前言
前面一篇文章我們介紹了numpy，但numpy的特長並不是在於資料處理，而是在它能非常方便地實現科學計算，所以我們日常對資料進行處理時用的numpy情況並不是很多，我們需要處理的資料一般都是帶有列標籤和index索引的，而numpy並不支援這些，這時我們就需要pandas上場啦！
Pandas
WHAT?
Pandas是基於Numpy構建的庫，在資料處理方面可以把它理解為numpy加強版，同時Pandas也是一項開源專案：Github 。不同於numpy的是，pandas擁有種資料結構：Series和DataFrame：
下面我們就來生成一個簡單的series物件來方便理解：
In [1]: from pandas import Series,DataFrame In [2]: import pandas as pd In [3]: data = Series([1,2,3,4],index = ['a','b','c','d']) In [4]: data Out[4]: a 1 b 2 c 3 d 4 dtype: int64
Series是一種類似一維陣列的資料結構，由一組資料和與之相關的index組成，這個結構一看似乎與dict字典差不多，我們知道字典是一種無序的資料結構，而pandas中的Series的資料結構不一樣，它相當於定長有序的字典，並且它的index和value之間是獨立的，兩者的索引還是有區別的，Series的index是可變的，而dict字典的key值是不可變的。
下面照例生成一個簡單的DataFrame物件：
In [8]: data = {'a':[1,2,3],'b':['we','you','they'],'c':['btc','eos','ae']}
In [9]: df = DataFrame(data)
In [10]: df
Out[10]:
a b c
0 1 we btc
1 2 you eos
2 3 they aeDataFrame這種資料結構我們可以把它看作是一張二維表，DataFrame長得跟我們平時使用的Excel表格差不多，DataFrame的橫行稱為columns，豎列和Series一樣稱為index，DataFrame每一列可以是不同型別的值集合，所以DataFrame你也可以把它視為不同資料型別同一index的Series集合。
WHY?
科學計算方面numpy是優勢，但在資料處理方面DataFrame就更勝一籌了，事實上DataFrame已經覆蓋了一部分的資料操作了，對於資料探勘來說，工作可大概分為讀取資料-資料清洗-分析建模-結果展示：
先說說讀取資料，Pandas提供強大的IO讀取工具，csv格式、Excel檔案、資料庫等都可以非常簡便地讀取，對於大資料，pandas也支援大檔案的分塊讀取；
接下來就是資料清洗，面對資料集，我們遇到最多的情況就是存在缺失值，Pandas把各種型別資料型別的缺失值統一稱為NaN（這裡要多說幾句，None==None這個結果是true，但np.nan==np.nan這個結果是false，NaN在官方文件中定義的是float型別，有關於NaN和None的區別以及使用，有位博主已經做好整理：None vs NaN）,Pandas提供許多方便快捷的方法來處理這些缺失值NaN。
最重要的分析建模階段，Pandas自動且明確的資料對齊特性，非常方便地使新的物件可以正確地與一組標籤對齊，有了這個特性，Pandas就可以非常方便地將資料集進行拆分-重組操作。
最後就是結果展示階段了，我們都知道Matplotlib是個資料檢視化的好工具，Pandas與Matplotlib搭配，不用複雜的程式碼，就可以生成多種多樣的資料檢視。
HOW？
Series
Series的兩種生成方式：
In [19]: data = Series([222,'btc',234,'eos']) In [20]: data Out[20]: 0 222 1 btc 2 234 3 eos dtype: object
雖然我們在生成的時候沒有設定index值，但Series還是會自動幫我們生成index，這種方式生成的Series結構跟list列表差不多，可以把這種形式的Series理解為豎起來的list列表。
In [21]: data = Series([1,2,3,4],index = ['a','b','c','d']) In [22]: data Out[22]: a 1 b 2 c 3 d 4 dtype: int64
這種形式的Series可以理解為numpy的array外面披了一件index的馬甲，所以array的相關操作，Series同樣也是支援的。結構非常相似的dict字典同樣也是可以轉化為Series格式的：
In [29]: dic = {'a':1,'b':2,'c':'as'}
In [30]: dicSeries = Series(dic)檢視Series的相關資訊：
In [32]: data.index Out[32]: Index(['a', 'b', 'c', 'd'], dtype='object') In [33]: data.values Out[33]: array([1, 2, 3, 4], dtype=int64) In [35]: 'a' in data #in方法預設判斷的是index值 Out[35]: True
Series的NaN生成：
