前言
Pandas 是基于 Python 构建的开源数据分析库，提供了强大的数据结构和运算功能。
- Series：一维数组，类似于 Numpy 中的一维 array，但具有索引标签，可以保存不同类型的数据，如字符串、布尔值、数字等。
- DataFrame：二维表格型数据结构，与 SQL 表或 Excel 工作表类似，每列可以是不同的数据类型（如数值、字符串或日期），并且具有列名和行索引。DataFrame 是 Pandas 的核心数据结构，提供了丰富的数据操作方法。
接下来我们将逐步介绍其用法。
一、导入 Pandas 库
简写为 pd。
import pandas as pd
二、使用 Series，创建一维数组
从 0 开始存储。
三、index 查看下标，values 查看下标的值
- index 的输出类似于 range： start 代表起始标签；stop 代表结束标签（不会到这个值，到 n-1 值）；step 代表步长。
- values： 直接查看下标的值，记得是从 0 开始的值。
四、使用 index 指定标签
注意：可以看到数组中 1 的标签不是默认值 0 了，而是标签 5。如果利用想输出下标 0，这时候会报错，我们要使用到 "iloc" 和 "loc"，请看第五节。
五、iloc 和 loc 的使用
解释：
- iloc 是原下标，也就是默认值，计算机的记忆。
- loc 是修改过的下标，我们把它叫作标签，标签是由我们自主给的，计算机并不会自己产生。
可以看到计算机的下标 1 的值是 2。 可以看到我们给的标签 1 的值是 5。
六、创建对象
- 这里的我们所理解的键其实就是数据的标签，大部分的人可能会理解为这里是一个字典或者一个数组，其实都不是，是一个一维数据。
- 什么是键？如果不知道，就需要回头学习 python 基础了。 键是字典的一个解释，前键后值，称为键值对，如下的：'键'：值
- 修改数据 使用 loc，找标签'小张'让他的值等于 95，可以看到被修改了。
- 筛选数据 这里的 & 就是 python and 的意思。
七、两个数据相加、相减、相乘、相除
1、相加——add
可以看到需要链接 s1，如果没有 s1，那会导致数据相加错误，出现 NaN； 这个时候，我们应该使用 add： 在 s1 的基础上 add(s2, fill_value="如果出现没有值的情况，以 0 代替")
2、相减——sub
3、相乘——mul
4、相除——div
八、求最大值、最小值、求和值、平均值
九、describe() —— 数据分析方法
十、apply() —— 定义函数判断数据
apply() 对数据批量处理。
十一、DataFrame —— 创建二维数组
十二、修改标签
标签名要统一，否则会报错；但是可以缺少，但数据也要缺少，一一对应。
特别：标签会自动排序好。
十三、查看标签（行属性）
十四、查看列属性
十五、查看数据
十六、数据颠倒——行列调换
十七、提取数据（列）
- 查看班级数据
- 查看成绩数据
- 查看学号和成绩，这里我们需要再加一个【】，如果不加会报错
十八、提取数据（行）
注意：loc 和 iloc 的区别。
十九、切片操作
1、标签切片
2、下标切片
注意：3 是终止，并不会执行，如果想从红到丽，需要 [1:4]。
3、行列切片——标签
4、行列切片——下标
二十、筛选——判断、提取数据
- 单单判断数据，输出布尔值
- 判断完数据并提取数据，输出数据
二十一、查看前几行数据——数据量庞大可使用
注意：如果 head() 不输入任何的值，那他的默认值为 5，输出前 5 行数据。
二十二、drop 搭配 axis 用法
我们先导入要使用的数据。
添加考试 4 的数据。
drop：就是删除的意思。 axis：用来指定是行还是列。
可以看到删除了行的 002 和 004。
可以看到删除了列的考试 2 和考试 4。
二十三、两个数据相加
- student 的数据请看目录二十二。
- 先定义一个数据 bonus，让他们两个相加。
- 注意：运行一次相加一次；标签要一一对应，否则会导致数据错误。 相加完之后不会改变原数据，如果需要改变原数据，全部都是要重新赋值。
实现重新赋值，以考试 4 为例。
二十四、案例实操——求出平均值
mean(axis=1)：求平均值每一行。 这里可能会导致理解冲突，上面解释 axis=0 代表行，axis=1 代表列，但是 mean(axis=1) 为什么代表的是行？？？请看下面的解释。
可以理解为如果被包含，则方向相反。 行对列操作。 列对行操作。
二十五、案例实操——筛选出第二大的数据
- loc[:,"考试 1":"考试 3"] 其实就是 loc["001":"006","考试 1":"考试 3"]。
- lambda x：定义匿名函数 x。
- np.sort(x)：使用 numpy 库的 sort 方法，进行升序。
- np.sort(x)[-2]：升序完后提取倒数第二个值，也就是第二大的值，然后返回匿名函数 x。
