pandas 是python的數據分析庫，提供快速、靈活和富有表現力的數據結構，用於數據挖掘和數據分析，同時也提供數據清洗功能，與numpy、matplotlib並稱，成為數據分析必學的三個庫。Pandas的主要功能如下。
此外，其更廣泛的目標是成為任何語言中可用的最強大，最靈活的開源數據分析工具。其中最常用的數據結構是DataFrame，本文將詳細介紹DataFrame的用法。
Dataframe是pandas中的數據結構，也是帶標籤的、大小可變的，二維異構表格。
它類似於電子表格，可以在列中存儲不同類型的數據（包括字符，整數，浮點值，分類數據等），Dataframe中的數據以一個或多個二維塊存放，不是列表、字典或一維數組結構。
一、創建
由數組/list組成的字典創建Dataframe，columns為字典key，index為默認數字標籤，字典的值的長度必須保持一致！
通過二維數組直接創建Dataframe，得到一樣形狀的結果數據，如果不指定index和columns，兩者均返回默認數字格式
index和colunms指定長度與原數組保持一致
由字典組成的列表創建Dataframe，可以允許長度不一致，columns為字典的key，index不做指定則為默認數組標籤
colunms和index參數分別重新指定相應列及行標籤
二、DataFrame索引
df[]默認選擇列，[]中寫列名，選擇單列為Series，print結果為Series格式，多選列為Dataframe，print結果為Dataframe格式
一般用於選擇列，也可以選擇行
注意：反向截取是-1結束，不是0，末端不包含
2、df.loc[] - 按index選擇行
3、df.iloc[] - 按照整數位置（從軸的0到length-1）選擇行類似list的索引，其順序就是dataframe的整數位置，從0開始計
4、切片索引
5、布爾索引
多行做判斷，索引結果保留所有數據：True返回原數據，False返回值為NaN
6、多重索引
三、DataFrame基本技巧
1、數據查看、轉置
要在dataframe最後新增列，直接在後面加一個[]，在具體位置新增列用df.insert(index, obj)方法；新增行直接用loc。
4、DataFrame對象之間的數據自動按照列和索引（行標籤）對齊
排序包括按值排序和按索引排序，按值排序 .sort_values，ascending參數：設置升序降序，默認升序
按索引排序 .sort_index
1、數值計算
Dataframe可以用來進行常用的數學的計算，例如：
1、數據清洗
Dataframe的數據清洗包含重複值、缺失值、異常值等等的清洗
subset對應的值是列名，表示只考慮這兩列，將這兩列對應值相同的行進行去重。默認值為subset=None表示考慮所有列。keep='first'表示保留第一次出現的重複行，是默認值。keep另外兩個取值為"last"和False，分別表示保留最後一次出現的重複行和去除所有重複行。
缺失值清洗最簡單的方法就是刪除或不管，插補的方法有單一值填充、拉格朗日插值法、多重插補法以及各種機器學習插補法等等，缺失值和異常值清洗方法具體可見python數據預處理之異常值、缺失值處理方法
數據合併包括四種方法，merge、join、concat和append
l pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None,
left_index=False, right_index=False, sort=True,
suffixes=('_x', '_y'), copy=True, indicator=False)
類似於sql中的join，僅支持橫向拼接，其中on關鍵字為拼接參考鍵，how為拼接方式，有inner，left，right，outer4種連結方式。
l df1.join(df2) 直接通過索引連結
l pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False,
copy=True)
可以進行橫向和縱向連接，默認axis=0，行+行，但要求非拼接軸標籤唯一，例如axis=0時，要求每個dataframe內部的列名是唯一的，只有相同列名才有拼接的意義。
l append，類似於列表的append方法，一般用來增加行
數據轉換一般用map和apply，map主要用於Series的轉換，apply是series和dataframe都可以。
Dataframe運用apply可以將各行和各列的函數運用到一維數組上，默認情況下會以列為單位，分別對列應用函數。如果想要將函數應用到每一個元素，需要用到applymap
1、統計基礎
Dataframe也擁有基本的統計功能，具體如下：
Dataframe在行（axis=0）或列（axis=1）上進行分組，將一個函數應用到各個分組並產生一個新值，然後函數執行結果被合併到最終的結果對象中。
l groupby 類似sql的group by功能，直接分組得到一個groupby對象，是一個中間數據，沒有進行計算，所以一定要加上集合函數，複雜的聚合函數可借用agg，功能更強大。
df.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)
常用的聚合函數如下：
l 數據透視表pivot_table
類似於excel中的數據透視功能，可以通過一個或多個鍵分組聚合DataFrame中的數據，通過aggfunc參數決定聚合類型，是groupby的高級功能。
l 交叉表crosstab
默認情況下，crosstab是用來計算因子的頻率表，透視表是一種進行分組統計的函數，而交叉表是特殊的透視表，當只統計分組頻率時更方便。
數據透視表和交叉表的具體用法，可見pd.pivot_table數據透視表與pd.crosstab交叉表
Dataframe的常見用法就是這些，當然還可以通過plot來調用matplotlib進行數據可視化，不過主要還是要依賴matplotlib。