pandas是一种Python数据分析的利器，是一个开源的数据分析包，最初是应用于金融数据分析工具而开发出来的，因此pandas为时间序列分析提供了很好的支持。pandas是PyData项目的一部分。
官网：http://pandas.pydata.org/
官方文档：http://pandas.pydata.org/pandas-docs/stable/
引入方式
from pandas import Series, DataFrame
import pandas as pd
基本数据结构
pandas中主要有两种数据结构，分别是：Series和DataFrame。
Series：一种类似于一维数组的对象，是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标签(即索引--默认或者给定标签)组成。仅由一组数据也可产生简单的Series对象。注意：Series中的索引值是可以重复的。
DataFrame：一个表格型的数据结构，包含有一组有序的列，每列可以是不同的值类型(数值、字符串、布尔型等)，DataFrame即有行索引也有列索引，可以被看做是由Series组成的字典。
Series
通过一维数组创建
通过字典的方式创建
值得获取
Series值的获取主要有两种方式：
通过方括号+索引的方式读取对应索引的数据，有可能返回多条数据
通过方括号+下标值的方式读取对应下标值的数据，下标值的取值范围为：[0，len(Series.values))；另外下标值也可以是负数，表示从右往左获取数据(修改索引之后也是可以使用原数字索引取)
Series获取多个值的方式类似NumPy中的ndarray的切片操作，通过方括号+下标值/索引值+冒号(:)的形式来截取series对象中的一部分数据(切片)。
运算(直接进行操作--不需要遍历)
NumPy中的数组运算，在Series中都保留了，均可以使用，并且Series进行数组运算的时候，索引与值之间的映射关系不会发生改变。
注意：其实在操作Series的时候，基本上可以把Series看成NumPy中的ndarray数组来进行操作。ndarray数组的绝大多数操作都可以应用到Series上。
缺失值处理
将新的的索引放入Series中，如果新索引中没有的会用NaN填充 pandas中的isnull和notnull两个函数可以用于在Series中检测缺失值，这两个函数的返回时一个布尔类型的Series
3 自动对齐
当多个series对象之间进行运算的时候，如果不同series之间具有不同的索引值，那么运算会自动对齐不同索引值的数据，如果某个series没有某个索引值，那么最终结果会赋值为NaN。
Series及其索引的name属性
Series对象本身以及索引都具有一个name属性，默认为空，根据需要可以进行赋值操作
DataFrame
通过二维数组创建
通过字典的方式创建
索引对象
不管是Series还是DataFrame对象，都有索引对象。
索引对象负责管理轴标签和其它元数据(eg：轴名称等等)
通过索引可以从Series、DataFrame中获取值或者对某个索引值进行重新赋值
Series或者DataFrame的自动对齐功能是通过索引实现的
数据获取
列删除 df.pop('name') 获取行或列 df.ix['name'] df.loc['name'] 取指定元素 df.loc['行'，‘列’] df.loc['行']['列'] 行删除 df1=df.drop('name')
pandas基本功能
数据文件读取
通过pandas提供的read_xxx相关的函数可以读取文件中的数据，并形成DataFrame,常用的数据读取方法为：read_csv，主要可以读取文本类型的数据
数据过滤获取(切片)
通过DataFrame的相关方式可以获取对应的列或者数据形成一个新的DataFrame, 方便后续进行统计计算。
缺省值NaN处理方法
对于DataFrame/Series中的NaN一般采取的方式为删除对应的列/行或者填充一个默认值 |方法|说明| |:---:|:-| |dropna|根据标签的值中是否存在缺失数据对轴标签进行过滤(删除), 可以通过阈值的调节对缺失值的容忍度| |fillna|用指定值或者插值的方式填充缺失数据，比如: ffill或者bfill| |isnull|返回一个含有布尔值的对象，这些布尔值表示那些值是缺失值NA| |notnull|isnull的否定式|
常用的数学统计方法
sum函数 df01.sum(sxis = 0) # 0是按列求 1 是按行求 默认为0 和其他函数一致
相关系数与协方差
相关系数（Correlation coefficient）：反映两个样本/样本之间的相互关系以及之间的相关程度。在COV的基础上进行了无量纲化操作，也就是进行了标准化操作。
协方差(Covariance, COV)：反映两个样本/变量之间的相互关系以及之间的相关程度。
如果有x,y；两个变量，每个时刻的“x值与其均值之差”乘以“y值与其均值之差”得到一个乘积，在对这个时刻的乘积求个并求出均值
如果协方差为正，说明x，y同向变化，协方差越大说明同向程度越高；如果协方差为负，说明x，y反向运动，协方差越小说明反向程度越高
原文;https://juejin.cn/post/7096744870332596260