一、pandas之DataFrame对象
DataFrame这种列表式数据结构跟excel表相似，其设计初衷是将Series的使用场景由一维扩展到多维，DataFrame由按一定顺序排列的多列数据组成，各列的数据类型可以有所不同.
DataFrame对象有两个索引数组( index和columns)，第一个数组与行相关，它与Series的索引数组极为相似，每个索引值都跟所在的一行相关联，第二个数组包含一系列列标签(每个值相当于列名), DataFrame可以理解为一个由Series组成的字典，其中每一列的名称作为字典的键，形成DataFrame的列的Series作为字典的值，每个Series的所有元素映射到叫Index的标签数组中.
使用字典构造DataFrame对象,字典的键为columns的值，字典的值为columns的值对应的Series对象.
如果用来创建DataFrame的dict中存在你不需要的数据，你可以指定columns参数来构造DataFrame对象，新建的DataFrame各列顺序与你指定的列顺序一样.
也可以指定index参数构造DataFrame对象，如果没有指定，默认是从0开始依次递增的数组.
二、Pandas-DataFrame基础知识点总结
DataFrame是一种表格型数据结构，它含有一组有序的列，每列可以是不同的值。DataFrame既有行索引，也有列索引，它可以看作是由Series组成的字典，不过这些Series公用一个索引。
DataFrame的创建有多种方式，不过最重要的还是根据dict进行创建，以及读取csv或者txt文件来创建。这里主要介绍这两种方式。
根据字典创建
DataFrame的行索引是index，列索引是columns，我们可以在创建DataFrame时指定索引的值：
使用嵌套字典也可以创建DataFrame，此时外层字典的键作为列，内层键则作为索引:
我们可以用index，columns，values来访问DataFrame的行索引，列索引以及数据值，数据值返回的是一个二维的ndarray
读取文件
读取文件生成DataFrame最常用的是read_csv,read_table方法。该方法中几个重要的参数如下所示：
其他创建DataFrame的方式有很多，比如我们可以通过读取mysql或者mongoDB来生成，也可以读取json文件等等，这里就不再介绍。
在DataFrame的处理中经常会遇到轴的概念，这里先给大家一个直观的印象，我们所说的axis=0即表示沿着每一列或行标签\索引值向下执行方法，axis=1即表示沿着每一行或者列标签模向执行对应的方法。
索引、切片
我们可以根据列名来选取一列，返回一个Series:
我们还可以选取多列或者多行：
当然，在选取数据的时候，我们还可以根据逻辑条件来选取：
pandas提供了专门的用于索引DataFrame的方法，即使用ix方法进行索引,不过ix在最新的版本中已经被废弃了，如果要是用标签，最好使用loc方法，如果使用下标，最好使用iloc方法：
修改数据
可以使用一个标量修改DataFrame中的某一列，此时这个标量会广播到DataFrame的每一行上:
也可以使用一个列表来修改，不过要保证列表的长度与DataFrame长度相同：
可以使用一个Series，此时会根据索引进行精确匹配：
重新索引
使用reindex方法对DataFrame进行重新索引。对DataFrame进行重新索引，可以重新索引行，列或者两个都修改，如果只传入一个参数，则会从新索引行：
填充数据只能按行填充，此时只能对行进行重新索引：
丢弃指定轴上的值
可以使用drop方法丢弃指定轴上的值，不会对原DataFrame产生影响
算术运算
DataFrame在进行算术运算时会进行补齐，在不重叠的部分补足NA：
可以使用fill_value方法填充NA数据，不过两个df中都为NA的数据，该方法不会填充：
函数应用和映射
numpy的元素级数组方法，也可以用于操作Pandas对象:
另一个常见的操作是，将函数应用到由各列或行所形成的一维数组上。DataFrame的apply方法即可实现此功能。
元素级的Python函数也是可以用的,使用applymap方法:
排序和排名
对于DataFrame,sort_index可以根据任意轴的索引进行排序，并指定升序降序
DataFrame也可以按照值进行排序：
汇总和计算描述统计
DataFrame中的实现了sum、mean、max等方法,我们可以指定进行汇总统计的轴，同时，也可以使用describe函数查看基本所有的统计项：
