的例子總結得出，python的默認規則是：在單個訪問時，使用的顯式索引，而在切片時，使用的是隱式索引，很容易混淆！python提供了loc、iloc和ix三種索引器。
loc表示：表示取值和切片都是顯式的。iloc 屬性，表示取值和切片都是隱式索引。ix是loc和iloc的混合形式，應用於dataFrame（使用例子在3.3節）。
dataframe可以通過對列名進行字典形式（dictionary-style）的取值獲取數據。可以把 DataFrame 看成是壹個增強版的二維數組，用 values 屬性按行查看數組數據。ix 索引器對於整數索引的處理和之前在 Series 對象中介紹的壹樣，都容易讓人混淆。
對於壹元運算（像函數與三角函數），這些通用函數將在輸出結果中保留索引和列標簽（很簡單，所有元素做相應運算並返回）；而對於二元運算（如加法和乘法），Pandas 在傳遞通用函數時會自動 對齊索引 進行計算。
當在兩個 Series 或 DataFrame 對象上進行二元計算時，Pandas 會在計算過程中對齊兩個對象的索引。如果想給缺失數值指定壹個默認值，需要使用add來替代+，並指定fill_value：
兩個對象的行列索引可以是不同順序的，結果的索引會自動按順序排列。
DataFrame 和 Series 的運算規則，與NumPy 中二維數組與壹維數組的運算規則是壹樣的。需要使用廣播原則，那麽默認地，會按行計算。如果想要按列運算，需要使用參數axis = 0 。
註意：DataFrame訪問行可以使用loc，但是訪問列，只能是df['col']這種形式了。
缺失值有三種形式：null、NaN 或 NA。
處理缺失值，壹般有兩種方法：壹種方法是通過壹個覆蓋全局的掩碼表示缺失值，另壹種方法是用壹個標簽值（sentinel value）表示缺失值。
掩碼是利用壹個跟原來壹樣大小的矩陣，用0或者1表示某個元素缺失。標簽值是利用壹個特殊字符例如NaN表示缺失。
Pandas 選擇用標簽方法表示缺失值，包括兩種 Python 原有的缺失值： 浮點數據類型（包括整型） 的 NaN 值，以及 Python的 None 對象 。
使用None時，表示壹個空的python對象，所以numpy的dtype=object，因為是對象所以在進行大批量計算時，效率會比標量低。使用np.nan時表示標量，效率會高很多。
對於缺失值，pandas提供了幾個有用的API方法，分別是：isnull()，notnull()，dropna()，fillna()。其中，對於dataframe，dropna()方法默認會將包含NaN的整行都drop掉，如果想按照整列drop，增加axis=1參數。
pandas的MultiIndex提供了多級索引的功能，用元組表示是多級索引的基礎。
下面例子，使用元組索引生成Series。篩選2019的索引，非常繁瑣。
Pandas 的 MultiIndex 類型提供多種實現方法，下邊例子使用元組表示實現。
unstack() 方法可以快速將壹個多級索引的 Series 轉化為普通索引的DataFrame。stack() 方法實現相反的效果。
總結壹下，創建多級索引的方法包括：
(1)通過壹個有不同等級的若幹簡單數組組成的列表來構建 MultiIndex：pd.MultiIndex.from_arrays。
(2) 多個索引值的元組構成的列表創建 MultiIndex：pd.MultiIndex.from_tuples。
(3)用兩個索引的笛卡爾積創建MultiIndex：pd.MultiIndex.from_product。
(4)直接提供 levels和labels創建 MultiIndex（lablels是指每個級別的整數指定每個位置）：
上邊的例子中，不管是Series還是DataFrame都是按照行來進行多級索引，其實，也可以按列索引，而且非常簡單，下邊是壹個例子（幾個學生在2018和2019兩次考試的不同科目成績）：
需要對多級索引做顯示切片操作時，可以使用pd.IndexSlice對象來切，不同級別的維度，拿逗號分割，例如下邊例子中的df_sd_003.loc[idx_sd[2018,:],idx_sd['Alice',:]]。其他切片和取值操作與Numpy很類似。
如果 MultiIndex 不是有序的索引，那麽大多數切片操作都會失敗。
如果Series或者DataFrame的索引是未排序的，可以簡單地通過sort_index方法來快速排序。
層級數據維度轉換的另壹種方法是行列標簽轉換，可以通過reset_index 方法實現
通過pd.concat()實現pandas對象合並，pd.cancat的所有參數（下面列舉的是這些參數的默認值）：
pd.concat() 可以簡單地合並壹維的 Series 或 DataFrame 對象，與
np.concatenate() 合並數組壹樣。
DataFrame 的合並默認都是逐行進行的（axis=0）；pd.concat在合並時會保留索引，即使索引是重復的！如果設置 verify_integrity=True，那麽生成重復索引時，會觸發異常！有時索引無關緊要，那麽合並時就可以忽略它們，可以通過設置 ignore_index 參數來實現。默認的合並方式是對所有輸入列進行並集合並（join='outer'），當然也可以用 join='inner' 實現對輸入列的交集合並。下面是壹個實現合並的例子：
Pandas 的基本特性之壹就是高性能的內存式數據連接（join）與合並（merge）操作。
pd.merge() 實現的功能基於關系代數（relational algebra）的壹部分。 pd.merge() 函數實現了三種數據連接的類型：壹對壹、多對壹和多對多。pd.merge()會自動識別2個dataframe***有的列，並以這個列進行關聯。
上邊的例子中，關聯的兩個dataframe具有相同名稱的列，pandas會直接按同名列合並，由於兩個輸入要合並的列通常都不是同名的，因此 pd.merge() 提供了壹些參數處理這個問題。
1.最簡單的方法就是直接將參數 on 設置為壹個列名字符串或者壹個包含多列名稱的列表，這個參數只能在兩個 DataFrame 有***同列名的時候才可以使用。