① Pandas库的介绍
Pandas是python第三方库，提供高性能易用数据类型和分析工具
import pandas as pd
Pandas基于Numpy实现，常与Numpy和Matplotlib一同使用
两个数据类型：Series，DataFrame
基于上述数据类型的各类操作(基本操作、运算操作、特征类操作、关联类操作)
Series类型可以由如下类型创建：
1.python列表,index与列表元素个数一致
2.标量值，index表达Series类型的尺寸
3.python字典，键值对中的‘键’是索引，index从字典中进行选择操作
4.ndarray，索引和数据都可以通过ndarray类型创建
5.其他函数，range()函数等
Series类型的基本操作
Series类型包括index和value两部分
Series类型的操作类似ndarray类型
Series类型的操作类似python字典类型
Series类型的操作类似ndarray类型：
1.索引方法相同，采用[]
2.numpy中运算和操作可用于series类型
3.可以通过自定义索引的列表进行切片
4.可以通过自动索引进行切片，如果存在自定义索引，则一同被切片
Series类型的操作类似python字典类型：
1.通过自定义索引访问
2.保留字in操作
3.使用.get()方法
Series是一维带‘标签’数组
index_0 --->data_a
Series基本操作类似ndarray和字典，根据索引对齐
DataFrame类型可以由如下类型创建：
1.二维ndarray对象
2.由一维ndarray、列表、字典、元组或Series构成的字典
3.Series类型
4.其他的DataFrame类型
重新索引
.reindex(index=None,columns=None,...)的参数
index,columns 新的行列自定义索引
fill_value 重新索引中，用于填充缺失位置的值
method 填充方法，ffill当前值向前填充，bfill向后填充
limit 最大填充量
默认true，生成新的对象，false时，新旧相等不复制
索引类型的常用方法
.append(idx) 链接另一个index对象，产生新的index对象
.diff(idx) 计算差集，产生新的index对象
.intersection(idx) 计算交集
.union(idx) 计算并集
.delete(loc) 删除loc位置处的元素
.insert(loc,e) 在loc位置增加一个元素e
算术运算法则
算术运算根据行列索引，补齐后运算，运算默认产生浮点数
补齐时缺项填充NaN(空值)
二维和一维、一维和零维间为广播运算
采用+ - * ／符号进行的二元运算产生新的对象
方法形式运算
.add(d,**argws) 类型间加法运算，可选参数
.sub(d,**argws) 类型间减法运算，可选参数
.mul(d,**argws) 类型间乘法运算，可选参数
.div(d,**argws) 类型间除法运算，可选参数
比较运算法则
比较运算只能比较相同索引的元素，不进行补齐
二维和一维、一维和零维间为广播运算
采用> < >= <= == !=等符号进行的二元运算产生布尔对象
.sort_values()方法在指定轴上根据数值进行排序，默认升序
Series.sort_values(axis=0,ascending=True)
DataFrame.sort_values(by,axis=0,ascending=True)
by:axis轴上的某个索引或索引列表
适用于Series和DataFrame类型
.sum() 计算数据的总和，按0轴计算，下同
.count() 非NaN值的数量
.mean() .median() 计算数据的算术平均值，算术中位数
.var() .std() 计算数据的方差、标准差
.min() .max() 计算数据的最小值、最大值
.describe() 针对0轴（各列）的统计汇总
适用于Series
.argmin() .argmax() 计算数据最大值、最小值所在位置的索引位置（自动索引）
.idxmin() .idxmax() 计算数据最大值、最小值所在位置的索引（自定义索引）
适用于Series和DataFrame类型，累计计算
.cumsun() 依次给出前1、2、...、n个数的和
.cumprod() 依次给出前1、2、...、n个数的积
.cummax() 依次给出前1、2、...、n个数的最大值
.cummin() 依次给出前1、2、....、n个数的最小值
适用于Series和DataFrame类型，滚动计算(窗口计算)
.rolling(w).sum() 依次计算相邻w个元素的和
.rolling(w).mean() 依次计算相邻w个元素的算术平均值
.rolling(w).var() 依次计算相邻w个元素的方差