DataFrame也实现了corr和cov方法来计算一个DataFrame的相关系数矩阵和协方差矩阵，同时DataFrame也可以与Series求解相关系数。
处理缺失数据
Pandas中缺失值相关的方法主要有以下三个：
isnull方法用于判断数据是否为空数据；
fillna方法用于填补缺失数据；
dropna方法用于舍弃缺失数据。
上面两个方法返回一个新的Series或者DataFrame，对原数据没有影响,如果想在原数据上进行直接修改，使用inplace参数：
对DataFrame来说，dropna方法如果发现缺失值，就会进行整行删除，不过可以指定删除的方式，how=all，是当整行全是na的时候才进行删除,同时还可以指定删除的轴。
DataFrame填充缺失值可以统一填充，也可以按列填充，或者指定一种填充方式：
三、Pandas系列1***DataFrame之初始化
DataFrame有多种初始化方法，主要分为以下几种情况：
下面分别介绍：
这又分为以下几种方式
总的来说，如果容器对象是一个list，那么其中的item就是一条行记录，而如果是dict，那么就相当于列记录，即key对应的是column name，而values即为这一列的值，而values一般可以通过list存储，也可以通过Series对象存储。
通过1D data series初始化的时候，如果有多列，那么需要等长
注意与上边的dict of lists区分，如果最外层是dict，那么key值默认是column label。
而在list of dicts中，每个dict都是一个record，或者说一行
pandas通过各种数据文件也可以初始化，比如csv文件，excel文件，json文件，html文件等，详见下图
下面以 read_csv详细解释下读取csv文件以及初始化的过程
read_csv的完整文档参考 read_csv api，下面通过示例对常用的parameter进行解释：
这里以MongoDB为例
这里需要注意的是如果不指定columns参数，有可能导致某些为空的field没有对应的列，如果指定了列名称，则如果相对应的域没有数据的话，就会自动置为nan
四、如何将pandas.dataframe的数据写入到文件中
步骤操作方法如下：
1、环境准备:
a、右击桌面上选择【Open in Terminal】打开终端。
b、在弹出的终端中输入【ipython】进入Python的解释器中，如图1所示。
2、导入所需要的包：
导入实验常用的python包。如图2所示。
【import pandas as pd】pandas用来做数据处理。
【import numpy as np】numpy用来做高维度矩阵运算.
【import matplotlib.pyplot as plt】matplotlib用来做数据可视化。
3、pandas数据写入到csv文件中：
【names= [‘Bob’,’Jessica’,’Mary’,’John’,’Mel’]】创建一个names列表
【 births= [968,155,77,578,973]】创建一个births列表
【DataSet= list(zip(names,births))】用 zip函数将这两个列表合并在一起
【DataSet】查看生成的数据
【df= pd.DataFrame(data= DataSet,columns=[‘Names’,’Births’])】用生成的数据生成一个DataFrame对象
【df】查看生成的dataFrame
将创建的数据写入到/opt/births1880.csv文件中，
【df.to_csv(‘/opt/births1880.csv’, index=False, header=False)】将df写入到文件中
【ls/opt/births1880.csv】查看文件是否存在
【cat/opt/births1880.csv】查看文件内容
4、pandas读取csv中的数据
读取步骤3生成的数据，如图5所示。
【local_data= r’/opt/births1880.csv’】将文件路径赋到变量local_data中
【df2= pd.read_csv(local_data,header=None)】读取内容赋值到df2
【df2】查看df2的值
【 df3= pd.read_csv(local_data,header=None,names=[‘names’,’births’])】指定列名字赋值到df3
【df3】查看df3的值