In [46]: index1 = [ 'a','b','c','d']
In [47]: dic = {'b':1,'c':1,'d':1}
In [48]: data2 = Series(dic,index=index1)
In [49]: data2
Out[49]:
a NaN
b 1.0
c 1.0
d 1.0
dtype: float64從這裡我們可以看出Series的生成依據的是index值，index‘a’在字典dic的key中並不存在，Series自然也找不到’a’的對應value值，這種情況下Pandas就會自動生成NaN(not a number)來填補缺失值，這裡還有個有趣的現象，原本dtype是int型別，生成NaN後就變成了float型別了，因為NaN的官方定義就是float型別。
NaN的相關查詢：
In [58]: data2.isnull() Out[58]: a True b False c False d False dtype: bool In [59]: data2.notnull() Out[59]: a False b True c True d True dtype: bool In [60]: data2[data2.isnull()==True] #巢狀查詢NaN Out[60]: a NaN dtype: float64 In [64]: data2.count() #統計非NaN個數 Out[64]: 3
切記切記，查詢NaN值切記不要使用np.nan==np.nan這種形式來作為判斷條件，結果永遠是False，==是用作值判斷的，而NaN並沒有值，如果你不想使用上方的判斷方法，你可以使用is作為判斷方法，is是物件引用判斷，np.nan is np.nan，結果就是你要的True。
Series自動對齊：
In [72]: data1 Out[72]: a 1 asd 1 b 1 dtype: int64 In [73]: data Out[73]: a 1 b 2 c 3 d 4 dtype: int64 In [74]: data+data1 Out[74]: a 2.0 asd NaN b 3.0 c NaN d NaN dtype: float64
從上面兩個Series中不難看出各自的index所處位置並不完全相同，這時Series的自動對齊特性就發揮作用了，在算術運算中，Series會自動尋找匹配的index值進行運算，如果index不存在匹配則自動賦予NaN,值得注意的是，任何數+NaN=NaN,你可以把NaN理解為吸收一切的黑洞。
Series的name屬性：
In [84]: data.index.name = 'abc' In [85]: data.name = 'test' In [86]: data Out[86]: abc a 1 b 2 c 3 d 4 Name: test, dtype: int64
Series物件本身及其索引index都有一個name屬性，name屬性主要發揮作用是在DataFrame中，當我們把一個Series物件放進DataFrame中，新的列將根據我們的name屬性對該列進行命名，如果我們沒有給Series命名，DataFrame則會自動幫我們命名為0。
DataFrame
DataFrame的生成：
In [87]: data = {'name': ['BTC', 'ETH', 'EOS'], 'price':[50000, 4000, 150]}
In [88]: data = DataFrame(data)
In [89]: data
Out[89]:
name price
0 BTC 50000
1 ETH 4000
2 EOS 150DataFrame的生成與Series差不多，你可以自己指定index，也可不指定，DataFrame會自動幫你補上。
檢視DataFrame的相關資訊：
In [95]: data.index Out[95]: RangeIndex(start=0, stop=3, step=1) In [96]: data.values Out[96]: array([['BTC', 50000], ['ETH', 4000], ['EOS', 150]], dtype=object) In [97]: data.columns #DataFrame的列標籤 Out[97]: Index(['name', 'price'], dtype='object')
DataFrame的索引：
In [92]: data.name Out[92]: 0 BTC 1 ETH 2 EOS Name: name, dtype: object In [93]: data['name'] Out[93]: 0 BTC 1 ETH 2 EOS Name: name, dtype: object In [94]: data.iloc[1] #loc['name']查詢的是行標籤 Out[94]: name ETH price 4000 Name: 1, dtype: object
其實行索引，除了iloc，loc還有個ix，ix既可以進行行標籤索引，也可以進行行號索引，但這也大大增加了它的不確定性，有時會出現一些奇怪的問題，所以pandas在0.20.0版本的時候就把ix給棄用了。
DataFrame的常用操作：
簡單地增加行、列：
