《《------------------------------------------------------------------------------------------------------》》
使用
Pandas 数据结构：一维数据结构
创建字典格式 ： pd.Series（{“今日销售量” ： 10086，“今日成交金额”：“1000084”}，time=‘2018.8.21’）
创建数组格式 ： pd.Series([10086,1000084],index=[\'今日销售量\',\'今日成交金额\'],time=\'2018.8.21\')
《《------------------------------------------------------------------------------------------------------》》
Dataframe ：二维数据结构 是一个表格形的数据结构 ，“带标签的二维数组” ，带有（index） and （列标签）
使用
data = {\'name\':[\'Jake\',\'Jeek\',\'Anmi\'],\'age\':[22,15,32],\'time\':[\'2019.2.1\',\'2019.3.1\',\'2019.4.2\']}
pd.DataFrame(data) 形成一个表格数据
创建的三种方法 ：其他方法都不通用
1.data = {\'name\':[\'a\',\'b\',\'c\'],\'age\':[22,15,32],\'time\':[\'2019.2.1\',\'2019.3.1\',\'2019.4.2\']}
2. 第二种 设置两个一维数组 Series的方式
data={\'one\':pd.Series(np.random.rand(2)),\'two\':pd.Series（np.random.rand(3)）} 不设置index的
data={\'one\':pd.Series(np.random.rand(2)),\'two\':pd.Series（np.random.rand(3)）,index=[\'a\',\'b\',\'c\']} 设置 index的
3. 第三种 通过二维数组，指定index 和 colums
arr=np.arange(9).reshape(3,3)
data = pd.DataFrame(arr)
data = pd.DataFrame(data,index=[\'a\',\'b\',\'c\'],colums=[\'昨天\'，‘今天’，‘明天’])
print(data)
重新指定cloums列名： pd.DataFrame(data,colums=[\'H5\',\'Json\',\'Dic\'])
出现问题：
？如果指定后，列名比数据多，那么该列下面的数据 显示 NaN
？如果指定后，列名少于数据，只会显示对应的列数据
《《------------------------------------------------------------------------------------------------------》》
Pandas 索引+切片 中筛选数据
Series和Datafram索引的原理一样，我们以Dataframe的索引为主来学习
列索引：df[\'列名\'] （Series不存在列索引）
行索引：df.loc[]、df.iloc[]
选择列 / 选择行 / 切片 / 布尔判断
data[\'one\',\'abc\'] 通过columns 选
data.loc[\'a\',\'b\',\'c\',\'d\',\'e\'] 通过行 选 这个里面切片是包含最后一个的
data.iloc[:3] 通过切片 用数字表示，3之前的行 不包含3
data[data>50] 数据大于50的值
data[data[\'a\'] > 50] a列 》 50 行数据
？选择出来后 按照 顺序放入 序列
data[data > 5].index().tolist() 转为数组 按照顺序
《《------------------------------------------------------------------------------------------------------》》
Pandas 基本技巧
df.head() 默认前5条数据，也可以在括号内指定数字
df.tail() 默认后5条数据
df.T() 转置 index 互换 columns | 列变行，行变列
添加和修改 删除数据行
（添加操作）
这个二维数据表格 index 只有 5，那么就把 index[6] 赋值
（修改操作）
df[\'a\'] = 200 df[\'a\'][0] = 333
（删除操作）
del df[\'a\'] 删除 columns 【a】
df.drop(0) 删除行 删除index 行
两个数据对齐合并 相加
就会 默认 对应行和列 对齐相加填充，如果没有的行和列，填充NaN
DataFrame 数据排序
random4 = np.random.rand(3,3)*100
print(random4)
data4 = pd.DataFrame(random4,columns=[\'a\',\'b\',\'c\'])
data5 = data4.sort_values([\'b\'],ascending = True) #升序 False #降序
data5
DataFrame 索引排序
data7.sort_index() #升序
data7.sort_index(inplace=True) #数据更新改变
《《------------------------------------------------------------------------------------------------------》》
DataFrame 数据计算和统计基础
# np.nan ：空值
# .mean()计算均值
m2 = df.mean(axis=1) 1=行数值计算结果 0 = 列结果
# axis参数：默认为0，以列来计算，axis=1，以行来计算，这里就按照行来汇总了
# 只统计数字列
m3 = df.mean(skipna=False)