轉自點擊打開鏈接

首先導入相應的包，包括pandas,numpy,matplotlib；

一、            創建對象

# -*- coding: utf-8 -*-"""Created on Wed Feb 08 14:56:01 2017@author: guhualu"""import pandas as pd  import numpy as np   from pandas import DataFramedf1=DataFrame({'A':['A0','A1','A2','A3'],               'B':['B0','B1','B2','B3'],               'C':['C0','C1','C2','C3'],               'D':['D0','D1','D2','D3']},               index=[0,1,2,3])PRint df1 df2=DataFrame({'A':['A4','A5','A6','A7'],               'B':['B4','B5','B6','B7'],               'C':['C4','C5','C6','C7'],               'D':['D4','D5','D6','D7']},               index=[4,5,6,7])print df2 df3=DataFrame({'A':['A8','A9','A10','A11'],               'B':['B8','B9','B10','B11'],               'C':['C8','C9','C10','C11'],               'D':['D8','D9','D10','D11']},               index=[8,9,10,11])print df3 frames=[df1,df2,df3]result=pd.concat(frames)print resultdf4=DataFrame({'B':['B2','B3','B6','B7'],               'D':['D2','D3','D6','D7'],               'F':['F2','F3','F6','F7']},               index=[2,3,6,7]) result=pd.concat([df1,df4],axis=1)#result=pd.concat([df1,df4],axis=1,join='inner')print '/n'print result
此外：
1、還可以通過傳遞一個list對象來創建一個Series，pandas會默認創建整型索引：
2、通過傳遞一個numpy array，時間索引以及列標簽來創建一個DataFrame：
3、通過傳遞一個能夠被轉換成類似序列結構的字典對象來創建一個DataFrame：
4、查看不同列的數據類型：
5、如果你使用的是ipython，使用Tab自動補全功能會自動識別所有的屬性以及自定義的列，下圖中是所有能夠被自動識別的屬性的一個子集：
二、            查看數據
詳情請參閱：Basics Section
 
1、  查看frame中頭部和尾部的行：
2、  顯示索引、列和底層的numpy數據：
3、  describe()函數對于數據的快速統計匯總：
4、  對數據的轉置：
5、  按軸進行排序
6、  按值進行排序
三、            選擇
雖然標準的Python/Numpy的選擇和設置表達式都能夠直接派上用場，但是作為工程使用的代碼，我們推薦使用經過優化的pandas數據訪問方式： .at, .iat, .loc, .iloc 和 .ix詳情請參閱Indexing and Selecing Data 和 MultiIndex / Advanced Indexing。
l  獲取
1、 選擇一個單獨的列，這將會返回一個Series，等同于df.A：
2、 通過[]進行選擇，這將會對行進行切片
l  通過標簽選擇
1、 使用標簽來獲取一個交叉的區域
2、 通過標簽來在多個軸上進行選擇
3、 標簽切片
4、 對于返回的對象進行維度縮減
5、 獲取一個標量
6、 快速訪問一個標量（與上一個方法等價）
l  通過位置選擇
1、 通過傳遞數值進行位置選擇（選擇的是行）
2、 通過數值進行切片，與numpy/python中的情況類似
3、 通過指定一個位置的列表，與numpy/python中的情況類似
4、 對行進行切片
5、 對列進行切片
6、 獲取特定的值
l  布爾索引
1、 使用一個單獨列的值來選擇數據：
2、 使用where操作來選擇數據：
3、 使用isin()方法來過濾：
 
l  設置
1、 設置一個新的列：
2、 通過標簽設置新的值：
3、 通過位置設置新的值：
4、 通過一個numpy數組設置一組新值：
上述操作結果如下：
5、 通過where操作來設置新的值：
四、            缺失值處理
在pandas中，使用np.nan來代替缺失值，這些值將默認不會包含在計算中，詳情請參閱：Missing Data Section。
1、  reindex()方法可以對指定軸上的索引進行改變/增加/刪除操作，這將返回原始數據的一個拷貝：、
2、  去掉包含缺失值的行：
3、  對缺失值進行填充：
4、  對數據進行布爾填充：
五、            相關操作
詳情請參與 Basic Section On Binary Ops
l  統計（相關操作通常情況下不包括缺失值）
1、  執行描述性統計：
2、  在其他軸上進行相同的操作：
3、  對于擁有不同維度，需要對齊的對象進行操作。Pandas會自動的沿著指定的維度進行廣播：
l  Apply
1、  對數據應用函數：
l  直方圖
具體請參照：Histogramming and Discretization
 
l  字符串方法
Series對象在其str屬性中配備了一組字符串處理方法，可以很容易的應用到數組中的每個元素，如下段代碼所示。更多詳情請參考：Vectorized String Methods.
六、            合并
Pandas提供了大量的方法能夠輕松的對Series，DataFrame和Panel對象進行各種符合各種邏輯關系的合并操作。具體請參閱：Merging section
l  Concat
l  Join 類似于SQL類型的合并，具體請參閱：Database style joining
l  Append 將一行連接到一個DataFrame上，具體請參閱Appending：
七、            分組
對于”group by”操作，我們通常是指以下一個或多個操作步驟：
l  （Splitting）按照一些規則將數據分為不同的組；
l  （Applying）對于每組數據分別執行一個函數；
l  （Combining）將結果組合到一個數據結構中；
詳情請參閱：Grouping section
1、  分組并對每個分組執行sum函數：
2、  通過多個列進行分組形成一個層次索引，然后執行函數：
八、            Reshaping
詳情請參閱 Hierarchical Indexing 和 Reshaping。
l  Stack
l  數據透視表，詳情請參閱：Pivot Tables.
可以從這個數據中輕松的生成數據透視表：
九、            時間序列
Pandas在對頻率轉換進行重新采樣時擁有簡單、強大且高效的功能（如將按秒采樣的數據轉換為按5分鐘為單位進行采樣的數據）。這種操作在金融領域非常常見。具體參考：Time Series section。
1、  時區表示：
2、  時區轉換：
3、  時間跨度轉換：
4、  時期和時間戳之間的轉換使得可以使用一些方便的算術函數。
十、            Categorical
從0.15版本開始，pandas可以在DataFrame中支持Categorical類型的數據，詳細 介紹參看：categorical introduction和API documentation。
1、  將原始的grade轉換為Categorical數據類型：
2、  將Categorical類型數據重命名為更有意義的名稱：
3、  對類別進行重新排序，增加缺失的類別：
4、  排序是按照Categorical的順序進行的而不是按照字典順序進行：
5、  對Categorical列進行排序時存在空的類別：
十一、           畫圖
具體文檔參看：Plotting docs
對于DataFrame來說，plot是一種將所有列及其標簽進行繪制的簡便方法：
十二、           導入和保存數據
l  CSV，參考：Writing to a csv file
1、  寫入csv文件：
2、  從csv文件中讀取：
l  HDF5，參考：HDFStores
1、  寫入HDF5存儲：
2、  從HDF5存儲中讀取：
l  Excel，參考：MS Excel
1、  寫入excel文件：
2、  從excel文件中讀取：