概述
Pandas 是 Python 数据分析的核心库，提供了强大的数据结构（Series 和 DataFrame）及运算功能。它类似于 SQL 表或 Excel 工作表，支持多种数据类型混合存储，是处理表格数据的首选工具。
环境准备
首先导入库并设置别名：
import pandas as pd
import numpy as np
Series 基础操作
Series 是一维数组，类似 Numpy 的 array，但带有索引标签，可存储字符串、布尔值或数字。
创建与查看
默认从 0 开始索引：
使用 index 获取标签序列，values 获取底层数值：
注意区分标签（Label）和下标（Position）。自定义标签后，默认位置访问会报错，此时需配合 loc 和 iloc 使用。
loc 与 iloc 的区别
- iloc：基于整数下标（计算机记忆），如
s.iloc[1]。 - loc：基于自定义标签（人类可读），如
s.loc['a']。
数据修改与筛选
通过 loc 可直接修改指定标签的值：
筛选时，逻辑运算符需用 & 代替 and：
算术运算
两个 Series 相加、减、乘、除时，若索引不匹配会产生 NaN。可使用 add, sub, mul, div 方法配合 fill_value 参数填充缺失值。
例如加法：
若直接相加出现 NaN，可指定 fill_value=0：
减法、乘法、除法同理，分别对应 sub, mul, div 方法。
统计与分析
常用统计方法包括最大值、最小值、求和、平均值等：
describe() 方法可提供更详细的描述性统计信息：
apply() 用于批量处理数据，可传入自定义函数：
DataFrame 二维操作
DataFrame 是二维表格结构，每列可包含不同数据类型。
创建与属性
创建时需确保标签长度一致：
标签会自动排序，行属性用 index 查看，列属性用 columns 查看：
切片与提取
行列调换可用 T 属性：
提取单列返回 Series，多列需加双层括号：
行提取同样遵循 loc（标签）和 iloc（下标）规则：
切片操作支持标签范围和下标范围，注意结束位置不包含在内：
删除与合并
drop 方法用于删除行或列，通过 axis 参数指定方向：
添加新列后，删除行示例：
删除列示例：
两表相加时，标签需一一对应，否则结果可能错位。运算不会修改原数据，需重新赋值：
进阶案例
计算平均值
mean(axis=1) 表示对每一行求平均。这里容易混淆：axis=0 沿列方向聚合（结果按列），axis=1 沿行方向聚合（结果按行）。简单理解：被包含的方向相反。
筛选第二大值
结合 loc 切片、lambda 匿名函数及 numpy.sort 可实现复杂筛选：
# 选取特定列区域
subset = df.loc[:, "考试 1":"考试 3"]
# 定义匿名函数取倒数第二个值
result = subset.apply(lambda x: np.sort(x)[-2])
