pandas有两种基本的数据结构，分别是存储一维值属性values的Series和存储二维值属性values的DataFrame，在这两种数据结构上定义了很多属性和方法，pandas中的绝大多数数据处理操作基于它们来进行。
1 Series
Series对象中包含4个重要的组成部分，分别是序列的值data、索引index、存储类型dtype和序列的名字name。其中，索引也可以指定名字。
In [17]: s = pd.Series(data = [100, 'a', {'dic1':5}],
index = pd.Index(['id1', 20, 'third'], name='my_idx'),
dtype = 'object', # 常用的dtype还有int、float、string、category
name = 'my_name')
s
Out[17]: my_idx
id1 100
20 a
third {'dic1': 5}
Name: my_name, dtype: object
注解
object代表一种混合类型，正如上面的例子中存储了整数、字符串以及Python的字典数据结构。此外，在默认状态下，pandas把纯字符串序列当作一种object类型的序列，但它也可以显式地指定string作为其类型。
对于这些属性等内容，可以通过“.”来获取：
In [18]: s.values
Out[18]: array([100, 'a', {'dic1': 5}], dtype=object)
In [19]: s.index
Out[19]: Index(['id1', 20, 'third'], dtype='object', name='my_idx')
In [20]: s.dtype
Out[20]: dtype('O')
In [21]: s.name
Out[21]: 'my_name'
利用.shape可以获取序列的长度：
In [22]: s.shape
Out[22]: (3,)
索引是pandas中最重要的概念之一，将在第3章中详细地讨论。如果想要取出单个索引对应的值，可以通过[index_item]取出，其中index_item是索引的标签。
In [23]: s['third']
Out[23]: {'dic1': 5}
2 DataFrame
DataFrame在Series的基础上增加了列索引，可以把它理解为一种将一组具有公共索引的Series拼接而得到的数据结构。一个DataFrame可以由二维的data与行列索引来构造：
In [24]: data = [[1, 'a', 1.2], [2, 'b', 2.2], [3, 'c', 3.2]]
df = pd.DataFrame(data=data,
index=['row_%d'%i for i in range(3)], # 行索引
columns=['col_0', 'col_1', 'col_2']) # 列索引
df
Out[24]: col_0 col_1 col_2
row_0 1 a 1.2
row_1 2 b 2.2
row_2 3 c 3.2
但更多的时候会采用从列索引名到数据的映射来构造DataFrame，再加上行索引：
In [25]: df = pd.DataFrame(data = {'col_0': [1,2,3], 'col_1':list('abc'),
'col_2': [1.2, 2.2, 3.2]},
index = ['row_%d'%i for i in range(3)])
df
Out[25]: col_0 col_1 col_2
row_0 1 a 1.2
row_1 2 b 2.2
row_2 3 c 3.2
由于这种映射关系，在DataFrame中可以用[col_name]与[col_list]来取出相应的列与由多个列组成新的DataFrame，结果分别为Series和DataFrame：
In [26]: df['col_0']
Out[26]: row_0 1
row_1 2
row_2 3
Name: col_0, dtype: int64
In [27]: df[['col_0', 'col_1']]
Out[27]: col_0 col_1
row_0 1 a
row_1 2 b
row_2 3 c
使用to_frame()函数可以把序列转换为列数为1的DataFrame：
In [28]: df['col_0'].to_frame()
Out[28]: col_0
row_0 1
row_1 2
row_2 3
与Series类似，在DataFrame中同样可以取出相应的属性：
In [29]: df.values
Out[29]: array([[1, 'a', 1.2],
[2, 'b', 2.2],
[3, 'c', 3.2]], dtype=object)
In [30]: df.index
Out[30]: Index(['row_0', 'row_1', 'row_2'], dtype='object')
In [31]: df.columns
Out[31]: Index(['col_0', 'col_1', 'col_2'], dtype='object')
In [32]: df.dtypes # 返回的是值为相应列数据类型的Series
Out[32]: col_0 int64
col_1 object
col_2 float64
dtype: object
In [33]: df.shape # 返回一个元组
Out[33]: (3, 3)
通过“.T”可以把DataFrame的行列进行转置：
In [34]: df.T
Out[34]: row_0 row_1 row_2
col_0 1 2 3
col_1 a b c
col_2 1.2 2.2 3.2
当想要对列进行修改或者新增一列时，可以直接使用df[col_name]的方式：
In [35]: df["col_0"] = df['col_0'].values[::-1] # 颠倒顺序
df["col_2"] *= 2
df["col_3"] = ["apple",banaa", "cat"]
df
Out[35]: col_0 col_1 col_2 col_3
row_0 3 a 2.4 apple
row_1 2 b 4.4 banana
row_2 1 c 6.4 cat
当想要删除某一个列时，可以使用drop方法：
In [36]: df.drop(["col_3"], axis=1)
Out[36]: col_0 col_1 col_2
row_0 3 a 2.4
row_1 2 b 4.4
row_2 1 c 6.4
当axis取值为1时为删除列，而当axis取值为0时为删除行：
In [37]: df.drop(["row_1"], axis=0)
df
Out[37]: col_0 col_1 col_2 col_3
row_0 3 a 2.4 apple
row_2 1 c 6.4 cat
注解
Series或DataFrame的绝大多数方法在默认参数下都不会改变原表，而是返回一个临时拷贝。当真正需要在df上删除时，使用赋值语句df=df.drop(...)即可。
同时，利用[col_list]的方式来选出需要的列可以做到如上的等价筛选：
In [38]: df = df[df.columns[:-1]]
df
Out[38]: col_0 col_1 col_2
row_0 3 a 2.4
row_1 2 b 4.4
row_2 1 c 6.4
