在pandas中有两类非常重要的数据结构，即序列Series和数据框DataFrame。Series类似于numpy中的一维数组，除了通吃一维数组可用的函数或方法，而且其可通过索引标签的方式获取数据，还具有索引的自动对齐功能；DataFrame类似于numpy中的二维数组，同样可以通用numpy数组的函数和方法，而且还具有其他灵活应用，后续会介绍到。

序列的创建主要有三种方式：

1. import numpy as np, pandas as pd

2. arr1 = np.arange(10)

3. arr1

4. type(arr1)

5. s1 = pd.Series(arr1)

6. s1

7. type(s1)

1. dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50}

2. dic1

3. type(dic1)

4. s2 = pd.Series(dic1)

5. s2

6. type(s2)

这部分内容我们放在后面讲，因为下面就开始将DataFrame的创建。

数据框的创建主要有三种方式：

1. arr2 = np.array(np.arange(12)).reshape(4,3)

2. arr2

3. type(arr2)

4. df1 = pd.DataFrame(arr2)

5. df1

6. type(df1)

以下以两种字典来创建数据框，一个是字典列表，一个是嵌套字典。

1. dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],

2. 'c':[9,10,11,12],'d':[13,14,15,16]}

3. dic2

4. type(dic2)

5. df2 = pd.DataFrame(dic2)

6. df2

7. type(df2)

8. dic3 = {'one':{'a':1,'b':2,'c':3,'d':4},

9. 'two':{'a':5,'b':6,'c':7,'d':8},

10. 'three':{'a':9,'b':10,'c':11,'d':12}}

11. dic3

12. type(dic3)

13. df3 = pd.DataFrame(dic3)

14. df3

15. type(df3)

1. df4 = df3[['one','three']]

2. df4

3. type(df4)

4. s3 = df3['one']

5. s3

6. type(s3)

细致的朋友可能会发现一个现象，不论是序列也好，还是数据框也好，对象的最左边总有一个非原始数据对象，这个是什么呢？不错，就是我们接下来要介绍的索引。
在我看来，序列或数据框的索引有两大用处，一个是通过索引值或索引标签获取目标数据，另一个是通过索引，可以使序列或数据框的计算、操作实现自动化对齐，下面我们就来看看这两个功能的应用。

1. s4 = pd.Series(np.array([1,1,2,3,5,8]))
2. s4

如果不给序列一个指定的索引值，则序列自动生成一个从0开始的自增索引。可以通过index查看序列的索引：

1. s4.index

现在我们为序列设定一个自定义的索引值：

1. s4.index = ['a','b','c','d','e','f']
2. s4

序列有了索引，就可以通过索引值或索引标签进行数据的获取：

1. s4[3]
2. s4['e']
3. s4[[1,3,5]]
4. s4[['a','b','d','f']]
5. s4[:4]
6. s4['c':]
7. s4['b':'e']

千万注意：如果通过索引标签获取数据的话，末端标签所对应的值是可以返回的！在一维数组中，就无法通过索引标签获取数据，这也是序列不同于一维数组的一个方面。

如果有两个序列，需要对这两个序列进行算术运算，这时索引的存在就体现的它的价值了—自动化对齐.

1. s5 = pd.Series(np.array([10,15,20,30,55,80]),

2. index = ['a','b','c','d','e','f'])

3. s5

4. s6 = pd.Series(np.array([12,11,13,15,14,16]),

5. index = ['a','c','g','b','d','f'])

6. s6

7. s5 + s6

8. s5/s6

由于s5中没有对应的g索引，s6中没有对应的e索引，所以数据的运算会产生两个缺失值NaN。注意，这里的算术结果就实现了两个序列索引的自动对齐，而非简单的将两个序列加总或相除。对于数据框的对齐，不仅仅是行索引的自动对齐，同时也会自动对齐列索引（变量名）

数据框中同样有索引，而且数据框是二维数组的推广，所以其不仅有行索引，而且还存在列索引，关于数据框中的索引相比于序列的应用要强大的多，这部分内容将放在数据查询中讲解。

