为什么使用Pandas？数据结构及基本使用操作

　　1Pandas介绍
　　2008年WesMcKinney开发出的库 专门用于数据挖掘的开源python库 以 Numpy 为基础，借力 Numpy 模块在计算方面性能高的优势 基于 matplotlib ，能够简便的画图 独特的数据结构 2为什么使用Pandas
　　Numpy已经能够帮助我们处理数据，能够结合matplotlib解决部分数据展示等问题，那么pandas学习的目的在什么地方呢？
　　增强图表可读性 回忆我们在numpy当中创建学生成绩表样式： 返回结果
　　如果数据展示为这样，可读性就会更友好：
　　便捷的数据处理能力
　　读取文件方便
　　封装了Matplotlib、Numpy的画图和计算 3 Pandas数据结构
　　Pandas中一共有三种数据结构，分别为：Series、DataFrame和MultiIndex（老版本中叫Panel ）。 其中Series是一维数据结构，DataFrame是二维的表格型数据结构，MultiIndex是三维的数据结构。
　　1.Series
　　Series是一个类似于一维数组的数据结构，它能够保存任何类型的数据，比如整数、字符串、浮点数等，主要由一组数据和与之相关的索引两部分构成。
　　Series的创建
　　参数： data：传入的数据，可以是ndarray、list等 index：索引，必须是唯一的，且与数据的长度相等。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。 dtype：数据的类型
　　通过已有数据创建 指定内容，默认索引 pd.Series(np.arange(10))
　　指定索引 pd.Series([6.7,5.6,3,10,2], index=[1,2,3,4,5])
　　通过字典数据创建
　　1.2 Series 的属性
　　为了更方便地操作Series对象中的索引和数据， Series 中提供了两个属性 index 和 values index
　　values
　　也可以使用索引来获取数据：
　　2.DataFrame
　　DataFrame是一个类似于二维数组或表格(如excel)的对象，既有行索引，又有列索引 行索引，表明不同行，横向索引，叫index，0轴，axis=0 列索引，表名不同列，纵向索引，叫columns，1轴，axis=1
　　2.1 DataFrame 的创建
　　参数： index：行标签。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。 columns：列标签。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。
　　通过已有数据创建
　　举例一： pd.DataFrame(np.random.randn(2,3))
　　回忆咱们在前面直接使用np创建的数组显示方式，比较两者的区别。
　　举例二：创建学生成绩表
　　但是这样的数据形式很难看到存储的是什么的样的数据，可读性比较差！！
　　问题：如何让数据更有意义地显示？
　　给分数数据增加行列索引,显示效果更佳
　　效果：
　　增加行、列索引
　　2.2 DataFrame 的属性 shap
　　index
　　DataFrame的行索引列表
　　columns
　　DataFrame的列索引列表
　　values
　　直接获取其中array的值
　　T
　　转置
　　结果
　　head(5) ：显示前5行内容
　　如果不补充参数，默认5行。填入参数N则显示前N行
　　tail(5) :显示后5行内容
　　如果不补充参数，默认5行。填入参数N则显示后N行
　　2.3 DatatFrame 索引的设置
　　需求：
　　2.3.1  修改行列索引值
　　注意：以下修改方式是错误的
　　2.3.2  重设索引
　　reset_index(drop=False) 设置新的下标索引 drop:默认为False，不删除原来索引，如果为True,删除原来的索引值
　　2.3.3  以某列值设置为新的索引
　　set_index(keys, drop=True) keys  : 列索引名成或者列索引名称的列表 drop  : boolean, default True.当做新的索引，删除原来的列
　　设置新索引案例
　　1、创建
　　2、以月份设置新的索引
　　3、设置多个索引，以年和月份
　　注：通过刚才的设置，这样DataFrame就变成了一个具有MultiIndex的DataFrame。
　　3.MultiIndex 与 Panel
　　3.1 MultiIndex
　　MultiIndex是三维的数据结构;
　　多级索引（也称层次化索引）是pandas的重要功能，可以在Series、DataFrame对象上拥有2个以及2个以上的索引。
　　3.1.1 multiIndex 的特性
　　打印刚才的df的行索引结果
　　多级或分层索引对象。
　　index属性 names:levels的名称 levels：每个level的元组值
　　3.1.2 multiIndex 的创建
　　3.2 Panel
　　3.2.1 panel 的创建
　　class  pandas.Panel ( data=None ,  items=None ,  major_axis=None ,  minor_axis=None ) 作用：存储3维数组的Panel结构 参数：
　　data  : ndarray或者dataframe
　　items  : 索引或类似数组的对象，axis=0
　　major_axis  : 索引或类似数组的对象，axis=1
　　minor_axis  : 索引或类似数组的对象，axis=2
　　3.2.2  查看 panel 数据
　　注： Pandas 从版本 0.20.0 开始弃用：推荐的用于表示 3D 数据的方法是通过 DataFrame 上的 MultiIndex 方法 4 基本数据操作
　　为了更好地理解这些基本操作，我们将读取一个真实的股票数据。关于文件操作，后面在介绍，这里只先用一下API
　　1  索引操作
　　Numpy当中我们已经讲过使用索引选取序列和切片选择，pandas也支持类似的操作，也可以直接使用列名、行名称，甚至组合使用。
　　1.1  直接使用行列索引 ( 先列后行 )
　　获取＂2018-02-27＂这天的＂close＂的结果
　　1.2  结合 loc 或者 iloc 使用索引
　　获取从＂2018-02-27＂:＂2018-02-22＂，＂open＂的结果
　　1.3  使用 ix 组合索引
　　Warning:Starting in 0.20.0, the .ix indexer is deprecated, in favor of the more strict .iloc and .loc indexers.
　　获取行第1天到第4天，[＂open＂, ＂close＂, ＂high＂, ＂low＂]这个四个指标的结果
　　2  赋值操作
　　对DataFrame当中的close列进行重新赋值为1
　　3  排序
　　排序有两种形式，一种对于索引进行排序，一种对于内容进行排序
　　使用df.sort_index给索引进行排序
　　这个股票的日期索引原来是从大到小，现在重新排序，从小到大
　　3.2 Series 排序 使用series.sort_values(ascending=True)进行排序
　　series排序时，只有一列，不需要参数
　　使用series.sort_index()进行排序
　　与df一致