首先pandas的作者就是这本书的作者 对于Numpy，我们处理的对象是矩阵 pandas是基于numpy进行封装的，pandas的处理对象是二维表（tabular, spreadsheet-like），和矩阵的区别就是，二维表是有元数据的 用这些元数据作为index更方便，而Numpy只有整形的index，但本质是一样的，所以大部分操作是共通的
大家碰到最多的二维表应用，关系型数据库中的表，有列名和行号，这些就是元数据 当然你可以用抽象的矩阵来对这些二维表做统计，但使用pandas会更方便
Series
A Series is a one-dimensional array-like object containing an array of data (of any NumPy data type) and an associated array of data labels, called its index. 简单的理解，就是字典，或一维表；不显式指定index时，会自动添加 0 through N - 1的整数作为index
这里可以简单的替换index，生成新的series，
大家想想，对于Numpy而言，没有显式的指定index，但也是可以通过整形的index取到数据的，这里的index其实本质上和numpy的整形index是一样的 所以对于Numpy的操作，也同样适用于pandas
同时，上面说了series其实就是字典，所以也可以用python字典来初始化
DataFrame
A DataFrame represents a tabular, spreadsheet-like data structure containing an ordered collection of columns, each of which can be a different value type (numeric, string, boolean, etc.).
如果接触过R，应该对DataFrame很熟悉，其实pandas就从某种程度上模拟出R的一些功能 所以如果用python也可以像R一样方便的做统计，那何必要再去用R
上面Series是字典或一维表， DataFrame是二维表，也可以看作是series的字典
指定了列名，行名是自动生成的
同时也可以指定行名，这里增加了debt列，但是没有数据，所以是NaN
可以为debt，赋值
取行，用ix
也可以用嵌套字典来创建Dataframe，其实是series的字典，series本身就是字典，所以就是嵌套的字典
可以像numpy矩阵一样，转置
下面看看到底pandas在这些数据结构上提供了哪些方便的functions
Reindexing
A critical method on pandas objects is reindex, which means to create a new object with the data conformed to a new index.
其实就是更改indexing
增加e，并默认填上0
还可以通过method参数，来指定填充方式
可以选择向前或向后填充
对于二维表，可以在index和columns上同时进行reindex
reindex的参数，
Dropping entries from an axis
用axis指定维度，对于二维表，行是0，列是1
Indexing, selection, and filtering
基本和Numpy差不多
Arithmetic and data alignment
数据对齐和自动填充是pandas比较方便的一点
In [136]: df1 = DataFrame(np.arange(12.).reshape((3, 4)), columns=list('abcd')) In [137]: df2 = DataFrame(np.arange(20.).reshape((4, 5)), columns=list('abcde'))可以看到默认情况下，只有两个df都有的情况下，才会相加，否则为NaN 我觉得大部分情况，应该是希望有一个就加一个，即把没有的初始化为0
除了add，还支持
Function application and mapping
1. Element-wise：NumPy ufuncs (element-wise array methods) work fine with pandas objects:
另一种element-wise，使用applymap
2. 可以将func apply到每一行或每一列
比较复杂的case
3.对于某个行或列，即series进行map
提供很多类似R的统计函数，
提供类似R中的descirbe，很方便
对非数值型，执行describe
汇总表，
Correlation and Covariance，相关系数和协方差
对MSFT和IBM之间求相关系数和协方差
也可以求出相关系数矩阵和协方差矩阵
Unique Values, Value Counts, and Membership
In [217]: obj = Series(['c', 'a', 'd', 'a', 'a', 'b', 'b', 'c', 'c'])
In [218]: uniques = obj.unique() In [219]: uniques Out[219]: array([c, a, d, b], dtype=object)
In [220]: obj.value_counts() Out[220]: c 3 a 3 b 2 d 1
提供一些用于处理missing data的工具函数
其中fillna复杂些，
Hierarchical indexing is an important feature of pandas enabling you to have multiple (two or more) index levels on an axis. Somewhat abstractly, it provides a way for you to work with higher dimensional data in a lower dimensional form.
可以使用多层分级的index，其实本质等同于增加一维，所以相当于用低维来模拟高维数据
并且是支持，通过unstack和stack来还原多维数据的
Pandas还提供其他功能，尤其是ETL功能，方便数据处理
比如和各种文件读入和写出的功能
cleaning, transform(基于map), merge(join)……
本文章摘自博客园，原文发布日期：2014-08-12
相关资源：Pandas for Everyone Python Data Analysis -2018.pdf