这里的查询数据相当于R语言里的subset功能，可以通过布尔索引有针对的选取原数据的子集、指定行、指定列等。我们先导入一个student数据集：

1. student = pd.io.parsers.read_csv('C:\\Users\\admin\\Desktop\\student.csv')

查询数据的前5行或末尾5行

1. student.head()
2. student.tail()

查询指定的行

1. student.ix[[0,2,4,5,7]] #这里的ix索引标签函数必须是中括号[]

查询指定的列

1. student[['Name','Height','Weight']].head() #如果多个列的话，必须使用双重中括号

也可以通过ix索引标签查询指定的列

1. student.ix[:,['Name','Height','Weight']].head()

查询指定的行和列

1. student.ix[[0,2,4,5,7],['Name','Height','Weight']].head()

以上是从行或列的角度查询数据的子集，现在我们来看看如何通过布尔索引实现数据的子集查询。
查询所有女生的信息

1. student[student['Sex']=='F']

查询出所有12岁以上的女生信息

1. student[(student['Sex']=='F') & (student['Age']>12)]

查询出所有12岁以上的女生姓名、身高和体重

1. student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']]

上面的查询逻辑其实非常的简单，需要注意的是，如果是多个条件的查询，必须在&（且）或者|（或）的两端条件用括号括起来。

pandas模块为我们提供了非常多的描述性统计分析的指标函数，如总和、均值、最小值、最大值等，我们来具体看看这些函数：
首先随机生成三组数据

1. np.random.seed(1234)

2. d1 = pd.Series(2*np.random.normal(size = 100)+3)

3. d2 = np.random.f(2,4,size = 100)

4. d3 = np.random.randint(1,100,size = 100)

5. d1.count() #非空元素计算

6. d1.min() #最小值

7. d1.max() #最大值

8. d1.idxmin() #最小值的位置，类似于R中的which.min函数

9. d1.idxmax() #最大值的位置，类似于R中的which.max函数

10. d1.quantile(0.1) #10%分位数

11. d1.sum() #求和

12. d1.mean() #均值

13. d1.median() #中位数

14. d1.mode() #众数

15. d1.var() #方差

16. d1.std() #标准差

17. d1.mad() #平均绝对偏差

18. d1.skew() #偏度

19. d1.kurt() #峰度

20. d1.describe() #一次性输出多个描述性统计指标

必须注意的是，descirbe方法只能针对序列或数据框，一维数组是没有这个方法的

这里自定义一个函数，将这些统计描述指标全部汇总到一起:

1. def stats(x):
2. return pd.Series([x.count(),x.min(),x.idxmin(),
3. x.quantile(.25),x.median(),
4. x.quantile(.75),x.mean(),
5. x.max(),x.idxmax(),
6. x.mad(),x.var(),
7. x.std(),x.skew(),x.kurt()],
8. index = ['Count','Min','Whicn_Min',
9. 'Q1','Median','Q3','Mean',
10. 'Max','Which_Max','Mad',
11. 'Var','Std','Skew','Kurt'])
12. stats(d1)

在实际的工作中，我们可能需要处理的是一系列的数值型数据框，如何将这个函数应用到数据框中的每一列呢？可以使用apply函数，这个非常类似于R中的apply的应用方法。
将之前创建的d1,d2,d3数据构建数据框:

1. df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3'])
2. df.head()
3. df.apply(stats)

非常完美，就这样很简单的创建了数值型数据的统计性描述。如果是离散型数据呢？就不能用这个统计口径了，我们需要统计离散变量的观测数、唯一值个数、众数水平及个数。你只需要使用describe方法就可以实现这样的统计了。

1. student['Sex'].describe()

除以上的简单描述性统计之外，还提供了连续变量的相关系数（corr）和协方差矩阵（cov）的求解，这个跟R语言是一致的用法。

1. df.corr()

关于相关系数的计算可以调用pearson方法或kendell方法或spearman方法，默认使用pearson方法。

1. df.corr('spearman')

如果只想关注某一个变量与其余变量的相关系数的话，可以使用corrwith,如下方只关心x1与其余变量的相关系数:

1. df.corrwith(df['x1'])

数值型变量间的协方差矩阵

如有侵权，请联系删除。