创建方式：pd.Series([4,7,-5,3]) pd.Series([4,7,-5,3],index=['a','b','c','d'])               pd.Series({'a':1, 'b':2})             pd.Series(0, index=['a','b','c','d’])

In [12]: s = pd.Series(0,index=['a','b','c','d'])In [13]: s.a
Out[13]: 0In [14]: v = pd.Series({'a':1,'b':2})In [15]: v.a
Out[15]: 1In [16]: v.b
Out[16]: 2In [17]: v[0]
Out[17]: 1In [18]: s*2
Out[18]:
a    0
b    0
c    0
d    0
dtype: int64In [19]: v*2
Out[19]:
a    2
b    4
dtype: int64

pandas在运算时，会按索引进行对齐然后计算。如果存在不同的索引，则结果的索引是两个操作数索引的并集。例：sr1 = pd.Series([12,23,34], index=['c','a','d'])sr2 = pd.Series([11,20,10], index=['d','c','a',])sr1+sr2sr3 = pd.Series([11,20,10,14], index=['d','c','a','b'])sr1+sr3如何在两个Series对象相加时将缺失值设为0？sr1.add(sr2, fill_value=0)灵活的算术方法：add, sub, div, mul

查看数据常用属性及方法：index                    获取索引T                        转置columns                    获取列索引values                    获取值数组describe()                获取快速统计DataFrame各列name属性：列名rename(columns={})

通过标签获取：df['A']df[['A', 'B']]df['A'][0]df[0:10][['A', 'C']]df.loc[:,['A','B']]  #行是所有的行，列取是A和B的df.loc[:,'A':'C']df.loc[0,'A']df.loc[0:10,['A','C']]通过位置获取：df.iloc[3]df.iloc[3,3]df.iloc[0:3,4:6]df.iloc[1:5,:]df.iloc[[1,2,4],[0,3]]、通过布尔值过滤：

　　df[df['A']>0]
　　df[df['A'].isin([1,3,5])]
　　df[df<0] = 0

- mean        #求平均值
- sum         #求和
- sort_index  #按行或列索引排序
- sort_values  #按值排序
- apply(func,axis=0)  #axis=0指的是逐行，axis=1指的是逐列。df.apply(lamada x:x.mean())  #按列求平均df.apply(lamada x:x['high']+x["low"])/2,axis=1)  #按列求平均（最高价和最低价的平均）df.apply(lamada x:x['high']+x["low"])/2,axis=1)  #按列求平均（最高价和最低价的平均）
- applymap(func) #将函数应用在DataFrame各个元素上
- map(func) #将函数应用在Series各个元素上

时间序列类型：时间戳：特定时刻固定时期：如2017年7月时间间隔：起始时间-结束时间
Python标准库：datetimedatetime.datetime.timedelta  # 表示 时间间隔dt.strftime() #f：format吧时间对象格式化成字符串strptime()  #吧字符串解析成时间对象p：parse
    灵活处理时间对象：dateutil包dateutil.parser.parse('2018/1/29') 成组处理时间对象：pandaspd.to_datetime(['2001-01-01', '2002-02-02'])

df = pd.read_csv("601318.csv")   #默认以,为分隔符- pd.read_csv("601318.csv",sep='\s+')  #匹配空格，支持正则表达式- pd.read_table("601318.csv",sep=',')  #和df = pd.read_csv("601318.csv")   一样- pd.read_excle("601318.xlsx")  #读Excel文件
    sep：指定分隔符header = NOne,就会吧默认的表名去除 了df.rename(column={0:'a',1:"b"})  #修改列名pd.read_csv(index_col=0)  #第0列
    如果想让时间成为索引pd.read_csv(index_col='date')  #时间列pd.read_csv(index_col='date',parse_datas=True)  #时间列
    parse_datas转换为时间对象，设为true是吧所有能转的都转pd.read_csv(index_col='date',parse_datas=['date'])   #知识吧date的那一列转换成时间对象
        na_values=['None']  #吧表里面为None的转换成NaN，是吧字符串转换成缺失值na_rep()  #是吧缺失值nan转换成字符串
cols #指定输出的列，传入列表

分组df = pd.DateFrame({'data1':np.random.uniform(10,20,5),'data2':np.random.uniform(-10,10,5),'key1':list("sbbsb")'key2':})df.groupby('key1').mean()  #做平均df.groupby('key1').sum()  #做平均df.groupby(['key1','key2']).mean()  #做平均  支持分层索引，按多列分组
   df.groupby(len).mean()  #传一个函数的时候，x是每一个行的索引df.groupby(lambda x:len(x)).mean()  #传一个函数的时候，x是每一个行的索引
   df.groupby.groups()  #取得多有的组df.groupby.get_group()  #取得一个组

聚合df.groupby('key1').max()[['data1','data2']]   #去掉key2的data1，data2，花式索引df.groupby('key1').max()[['data1','data2']]- df.groupby('key1').min()[['data1','data2']]  #去掉key2
   df.groupby('key1').agg(lamada x:x.max()-x.min())既想看最大也可看最小df.groupby('key1').agg([np.max,np.min])不同的列不一样的聚合df.groupby('key1').agg({'data1':'min','data2':'max'})  #键是列名，值是
    a=_219  #219行的代码a.resample('3D'),mean()  #3D 3天，3M就是三周

数据合并- 数据拼接df = df.copy()pd.concat([df,df2,df3],ignore_index=True)  #不用之前的索引，pd.concat([df,df2,df3],axis=1)  #列pd.concat([df,df2,df3],keys=['a','b','c'])  #不用之前的索引，
        df2.appeng(df3)- 数据连接如果不指定on，默认是行索引进行joinpd.merge(df,df3,on='key1')pd.merge(df,df3,on='['key1','key2'])