.rolling(w).std() 依次计算相邻w个元素的标准差
.rolling(w).min() .max() 依次计算相邻w个元素的最小值和最大值
两个事物，表示为x和y，如何判断它们之间的存在相关性？
相关性
1.x增大，y增大，两个变量正相关
2.x增大，y减小，两个变量负相关
3.x增大，y无视，两个变量不相关
相关分析函数
适用于Series和DataFrame类型
.cov() 计算协方差矩阵
.corr() 计算相关系数矩阵，Pearson、Spearman、Kendall等系数
② python数据分析方向的第三方库是什么
Python除了有200个标准库以外，还有10万个第三方扩展库，囊括了方方面面。其中做数据分析最常用到的库有4个：
Numpy是Python科学计算的基础包。它除了为Python提供快速的数组处理能力，还是在算法和库之间传递数据的容器。对于数值型数据，NumPy数组在存储和处理数据时要比内置的 Python数据结构高效得多。此外，由低级语言（比如C和Fortran）编写的库可以直接操作NumPy 数组中的数据，无需进行任何数据复制工作。因此，许多Python的数值计算工具要么使用NumPy 数组作为主要的数据结构，要么可以与NumPy进行无缝交互操作。
Pandas提供了快速便捷处理结构化数据的大量数据结构和函数，兼具NumPy高性能的数组计算功能以及电子表格和关系型数据库（如SQL）灵活的数据处理功能。它提供了复杂精细的索引功能，能更加便捷地完成重塑、切片和切块、聚合以及选取数据子集等操作。因为数据操作、准备、清洗是数据分析最重要的技能，所以Pandas也是学习的重点。
Matplotlib是最流行的用于绘制图表和其它二维数据可视化的Python库，它非常适合创建出版物上用的图表。虽然还有其它的Python可视化库，但Matplotlib却是使用最广泛的，并且它和其它生态工具配合也非常完美。
Scikit-learn是Python的通用机器学习工具包。它的子模块包括分类、回归、聚类、降维、选型、预处理，对于Python成为高效数据科学编程语言起到了关键作用。
③ pandas技巧（一） | 不起眼的小方法，却有大作用 !
pandas 是专门做数据处理的工具（它属于python里的一个工具包），里面提供了大量便捷的数据处理函数和方法，可以简单粗暴理解为和 Excel 实现的功能类似，只是实现方式不同。
1、数据量大用pandas， 数据量小用excel
2、哪一个能快速解决问题，就用哪个
3、excel解决不了的用pandas，再者用python自定义函数
以上就是对pandas的10个小技巧分享，如果你熟练使用起来会发现这些不起眼的小方法是真的很强大。
④ pandas是什么意思
pandas是python的一个数据分析的库，可以读取excel、csv、html中的table等等
可以做数据的处理（值替换replace、关联merge、分组group计算等等）
具体请参照：
网络
https://ke..com/item/pandas/17209606
官方手册
http://pandas.pydata.org/pandas-docs/stable
⑤ pandas是什么
1.pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。
2.就是熊猫的英语复数啦
⑥ 怎么利用pandas做数据分析
Pandas是Python下一个开源数据分析的库，它提供的数据结构DataFrame极大的简化了数据分析过程中一些繁琐操作。
1. 基本使用：创建DataFrame. DataFrame是一张二维的表，大家可以把它想象成一张Excel表单或者Sql表。Excel 2007及其以后的版本的最大行数是1048576，最大列数是16384，超过这个规模的数据Excel就会弹出个框框“此文本包含多行文本，无法放置在一个工作表中”。Pandas处理上千万的数据是易如反掌的sh事情，同时随后我们也将看到它比SQL有更强的表达能力，可以做很多复杂的操作，要写的code也更少。
说了一大堆它的好处，要实际感触还得动手码代码。首要的任务就是创建一个DataFrame，它有几种创建方式：
（1）列表，序列(pandas.Series), numpy.ndarray的字典
二维numpy.ndarray
别的DataFrame
结构化的记录(structured arrays)
（2）其中，二维ndarray创建DataFrame，代码敲得最少：
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(10, 4))
df
0 1 2 3
0 0.927474 0.127571 1.655908 0.570818
1 -0.425084 -0.382933 0.468073 -0.862898