In [105]: data['type'] = 'token' #增加列 In [106]: data Out[106]: name price type 0 BTC 50000 token 1 ETH 4000 token 2 EOS 150 token In [109]: data.loc['3'] = ['ae',200,'token'] #增加行 In [110]: data Out[110]: name price type 0 BTC 50000 token 1 ETH 4000 token 2 EOS 150 token 3 ae 200 token
刪除行、列操作：
In [117]: del data['type'] #刪除列 In [118]: data Out[118]: name price 0 BTC 50000 1 ETH 4000 2 EOS 150 3 ae 200 In [120]: data.drop([2]) #刪除行 Out[120]: name price 0 BTC 50000 1 ETH 4000 3 ae 200 In [121]: data Out[121]: name price 0 BTC 50000 1 ETH 4000 2 EOS 150 3 ae 200
這裡需要注意的是，使用drop（）方法返回的是Copy而不是檢視，要想真正在原資料裡刪除行，就要設定inplace=True：
In [125]: data.drop([2],inplace=True) In [126]: data Out[126]: name price 0 BTC 50000 1 ETH 4000 3 ae 200
設定某一列為index：
In [131]: data.set_index(['name'],inplace=True) In [132]: data Out[132]: price name BTC 50000 ETH 4000 ae 200 In [133]: data.reset_index(inplace=True) #將index返回回dataframe中 In [134]: data Out[134]: name price 0 BTC 50000 1 ETH 4000 2 ae 200
處理缺失值：
In [149]: data Out[149]: name price 0 BTC 50000.0 1 ETH 4000.0 2 ae 200.0 3 eos NaN In [150]: data.dropna() #丟棄含有缺失值的行 Out[150]: name price 0 BTC 50000.0 1 ETH 4000.0 2 ae 200.0 In [151]: data.fillna(0) #填充缺失值資料為0 Out[151]: name price 0 BTC 50000.0 1 ETH 4000.0 2 ae 200.0 3 eos 0.0
還是需要注意：這些方法返回的是copy而不是檢視，如果想在原資料上改變，別忘了inplace=True。
資料合併：
In [160]: data Out[160]: name price 0 BTC 50000.0 1 ETH 4000.0 2 ae 200.0 3 eos NaN In [161]: data1 Out[161]: name other 0 BTC 50000 1 BTC 4000 2 EOS 150 In [162]: pd.merge(data,data1,on='name',how='left') #以name為key進行左連線 Out[162]: name price other 0 BTC 50000.0 50000.0 1 BTC 50000.0 4000.0 2 ETH 4000.0 NaN 3 ae 200.0 NaN 4 eos NaN NaN
平時進行資料合併操作，更多的會出一種情況，那就是出現重複值，DataFrame也為我們提供了簡便的方法：
data.drop_duplicates(inplace=True)
資料的簡單儲存與讀取：
In [165]: data.to_csv('test.csv')
In [166]: pd.read_csv('test.csv')
Out[166]:
Unnamed: 0 name price
0 0 BTC 50000.0
1 1 ETH 4000.0
2 2 ae 200.0
3 3 eos NaN為什麼會出現這種情況呢，從頭看到尾的同學可能就看出來了，增加第三行時，我用的是loc[‘3’]行標籤來增加的，而read_csv方法是預設index是從0開始增長的，此時只需要我們設定下index引數就ok了：
In [167]: data.to_csv('test.csv',index=None) #不儲存行索引
In [168]: pd.read_csv('test.csv')
Out[168]:
name price
0 BTC 50000.0
1 ETH 4000.0
2 ae 200.0
3 eos NaN其他的還有header引數，這些引數都是我們在儲存資料時需要注意的。
總結
pandas的操作和方法肯定遠遠不止於這些，檢視這些方法最好的方法就是檢視官方文件，pandas還有許多強大有用的方法，例如大資料讀取，時間序列等等，這些就靠大家自己去pandas官方文件好好挖掘了。
才學疏淺，歡迎評論指導
參考資料：