Pandas模塊的核心操作對象就是對序列(Series)和數據框（Dataframe）。序列可以理解為數據集中的一個字段，數據框是值包含至少兩個字段（或序列）
的數據集。
構造序列
1.通過同質的列表或元組構建
2.通過字典構建
3.通過numpy中的一維數組構建
4.通過數據框Dataframe中的某一列構建
例如：
import pandas as pd
import numpy as np
gdp1 = pd.Series([2.8,3.01,8.99,8.59,5.18])
gdp2 = pd.Series({'北京':2.8,'上海':3.01,'廣東':8.99,'江蘇':8.59,'浙江':5.18})
gdp3 = pd.Series(np.array((2.8,3.01,8.99,8.59,5.18)))
print(gdp1)
print(gdp2)
print(gdp3)
out:
0 2.80 1 3.01 2 8.99 3 8.59 4 5.18 dtype: float64 北京 2.80 上海 3.01 廣東 8.99 江蘇 8.59 浙江 5.18 dtype: float64 0 2.80 1 3.01 2 8.99 3 8.59 4 5.18 dtype: float64
如上所示：不管是列表，元組，還是一維數組，構造的序列結果樣式會產生兩列，第一列屬於序列的索引列（也可以理解為行號）
，自動從0開始，第二列才是序列的實際值。通過字典構造的序列就是第二個打印樣式，仍然包含兩列，所不同的是第一列不再是行號，而是具體的行名稱（label），對應到字典中的鍵，第二列是序列的實際值，對應到字典的值；
序列與一維數組有極高的相似性，獲取一維數組元素的所有索引方法都可以用到序列上，而且數組的數學和統計函數也同樣可以用到序列上。另外序列會有更多的其他處理方法，如下：
import pandas as pd
import numpy as np
gdp1 = pd.Series([2.8,3.01,8.99,8.59,5.18])
gdp2 = pd.Series({'北京':2.8,'上海':3.01,'廣東':8.99,'江蘇':8.59,'浙江':5.18})
gdp3 = pd.Series(np.array((2.8,3.01,8.99,8.59,5.18)))
# print(gdp1)
# print(gdp2)
# print(gdp3)
print('行號風格的序列: \n ',gdp1[[0,3,4]]) #取出gdp1中的第1 4 5個元素
print('行名稱風格的序列： \n',gdp2[[0,3,4]]) #取出gdp2中第 1 4 5個元素 取出的是字典的鍵值對
print('行名稱風格的序列:\n',gdp2[['上海','江蘇','浙江']]) # 取出的是鍵值對
print('通過numpy函數：\n',np.log(gdp1)) #可以用函數的方式直接取出相應對應的結果的值，通過numpy的方式需要通過其索引
print('通過numpy函數:\n',np.mean(gdp1))
print('通過序列的方法：\n',gdp1.mean()) #可以看出序列也是支持方法的使用的
out：
行號風格的序列: 0 2.80 3 8.59 4 5.18 dtype: float64 行名稱風格的序列： 北京 2.80 江蘇 8.59 浙江 5.18 dtype: float64 行名稱風格的序列: 上海 3.01 江蘇 8.59 浙江 5.18 dtype: float64 通過numpy函數： 0 1.029619 1 1.101940 2 2.196113 3 2.150599 4 1.644805 dtype: float64 通過numpy函數: 5.714 通過序列的方法： 5.714
針對上面的代碼需要說明幾點，如果序列是行名稱風格，既可以使用位置（行號）索引，又可以使用標簽（行名稱）索引；如果需要對序列進行數序函數的運算，一般首選numpy模塊，因為pandas模塊在這方面比較缺乏；如果是對序列做統計運算，既可以使numpy模塊中的函數，也可以使用序列中的方法。一般首選
序列方法，因為序列方法更加豐富一些，如計算序列的偏度，峰度，而Numpy是沒有這樣的函數的。
構造數據框
數據實質上就是一個數據集，數據集的行代表每一條觀測，數據集的列則代表各個變量。在一個數據框中可以存放不同數據類型的序列，如整數型，浮點型，字符型和日期時間型，而數組和序列則沒有這樣的優勢，因為他們只能存放同質數據。構造一個數據庫可以應用如下方式：
1.通過嵌套的列表或元組構造
2.通過字典構造
3.通過二維數組構造
4.通過外部數據的讀取構造。
示例：
import pandas as pd
import numpy as np
df1 = pd.DataFrame([['張三',23,'男'],['李四',27,'女'],['王五',26,'女']])
df2 = pd.DataFrame({'姓名':['張三','李四','王五'],'年齡':[23,27,26],'性別':['男','女','女']})
df3 = pd.DataFrame(np.array([['張三',23,'男'],['李四','27','女'],['王五',26,'女']]))
print('嵌套列表構造數據框：\n',df1)
print('字典構造數據框：\n',df2)
print('二維數組構造數據框：\n',df3)
out:
嵌套列表構造數據框：
0 1 2
0 張三 23 男
1 李四 27 女
2 王五 26 女
字典構造數據框：
姓名 年齡 性別
0 張三 23 男
1 李四 27 女
2 王五 26 女
二維數組構造數據框：
0 1 2
0 張三 23 男
1 李四 27 女
2 王五 26 女
構造數據框需要使用到Pandas模塊中的DataFrame函數，如果通過嵌套列表或元組構造數據框，則需要將數據框的每一行觀測座位嵌套列表或元組的元素；如果通過二維數組構造數據框，則需要將數據框的每一行寫入到數組的行中；如果通過字典構造數據框，則字典的鍵構成數據框的變量名，對應的值構成數據的觀測。盡管上面的代碼都可以構造數據框，但是講嵌套列表，元組或二維數組轉換為數據框時，數據框是沒有具體的變量名的，只有從0到N的列號。所以，如果需要手工構造數據框的話，一般首選字典方法。
外部數據的讀取
外部數據的讀取來構造數據框的內容會比較多，下一篇再來記錄...