Pandas的兩個常用工具資料結構：Series和DataFrame
1.1Series
Series是一種一維的陣列型物件，它包含了一個值序列（與NumPy中的型別相似），並且包含了資料標籤，稱為索引（index）。它還具有額外的統計功能。
最簡單的序列可以僅僅由一個數組形成：
索引在左邊，值在右邊。由於不為資料指定索引，預設生成的索引是從0到N-1(N為資料的長度)。
可以分別通過values和index屬性分別獲取Series物件的值和索引。
通常需要建立一個索引序列，用標籤標識每個資料點：
與NumPy相比，可以在從資料中選擇資料的時候使用標籤來進行索引。
使用NumPy的函式或NumPy風格的操作，比如使用布林值陣列進行過濾，與標量相乘，或是應用數學函式，這些操作將儲存索引值連線：
另一方面，可以認為Series是一個長度固定且有序的字典，因為它將索引值和資料值按位置配對。
在你可能會使用字典的上下文中，也可以使用Series:
如果你已經有資料包含在Python字典中，你可以使用字典生成一個Series:
當將字典傳遞給Series建構函式時，產生的Series的索引將是排序好的字典鍵。字典鍵可以按照所需要的順序傳遞給建構函式，從而使生成的Series的索引順序符合預期：
'California'沒有出現在sdata的鍵中，且對應值為NaN(not a number)，這是pandas中標記缺失值或NA值的方式。因為‘Utah’並不在states中，它被排除在結果物件外。
pandas中使用isnull和notnull函式來檢查缺失資料：
在數學操作中自動對齊索引也是Series的一個非常有用的特性。這個特性與資料庫的join操作是非常相似的。
Series物件自身和其索引都有name屬性
Series的索引可以通過按位置賦值的方式進行改變：
1.2DataFrame
DataFrame表示的是矩陣的資料表，它包含已排序的列集合，每一列可以是不同的值型別（數值、字串、布林值等）。DataFrame既有行索引也有列索引，它可以被視為一個共享相同索引的Series的字典。在DateFrame中，資料被儲存在一個以上的二維塊，而不是列表、字典或其他一維陣列的集合。
儘管DataFrame是二位的，但可以列用分層索引在DateFrame中展現更高維度的資料。
對於大型DataFrame,head方法將會只選出頭部的五行：frame.head()
如果指定了列的順序，DateFrame的列將會按照指定順序排列：pd.DataFrame(data,columns=['year','state','pop']
如果你傳的列不包含在字典中，將會在結果中出現缺失值：
DateFrame中的一列，可以按字典型標記或屬性那樣檢索為Series:
frame2[column]對於任意列名均有效，但是frame2.column只在列名是有效的Python變數名時有效。
返回的Series與原DataFrame有相同的索引，且Series的name屬性也會被合理地設定。
行也可以通過位置或特殊屬性loc進行選取：
列的引用是可以修改的。空的‘debt'列可以賦值為標量值或值陣列：
將列表或陣列賦值給一個列時，值的長度必須和DataFrame的長度相匹配。
如果將Series賦值給一列時，Series的索引將會按照DataFrame的索引重新排列，並在孔雀的地方填充缺失值
如果被賦值的列並不存在，則會生成一個新的列。del關鍵字可以像在字典中那樣對DataFrame刪除列。
在del的例子中，首先增加一列，這一列是布林值，判斷條件是state列是否為'ohio':
del方式可以用於移除之前新建的列：
從DataFrame中選取的列是資料的檢視，而不是拷貝。因此，對Series的修改會對映到DataFrame中。如果需要賦值，則應當顯式地使用Series的copy方法。
另一種常用的資料形式是包含字典的巢狀字典。
如果巢狀字典被賦值給DataFrame，pandas會將字典的鍵作為列，將內部字典的鍵作為行索引：
也可以使用類似NumPy的語法對DataFrame進行轉置操作（調換行和列）：
如果已經顯式指明索引的話，內部字典的鍵將不會被排序：pd.DataFrame(pop,index=[2001,2002,2003])
包含Series的字典也可以用於構造DataFrame:
如果DataFrame的索引和列擁有name屬性，則這些name屬性也會被顯示：
和Series類似，DataFrame的values屬性會將包含在DataFrame中的資料以二維ndarray的形式返回：
如果DataFrame的列是不同的dtypes，則values的dtype會自動選擇適合所有列的型別：