定義：pandas是基於NumPy陣列構建的，使資料預處理、清洗、分析工作變得更快更簡單。pandas是專門為處理表格和混雜資料設計的，而NumPy更適合處理統一的數值陣列資料。

import pandas as pd

資料結構：Series | DataFrame。

Series：pd.Series(list,index=[ ]) 類似於一維陣列的得物件，是由一組資料+一列索引組成。可以使用切片，運算等操作，類似於ndarray。

DataFrame：pd.DataFrame(data,columns = [ ],index = [ ]) 是一個表格形的資料型別。常用型別。axis = 1 列 axis = 0 行

資料轉換：

1：pd.DataFrame(Series) 可以把Series結構變為DataFrame。

2：DataFrame.values 可以把DataFrame結構變為 一個numpy 的ndarray。也可以通過索引或者列名獲得一個Series。df['列名'] 或者 df.列名。

常用方法：

1，df.reset_index(drop=True) 重置索引，會建立一個新物件。預設保留原來索引，加上drop=True刪除原來索引。

2，df.set_index() 設定一列索引。

3，df.drop() 刪除指定行值或列值（axis = 1 列 axis = 0 行，預設為行）。

df.drop(index=df[df["
 
價格"].isnull()].index, inplace=True) # 例如：刪除價格為空的所有行

4，del df['列'] 刪除一列值。


5，df.dropna() 刪除指定的行或者列 為空 的值。

6，df.drop_duplicated() 刪除重複值，可指定列，指定保留第一行，或者最後一行。

7，df.loc['行','列'] 通過標籤定位資料，df.iloc[:] 通過索引定位資料。

8，df.sort_values('列',axis=0, ascending=True) 排序。Series不需要引數列，ascending預設True升序。

9，df.describe() 快速列出資料的概要，多個維度的彙總統計。

10，df.info() 索引，資料型別，記憶體資訊等。

11，df.unique() 返回一個Series裡面唯一值組成的陣列。

12，df.sum() 計算一列的和。

13，df.count() 計算非NaN值的總量。

14，df.mean() 計算一列的平均值。

15，df.median() 計算一列的中位數。

16，df.mode() 計算一列的眾數。

17，df.var() 計算一列的方差。

18，df.std() 計算一列的標準差。

19，df.min() 計算一列的最小值。

20，df.max() 計算一列的最大值。

21，df.value_counts() 計算一列中資料出現的頻率。

22，df.groupby() 分組。

23，df.head() 取出資料的前幾行。

24，df.tail() 取出資料的後幾行。

25，read_csv()，read_excel()，read_sql()，read_json()，read_html() 等.... pandas提供的讀取資料方法。

26，to_excel() 寫入excel檔案，可以用pd.ExcelWriter()申明物件儲存多個sheet。

27，pd.contact() ，pd.append() 行資料合併拼接，只在axis = 0上操作。

28，pd.merge() 資料關聯操作，類sql,可以設定關聯方向：left, right,inner,outer。 join()類merge，但是隻能在索引關聯。

29，pd.rename(columns={'原名':'修改名'}, inplace = True) 修改列名。

30，df['列'].fillna(0) 把一列裡面為空的賦值為0.

31，df['列'].astype(int) 轉換一列資料型別。

32，df.agg() 指定列或者行上 一個或者多個操作資料聚合。

...後續陸續加入