Python笔记：pandas之基础概念与Series、DataFrame的创建pandas是什么
  ⼀个使数据清洗和分析⼯作变得更快更简单的数据结构和操作⼯具。
  pandas是基于numpy数组构建的。
pandas的安装
pip install pandas
pandas的导⼊
import pandas as pd
from pandas import Series, DataFrame
pandas的数据结构
Series
Series是⼀种类似于⼀维数组的对象，它由⼀组数据以及⼀组与之相关的数据标签（即索引）组成。
Series的字符串表现形式为：索引在左边，值在右边。
如果没有为数据指定索引，Series会⾃动创建⼀个0到N-1（N为数据的长度）的整数型索引。
可以通过Series的index和values属性获取其数组表⽰形式和索引对象。
通过参数关键词index⾃定义索引，但长度要和数组的长度⼀致：
通过index⽅法修改索引：
通过索引的⽅式选取Series中的单个或⼀组值：
可以使⽤numpy函数或类似numpy的运算，⽽且会保留索引值的链接
还可以将Series看成是⼀个长度固定的有序字典，因为它是索引值到数据值的⼀个映射。
它可以⽤在许多原本需要字典参数的函数中。
如果数据被保存在⼀个Python字典中，也可以直接通过这个字典来创建Series，如果只传⼊⼀个字典，则结果Series中的索引就是原字典的键（有序排列），可以通过参数关键词index传⼊排好序的字典的键以改变顺序。
#以下三个⽅法可以检测缺失数据
pd.isnull(ser)
ser.isnull()
对于许多应⽤⽽⾔，Series最重要的⼀个功能是，它会根据运算的索引标签⾃动对齐数据。
Series对象本⾝及其索引都有⼀个name属性，该属性跟pandas其他的关键功能关系⾮常密切：
DataFrame
DataFrame是⼀个表格型的数据结构，它含有⼀组有序的列，每列可以是不同的值类型。
DataFrame既有⾏索引也有列索引，它可以被看做是由Series组成的字典（共⽤同⼀个索引）。
DataFrame中的数据是以⼀个或多个⼆维块存放的（⽽不列表、字典或别的⼀维数据结构）。
创建DataFrame的⽅法有很多，最常⽤的⼀种是直接传⼊⼀个由等长列表或Numpy数组组成的字典：
结果DataFrame会⾃动加上索引，且全部列会被有序排列。
对于特别⼤的DataFrame，可以使⽤head⽅法选取前五⾏：
frame.head()
通过关键字参数指定列的顺序，如果传⼊的列在数据中不到，就会在结果中产⽣缺失值：
通过类似字典标记的⽅式或属性的⽅式，可以将DataFrame的列获取为⼀个Series：python index函数
列的值可以通过赋值的⽅式进⾏修改：
将列表或数组赋值给某个列时，其长度必须与DataFrame的长度⼀致，如果赋值的是⼀个Series，就会精确匹配DataFrame的索引，所有的空位都将被填上缺失值。
为不存在的列赋值会创建出新的列。
关键字del⽤于删除列：
del frame['address']
使⽤嵌套字典创建DataFrame，嵌套字典外层的键作为列，内层键则作为⾏索引：
使⽤⽅法T对DataFrame进⾏转置（交换⾏与列）：
frame.T
DataFrame构造函数所能接受的各种数据：
  ⼆维ndarray
  由数组、列表或元组组成的字典
  Numpy的结构化/记录数组
  由Series组成的字典
  由字典组成的字典
  字典或Series的列表
  由列表或元组组成的列表
  另⼀个DataFrame
  Numpy的MaskedArry
如果设置了DataFrame的index和columns的name属性，则这些信息也会被显⽰出来。
和Series⼀样，values属性也会以⼆维ndarray的形式返回DataFrame中的数据。