导入 Pandas：
查看 Pandas 版本信息：
Pandas 的数据结构：Pandas 主要有 Series（一维数组），DataFrame（二维数组），Panel（三维数组），Panel4D（四维数组），PanelND（更多维数组）等数据结构。其中 Series 和 DataFrame 应用的最为广泛。
Series 是一维带标签的数组，它可以包含任何数据类型。包括整数，字符串，浮点数，Python 对象等。Series 可以通过标签来定位。
DataFrame 是二维的带标签的数据结构。我们可以通过标签来定位数据。这是 NumPy 所没有的。
Pandas 中，Series 可以被看作由 1 列数据组成的数据集。
创建 Series 语法：s = pd.Series(data, index=index)，可以通过多种方式进行创建，以下介绍了 3 个常用方法。
从列表创建 Series：
从 Ndarray 创建 Series：
从字典创建 Series：
修改 Series 索引：
Series 纵向拼接：
Series 按指定索引删除元素：
Series 修改指定索引元素：
Series 按指定索引查找元素：
Series 切片操作：
Series 加法运算：
Series 的加法运算是按照索引计算，如果索引不同则填充为 NaN（空值）。
Series 减法运算：
Series的减法运算是按照索引对应计算，如果不同则填充为 NaN（空值）。
Series 乘法运算：
Series 的乘法运算是按照索引对应计算，如果索引不同则填充为 NaN（空值）。
Series 除法运算：
Series 的除法运算是按照索引对应计算，如果索引不同则填充为 NaN（空值）。
Series 求中位数：
Series 求和：
Series 求最大值：
Series 求最小值：
与 Sereis 不同，DataFrame 可以存在多列数据。一般情况下，DataFrame 也更加常用。
通过 NumPy 数组创建 DataFrame：
通过字典数组创建 DataFrame：
查看 DataFrame 的数据类型：
预览 DataFrame 的前 5 行数据：
查看 DataFrame 的后 3 行数据：
查看 DataFrame 的索引：
查看 DataFrame 的列名：
查看 DataFrame 的数值：
查看 DataFrame 的统计数据：
DataFrame 转置操作：
对 DataFrame 进行按列排序：
对 DataFrame 数据切片：
对 DataFrame 通过标签查询（单列）：
对 DataFrame 通过标签查询（多列）：
对 DataFrame 通过位置查询：
DataFrame 副本拷贝：
判断 DataFrame 元素是否为空：
添加列数据：
根据 DataFrame 的下标值进行更改。：
根据 DataFrame 的标签对数据进行修改：
DataFrame 求平均值操作：
对 DataFrame 中任意列做求和操作：
将字符串转化为小写字母：
将字符串转化为大写字母：
对缺失值进行填充：
删除存在缺失值的行：
DataFrame 按指定列对齐：
CSV 文件写入：
CSV 文件读取：
Excel 写入操作：
Excel 读取操作：
建立一个以 2018 年每一天为索引，值为随机数的 Series：
统计s 中每一个周三对应值的和：
统计s中每个月值的平均值：
将 Series 中的时间进行转换（秒转分钟）：
UTC 世界时间标准：
转换为上海所在时区：
不同时间表示方式的转换：
创建多重索引 Series：
构建一个 letters = ['A', 'B', 'C'] 和 numbers = list(range(10))为索引，值为随机数的多重索引 Series。
多重索引 Series 查询：
多重索引 Series 切片：
根据多重索引创建 DataFrame：
创建一个以 letters = ['A', 'B'] 和 numbers = list(range(6))为索引，值为随机数据的多重索引 DataFrame。
多重索引设置列名称：
DataFrame 多重索引分组求和：
DataFrame 行列名称转换：
DataFrame 索引转换：
DataFrame 条件查找：
查找 age 大于 3 的全部信息
** 根据行列索引切片：**
DataFrame 多重条件查询：
查找 age<3 且为 cat 的全部数据。
DataFrame 按关键字查询：
DataFrame 按标签及列名查询。：
DataFrame 多条件排序：
按照 age 降序，visits 升序排列
DataFrame 多值替换：
将 priority 列的 yes 值替换为 True，no 值替换为 False。
DataFrame 分组求和：
使用列表拼接多个 DataFrame：
找出 DataFrame 表中和最小的列：
DataFrame 中每个元素减去每一行的平均值：
DataFrame 分组，并得到每一组中最大三个数之和：
当分析庞大的数据时，为了更好的发掘数据特征之间的关系，且不破坏原数据，就可以利用透视表 pivot_table 进行操作。
透视表的创建：
新建表将 A, B, C 列作为索引进行聚合。
透视表按指定行进行聚合：
将该 DataFrame 的 D 列聚合，按照 A,B 列为索引进行聚合，聚合的方式为默认求均值。
透视表聚合方式定义：
上一题中 D 列聚合时，采用默认求均值的方法，若想使用更多的方式可以在 aggfunc 中实现。
透视表利用额外列进行辅助分割：
D 列按照 A,B 列进行聚合时，若关心 C 列对 D 列的影响，可以加入 columns 值进行分析。
透视表的缺省值处理：
在透视表中由于不同的聚合方式，相应缺少的组合将为缺省值，可以加入 fill_value 对缺省值处理。
在数据的形式上主要包括数量型和性质型，数量型表示着数据可数范围可变，而性质型表示范围已经确定不可改变，绝对型数据就是性质型数据的一种。
绝对型数据定义：
对绝对型数据重命名：
重新排列绝对型数据并补充相应的缺省值：
对绝对型数据进行排序：
对绝对型数据进行分组：
缺失值拟合：
在FilghtNumber中有数值缺失，其中数值为按 10 增长，补充相应的缺省值使得数据完整，并让数据为 int 类型。
数据列拆分：
其中From_to应该为两独立的两列From和To，将From_to依照_拆分为独立两列建立为一个新表。
字符标准化：
地点的名字都不规范（如：londON应该为London）需要对数据进行标准化处理。
删除坏数据加入整理好的数据：
将最开始的 From_to 列删除，加入整理好的 From 和 to 列。
去除多余字符：
如同 airline 列中许多数据有许多其他字符，会对后期的数据分析有较大影响，需要对这类数据进行修正。
格式规范：
在 RecentDelays 中记录的方式为列表类型，由于其长度不一，这会为后期数据分析造成很大麻烦。这里将 RecentDelays 的列表拆开，取出列表中的相同位置元素作为一列，若为空值即用 NaN 代替。
信息区间划分：
班级一部分同学的数学成绩表，如下图所示
但我们更加关心的是该同学是否及格，将该数学成绩按照是否>60来进行划分。
数据去重：
一个列为A的 DataFrame 数据，如下图所示
尝试将 A 列中连续重复的数据清除。
数据归一化：
有时候，DataFrame 中不同列之间的数据差距太大，需要对其进行归一化处理。
其中，Max-Min 归一化是简单而常见的一种方式，公式如下:
Series 可视化：
DataFrame 折线图：
DataFrame 散点图：
DataFrame 柱形图：