2 -1.602712 -0.225793 -0.688641 1.167477
3 -1.771992 -0.692575 -0.693494 -1.063697
4 -0.456724 0.371165 1.883742 -0.344189
5 1.024734 0.647224 1.134449 0.266797
6 1.247507 0.114464 2.271932 -0.682767
7 -0.190627 -0.096997 -0.204778 -0.440155
8 -0.471289 -1.025644 -0.741181 -1.707240
9 -0.172242 0.702187 -1.138795 -0.112005
（3）通过describe方法，可以对df中的数据有个大概的了解：
df.describe()
0 1 2 3
count 10.000000 10.000000 10.000000 10.000000
mean -0.189096 -0.046133 0.394722 -0.320786
std 1.027134 0.557420 1.258019 0.837497
min -1.771992 -1.025644 -1.138795 -1.707240
25% -0.467648 -0.343648 -0.692281 -0.817865
50% -0.307856 0.008734 0.131648 -0.392172
75% 0.652545 0.310266 1.525543 0.172096
max 1.247507 0.702187 2.271932 1.167477
2. 改变cell。
3. group by。
4. 读写文件。
⑦ Python数据分析库有哪些
Python数据分析必备的第三方库：
1、Pandas
Pandas是Python强大、灵活的数据分析和探索工具，包含Serise、DataFrame等高级数据结构和工具，安装Pandas可使Python中处理数据非常快速和简单。
Pandas是Python的一个数据分析包，Pandas最初使用用作金融数据分析工具而开发出来，因此Pandas为时间序列分析提供了很好的支持。
Pandas是为了解决数据分析任务而创建的，Pandas纳入了大量的库和一些标准的数据模型，提供了高效的操作大型数据集所需要的工具。Pandas提供了大量是我们快速便捷的处理数据的函数和方法。Pandas包含了高级数据结构，以及让数据分析变得快速、简单的工具。
2、Numpy
Numpy可以提供数组支持以及相应的高效处理函数，是Python数据分析的基础，也是Scipy、Pandas等数据处理和科学计算库最基本的函数功能库，且其数据类型对Python数据分析十分有用。
Numpy提供了两种基本的对象：ndarray和ufunc。ndarray是存储单一数据类型的多维数组，而ufunc是能够对数组进行处理的函数。
3、Matplotlib
Matplotlib是强大的数据可视化工具和作图库，是主要用于绘制数据图表的Python库，提供了绘制各类可视化图形的命令字库、简单的接口，可以方便用户轻松掌握图形的格式，绘制各类可视化图形。
Matplotlib是Python的一个可视化模块，他能方便的只做线条图、饼图、柱状图以及其他专业图形。
Matplotlib是基于Numpy的一套Python包，这个包提供了丰富的数据绘图工具，主要用于绘制一些统计图形。
4、SciPy
SciPy是一组专门解决科学计算中各种标准问题域的包的集合，包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算等，这些对数据分析和挖掘十分有用。
SciPy是一款方便、易于使用、专门为科学和工程设计的Python包，它包括统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解器等。Scipy依赖于Numpy，并提供许多对用户友好的和有效的数值例程，如数值积分和优化。
5、Keras
Keras是深度学习库，人工神经网络和深度学习模型，基于Theano之上，依赖于Numpy和Scipy，利用它可以搭建普通的神经网络和各种深度学习模型，如语言处理、图像识别、自编码器、循环神经网络、递归审计网络、卷积神经网络等。
6、Scrapy
Scrapy是专门为爬虫而生的工具，具有URL读取、HTML解析、存储数据等功能，可以使用Twisted异步网络库来处理网络通讯，架构清晰，且包含了各种中间件接口，可以灵活的完成各种需求。
7、Gensim
Gensim是用来做文本主题模型的库，常用于处理语言方面的任务，支持TF-IDF、LSA、LDA和Word2Vec在内的多种主题模型算法，支持流式训练，并提供了诸如相似度计算、信息检索等一些常用任务的API接口。