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。
1、导入pandas
import pandas as pd
2、pandas数据类型：
1）Series：一维数据类型，其中每个元素都有一个标签
2）DataFrame：二维数据类型，它可以存储各种不同类型的数据，每个元素都有自己的标签
3、Series对象的创建
s = pd.Series([-1.234,2.354,1.256,-5.235])
可以看到如果我们没有指定行索引，pandas将会默认给它创建0,1,2,...等作为行索引
当然我们也可以给它指定行索引index，如下：
注意上面两个例子中打印出来的的type，下面我们将其中一个数字改为字符串，这时候，它就不再是单纯的数字了，它的dtype就变成了object
也就是说，我们可以指定dtype输出，如下，指定dtype为int，输出值就全部去掉小数部分，只打印出了整数部分的值：
除了上面的以list创建Series外，还可以通过字典方式，常量值等来创建Series
4、Series对象的访问
s.values：获取所有的值列表
s.index：获取所有的行索引列表
s['a'] ：访问索引为'a'的元素
s[0] ： 访问第1个元素
s[['a', 'b']]：访问索引为a和b的两个元素
s[:2]：访问前两个元素
5、DataFrame对象的生成
pd.DataFrame(data, index, column)
data数据类型：列表嵌套的列表，列表组成的字典，Series组成的字典，字典组成的字典等
index：行索引列表
column：列索引列表
行索引和列索引都可以为为空，pandas会自动以0,1,2,...等为它创建索引
1）以列表嵌套列表的方式生成DataFrame，外层列表长度表示行数，内层列表最大长度表示列数
2）以列表组成的字典，列表长度需要相同，将会默认以字典的key作为列索引
3）Series组成的字典生成DataFrame
以字典形式生成的DataFrame对象，会以key的并集作为列索引，index的并集作为行索引，不存在的赋值为NaN
6、DataFrame对象的读取
df.index：获取行索引列表
df.values：获取值列表
df.columns：获取列索引列表
df.a/ df['a']：获取列索引为first的元素
df[0:1]：获取第一行元素
df[:3]：获取前三行元素
df.loc[:, :]：访问所有行，所有列元素
df.loc[:, ['a', 'b']]：访问所有行，列为a和b的元素
df.loc[['a'], ['b']]：访问行为a，列为b的元素
df.iloc[:,:]：访问所有行，所有列元素
df.iloc[0:2, :2]：访问前两行，前两列元素
df.iloc[[0,2], 0:2]：访问第1行，第3行及前两列元素
df.ix[:,:]：访问所有行，所有列元素
df.ix[:2, ['a','b']]：访问前两行，列索引为a和b的元素
df.ix[df.a>1, :2]：访问所有列索引为a的元素中，大于1的元素的行和前两列的元素
7、下面我们以股票交易数据为例来分析：
我这里有一个csv格式的近两年来的股票数据( table.csv )
1）读取csv文件
df = pd.read_csv("C:\Users\admin\Desktop\table.csv",parse_dates=True, header=0,index_col=0,encoding="gb2312")
2）数据内容查看方法：
df.head(n)：查看前n行数据
df.tail(n)：查看后n行数据
df.columns：查看所有的索引列列表
df.index：查看所有的行索引列表
df.values：查看所有的值列表
df.shape：查看行数和列数
df.describe()：查看基本信息，如总条数，最小值，最大值，平均数等
df.info()：可以查看有几条非空数据
df.isnull()：查看所有数据是否为空
df[df.isnull().T.any()]：查看含有空元素的行
df.fillna(method='bfill', axis=0, inplace=True)：用下一行的数据替换掉NaN（用上一行method='ffill', 指定值替换用value=指定值）
3、特殊值处理方法
df.round(n)：四舍五入，保留n位小数
df.astype(type)：按照指定的格式转换数值
df.Volume.astype(int)：将volume列的数值转换为int类型
applymap：可以搭配lambda使用，做数据格式转换
df.applymap(lambda x: '%0.2f' % x)：保留两位小数
df.ix[:, ['Volume']].apply(lambda x: '%0.0f' % x)：保留0位小数
df[df.values==0]：查找值为0的数据
df.loc[df.loc[:, high]==0, 'High'] = df.High.median()：将High列为0的数值替换为High列的中间值