Series是带标签的一维数组，可以保存任何数据类型，轴标签统称为索引
Series相比于ndarray，是自带索引index的数组，一维数组+对应索引，且索引的切片功能类似
Series相比于dict，Series像是有序的字典，其索引原理与字典相似（字典用key,Series用index）
一、pandas的数据结构：Series
1.Series的创建：
(1)方法一：由字典创建 pd.Series(): key就是index--不支持可变序列，values就是values
(2)方法二：通过一维数组创建 pd.Series()
pd.Series(arr,index=list('abcdefghij'),dtype = np.str,name='test')#默认index是0开始步长为1的数字
注意：参数index是用来改变索引的,参数dtype是用来设置数值类型的,参数name是为Series创建名称
s.name方法：输出数组的名称格式为str，无名称返回None
s3 = s1.rename('hehe')#.rename()重命名数组的名称，并指向新的数组，原数组不变
(3)方法三：通过标量创建,必须有index参数表明有多少个值:pd.Series(100,index=range(4))
(4)#索引本身可以不唯一，但是尽量避免
2.Series中.index查看索引/标签（得到的是生成器rangeindex,需要用list查看）
.value查看值（得到的是ndarray）
3.Series的索引
(1)下标索引，类似于列表，指的是未明确的index：s[4] 注：s[-1]用-1索引，会报错
(2)标签索引，指的是明确的index(这里的index是字符串)：s['a']，多标签索引s[['a','b']]：嵌套，返回的是新数组
(3)切片索引**
s1 = pd.Series(np.random.rand(5))
s2 = pd.Series(np.random.rand(5),index = list('abcde'))
print(s1[1:4])#下标索引 ：如果Series没有明确index标签，切片代表着左闭右开
print(s2['a':'c'])#标签索引：如果Series有index标签，切片就是按照标签索引（也就是左闭右闭）
print(s1[:-1])
print(s2[::2])#下标/标签索引可以做切片
(4)布尔型索引：s[bs或s>50]--用[判断条件]，其中判断条件可以使语句也可以是布尔型数组
bs = s.isnull()#数组判断后返回由布尔值组成的新数组
s[4] = None#添加一个空值，或np.nan
4.Series的基本技巧
(1)数据查看:默认查看五条 s.head()前五条 s.tail()后五条
(2)重新索引.reindex():根据新的索引重新排序，当新索引不存在时返回NaN，不是改变index名称的方法**
s2 = s.reindex(['c','d','e','f'],fill_value = 0)#参数fill_value缺失值填充
(3)对齐+：按照标签对齐相加值，不对齐的返回NaN
(4)删除索引（某行）.drop: 参数inplace默认False返回副本 true改变原Series 例：s.drop(['j','s'])删除多行
(5)添加:直接通过下标索引/标签index添加
s1和s2都是Series：s3 = s1.append(s2)**append方法直接添加数组，生成新数组；不变之前的数组
二、pandas的数据结构：DataFrame
DataFrame是表格型数据结构，带有标签的二维数组
DataFrame带有index行标签和columns列标签
.index查看行标签，DataFrame的index是rangeindex，需要list查看
.columns查看列标签
.values查看值生成二维数组ndarray
1.DataFrame的创建
(1)方法一：数组/list组成的字典 pd.DataFrame():字典的key是columns，index默认为数值标签，字典值的长度必须一致--columns可以长度不一致名字要相同，不同的填充NAN index长度必须一致，名字可以不同
pd.DataFrame(data1,columns = ['c','b','a'],index=['f1','f2']) #columns可以重新制定列的顺序，格式为list,如果没有该列用NaN填充 ; ##index参数重新定义index，长度必须保持一致，格式为list
(2)方法二 Series组成的字典创建:column为字典key，index为Series的标签（如果Series没有指定标签，则是默认数字标签）；***Series可以长度不同，生成的df会出现NaN----columns和 index可以不一致
(3)***常用方法三 通过二维数组np.random.randn(9).reshape(3,3)直接创建: 不指定index和columns会默认数字标签--columns必须长度一致 index必须长度一致，两者名字都是现成定义的
(4)方法四 直接用字典组成的列表Json:columns是字典的key，一个字典代表一条数据；长度不同会填充空值；--columns可以长度不一致名字要相同，不同的填充NAN index长度必须一致，名字可以不同
(5)}方法五 由字典组成的嵌套字典:columns为字典的key，index为子字典的key
data = {'Jack':{'math':90,'art':90,'english':78} ***这里的index不会改变原index，不同于原index会返回Nan
2.DataFrame选择列:数据的字段
df = pd.DataFrame(np.random.rand(12).reshape(3,4)*100,index=['one','two','three'],columns = ['a','b','c','d'])
(1)df['a']直接列名,选择单列返回Series，选择多列返回DataFrame，不支持切片
3.DataFrame选择行：数据的条数
(1)df.loc['one']:按照index标签选择行，支持切片，#选择单行返回Series(cloumns为索引index)，选择多行返回DataFrame
data3 = df1.loc['one':'three']#类似于Series标签索引左闭右闭
data4 = df2.loc[0:3]#类似于Series标签索引左闭右闭
(2)data5 = df[:1] #df[切片]为数字时，默认选择行，且只能进行切片的选择不能单独选择df[0]；返回的是DataFrame，即便选择一行
(3)df.iloc[-1]、df.iloc[::2]:按照整数位置索引 #类似于Series下标索引左闭右开 #选择单行返回Series(cloumns为索引index)，选择多行返回DataFrame
4.布尔型索引 和Series原理相同
(1)全部判断 b1 = df<20 : 索引结果保留所有数据True返回原数据，False返回NaN
(2)单列做判断 b2 = df['a']>50:索引结果保留单列判断为True的行数据，包括行数据
(3)多列做判断 b3 = df[['a','b']]>50:索引结果保留所有数据，true返回原数据，false返回NaN
(4)多行做索引 b4 = df.loc[['one','three']]<50 : 索引结果保留所有数据，true返回原数据，false返回NaN
5.多重索引：同时索引行和列--先选择列后选择行，相当于对数据先选择字段在选择数据量
df = pd.DataFrame(np.random.rand(16).reshape(4,4)*100, index=['one','two','three','four'],columns = ['a','b','c','d'])
print(df['a'].loc[['three','four']])#先列后行
print(df[['b','c','d']].iloc[0:2])#先列后行
print(df[df<50].loc[['one','two']])#先布尔后行
print(df[df<50][['a','b']])#先布尔后列
6.数据的查看、转置、删除、添加、修改
(1)df.head()查看头部数据，默认五条 df.tail()查看尾部数据，默认五条
(2)df.T : .T转置
(3)修改/增加列/行 df['e'] = 10 df.loc[4] = 100
(4)del df['a']#删除列
(5).drop()删除行 axis=0默认 inplace默认False删除后生成新数据不改变原数据;
#删除列 axis=1
(6)对齐+：DataFrame之间的数据自动按照列和索引对齐
(7)排序：按值排序（一列一列的排序） df.sort_values(['a'],ascending = True))#升序 ascending = False降序)--在合适条件下，可以多列排序
(8)排序：按索引排序 df.sort_index()
