導入 Pandas：
查看 Pandas 版本信息：
Pandas 的數據結構：Pandas 主要有 Series（壹維數組），DataFrame（二維數組），Panel（三維數組），Panel4D（四維數組），PanelND（更多維數組）等數據結構。其中 Series 和 DataFrame 應用的最為廣泛。
Series 是壹維帶標簽的數組，它可以包含任何數據類型。包括整數，字符串，浮點數，Python 對象等。Series 可以通過標簽來定位。
DataFrame 是二維的帶標簽的數據結構。我們可以通過標簽來定位數據。這是 NumPy 所沒有的。
Pandas 中，Series 可以被看作由 1 列數據組成的數據集。
創建 Series 語法：s = pd.Series(data, index=index)，可以通過多種方式進行創建，以下介紹了 3 個常用方法。
從列表創建 Series：
從 Ndarray 創建 Series：
從字典創建 Series：
修改 Series 索引：
Series 縱向拼接：
Series 按指定索引刪除元素：
Series 修改指定索引元素：
Series 按指定索引查找元素：
Series 切片操作：
Series 加法運算：
Series 的加法運算是按照索引計算，如果索引不同則填充為 NaN（空值）。
Series 減法運算：
Series的減法運算是按照索引對應計算，如果不同則填充為 NaN（空值）。
Series 乘法運算：
Series 的乘法運算是按照索引對應計算，如果索引不同則填充為 NaN（空值）。
Series 除法運算：
Series 的除法運算是按照索引對應計算，如果索引不同則填充為 NaN（空值）。
Series 求中位數
Series 求和：
Series 求最大值：
Series 求最小值：
與 Sereis 不同，DataFrame 可以存在多列數據。壹般情況下，DataFrame 也更加常用。
通過 NumPy 數組創建 DataFrame：
通過字典數組創建 DataFrame：
查看 DataFrame 的數據類型：
預覽 DataFrame 的前 5 行數據：
查看 DataFrame 的後 3 行數據：
查看 DataFrame 的索引：
查看 DataFrame 的列名：
查看 DataFrame 的數值：
查看 DataFrame 的統計數據：
DataFrame 轉置操作：
對 DataFrame 進行按列排序：
對 DataFrame 數據切片：
對 DataFrame 通過標簽查詢（單列）：
對 DataFrame 通過標簽查詢（多列）：
對 DataFrame 通過位置查詢：
DataFrame 副本拷貝：
判斷 DataFrame 元素是否為空：
添加列數據：
根據 DataFrame 的下標值進行更改。：
根據 DataFrame 的標簽對數據進行修改：
DataFrame 求平均值操作：
對 DataFrame 中任意列做求和操作：
將字符串轉化為小寫字母：
將字符串轉化為大寫字母：
對缺失值進行填充：
刪除存在缺失值的行：
DataFrame 按指定列對齊：
CSV 文件寫入：
CSV 文件讀取：
Excel 寫入操作：
Excel 讀取操作：
建立壹個以 2018 年每壹天為索引，值為隨機數的 Series：
統計s 中每壹個周三對應值的和：
統計s中每個月值的平均值：
將 Series 中的時間進行轉換（秒轉分鐘）：
UTC 世界時間標準：
轉換為上海所在時區：
不同時間表示方式的轉換：
創建多重索引 Series：
構建壹個 letters = ['A', 'B', 'C'] 和 numbers = list(range(10))為索引，值為隨機數的多重索引 Series。
多重索引 Series 查詢：
多重索引 Series 切片：
根據多重索引創建 DataFrame：
創建壹個以 letters = ['A', 'B'] 和 numbers = list(range(6))為索引，值為隨機數據的多重索引 DataFrame。
多重索引設置列名稱：
DataFrame 多重索引分組求和：
DataFrame 行列名稱轉換：
DataFrame 索引轉換：
DataFrame 條件查找：
查找 age 大於 3 的全部信息
** 根據行列索引切片：**
DataFrame 多重條件查詢：
查找 age<3 且為 cat 的全部數據。
DataFrame 按關鍵字查詢：
DataFrame 按標簽及列名查詢。：
DataFrame 多條件排序：
按照 age 降序，visits 升序排列
DataFrame 多值替換：
將 priority 列的 yes 值替換為 True，no 值替換為 False。
DataFrame 分組求和：
使用列表拼接多個 DataFrame：
找出 DataFrame 表中和最小的列：
DataFrame 中每個元素減去每壹行的平均值：
DataFrame 分組，並得到每壹組中最大三個數之和：
當分析龐大的數據時，為了更好的發掘數據特征之間的關系，且不破壞原數據，就可以利用透視表 pivot_table 進行操作。
透視表的創建：
新建表將 A, B, C 列作為索引進行聚合。
透視表按指定行進行聚合：
將該 DataFrame 的 D 列聚合，按照 A,B 列為索引進行聚合，聚合的方式為默認求均值。
透視表聚合方式定義：
上壹題中 D 列聚合時，采用默認求均值的方法，若想使用更多的方式可以在 aggfunc 中實現。
透視表利用額外列進行輔助分割：
D 列按照 A,B 列進行聚合時，若關心 C 列對 D 列的影響，可以加入 columns 值進行分析。
透視表的缺省值處理：
在透視表中由於不同的聚合方式，相應缺少的組合將為缺省值，可以加入 fill_value 對缺省值處理。
在數據的形式上主要包括數量型和性質型，數量型表示著數據可數範圍可變，而性質型表示範圍已經確定不可改變，絕對型數據就是性質型數據的壹種。
絕對型數據定義：
對絕對型數據重命名：
重新排列絕對型數據並補充相應的缺省值：
對絕對型數據進行排序：
對絕對型數據進行分組：
缺失值擬合：
在FilghtNumber中有數值缺失，其中數值為按 10 增長，補充相應的缺省值使得數據完整，並讓數據為 int 類型。
數據列拆分：
其中From_to應該為兩獨立的兩列From和To，將From_to依照_拆分為獨立兩列建立為壹個新表。
字符標準化：
地點的名字都不規範（如：londON應該為London）需要對數據進行標準化處理。
刪除壞數據加入整理好的數據：
將最開始的 From_to 列刪除，加入整理好的 From 和 to 列。
去除多余字符：
如同 airline 列中許多數據有許多其他字符，會對後期的數據分析有較大影響，需要對這類數據進行修正。
格式規範：
在 RecentDelays 中記錄的方式為列表類型，由於其長度不壹，這會為後期數據分析造成很大麻煩。這裏將 RecentDelays 的列表拆開，取出列表中的相同位置元素作為壹列，若為空值即用 NaN 代替。
信息區間劃分：
班級壹部分同學的數學成績表，如下圖所示
但我們更加關心的是該同學是否及格，將該數學成績按照是否>60來進行劃分。
數據去重：
壹個列為A的 DataFrame 數據，如下圖所示
嘗試將 A 列中連續重復的數據清除。
數據歸壹化：
有時候，DataFrame 中不同列之間的數據差距太大，需要對其進行歸壹化處理。
其中，Max-Min 歸壹化是簡單而常見的壹種方式，公式如下:
Series 可視化：
DataFrame 折線圖
DataFrame 散點圖
DataFrame 柱形圖