pandas的安裝可以參見前面的博文，http://blog.csdn.net/piaoxuezhong/article/details/54023951
pandas 是基於 Numpy 構建的含有更高階資料結構和工具的資料分析包
類似於 Numpy 的核心是 ndarray，pandas 也是圍繞著 Series 和 DataFrame 兩個核心資料結構展開的 。Series 和 DataFrame 分別對應於一維的序列和二維的表結構。pandas 約定俗成的匯入方法如下：

>>> from pandas import Series,DataFrame
>>> import pandas as pd
 

1.Series

>>> s=Series([1,2,'abc'])
>>> s
0      1
1      2
2    abc
dtype: object

Series 物件包含兩個主要的屬性：index 和 values，分別為上例中左右兩列。因為傳給構造器的是一個列表，所以 index 的值是從 0 起遞增的整數，如果傳入的是一個類字典的鍵值對結構，就會生成 index-value 對應的 Series；或者在初始化的時候以關鍵字引數顯式指定一個 index 物件：

>>> s=Series(data=[1,2,'abc'],index=['no1','no2','no3'])
>>> s
no1      1
no2      2
no3    abc
dtype: object
>>> s.index
Index([no1, no2, no3], dtype=object)
>>> s.values
array([1, 2, abc], dtype=object)

>>> s.name='series_s'
>>> s.index.name='s\' index'
>>> s
s' index
no1           1
no2           2
no3         abc
Name: series_s, dtype: object

2.DataFrame

DataFrame 是一個表格型的資料結構，它含有一組有序的列（類似於 index），每列可以是不同的值型別（不像 ndarray 只能有一個 dtype）。基本上可以把 DataFrame 看成是共享同一個 index 的 Series 的集合。DataFrame 的構造方法與 Series 類似，只不過可以同時接受多條一維資料來源，每一條都會成為單獨的一列：

>>> data={'name':['fcq','jj','wym','xrr'],\
	'year':[1989,1989,1989,1988],\
        'm/f':['m','f','f','f']}
>>> data
{'m/f': ['m', 'f', 'f', 'f'], 'name': ['fcq', 'jj', 'wym', 'xrr'], 'year': [1989, 1989, 1989, 1988]}
>>> df=DataFrame(data)
>>> df
  m/f name  year
0   m  fcq  1989
1   f   jj  1989
2   f  wym  1989
3   f  xrr  1988

>>> df=DataFrame(data,index=['no1','no2','no3','no4'])
>>> df
    m/f name  year
no1   m  fcq  1989
no2   f   jj  1989
no3   f  wym  1989
no4   f  xrr  1988

>>> df.columns
Index([m/f, name, year], dtype=object)
>>> df.index
Index([no1, no2, no3, no4], dtype=object)

3.物件屬性

3.1查詢索引

>>> from pandas import Series,DataFrame
>>> import pandas as pd
>>> s=Series(list('I am fcq~'))
>>> s
0    I
1     
2    a
3    m
4     
5    f
6    c
7    q
8    ~
dtype: object
>>> s[s='f']
SyntaxError: invalid syntax
>>> s[s=='f']
5    f
dtype: object

3.2重新索引

Series 物件的重新索引通過reindex(index=None,**kwargs) 方法實現。**kwargs 中常用的引數有：method=None,fill_value=np.NaN：

>>> s2=Series([88,99,89,90],index=['ENG','CHE','PHY','CPT'])
>>> a=['ENG','CPT','CHE','PHY','MATH']
>>> s2.reindex(a)
ENG     88
CPT     90
CHE     99
PHY     89
MATH   NaN
dtype: float64
>>> s2.reindex(a,fill_value=0)
ENG     88
CPT     90
CHE     99
PHY     89
MATH     0
dtype: int64

3.3排序和排名

>>> s2.sort_index(ascending=True)
CHE    99
CPT    90
ENG    88
PHY    89
dtype: int64

>>> s3=Series([3,2,0,3],index=list('abcd'))
>>> s3
a    3
b    2
c    0
d    3
dtype: int64
>>> s3.rank()
a    3.5
b    2.0
c    1.0
d    3.5
dtype: float64
>>> s3.rank(method='max')
a    4
b    2
c    1
d    4
dtype: float64
>>> s3.rank(method='min')
a    3
b    2
c    1
d    3
dtype: float64
>>> s3.rank(method='first')
a    3
b    2
c    1
d    4
dtype: float64

3.4統計方法

>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],
        'year':[2000,2001,2002,2001,2002],
        'pop':[1.5,1.7,3.6,2.4,2.9]}
>>> df=DataFrame(data)
>>> df
   pop   state  year
0  1.5   Ohino  2000
1  1.7   Ohino  2001
2  3.6   Ohino  2002
3  2.4  Nevada  2001
4  2.9  Nevada  2002
>>> df.mean()
pop        2.42
year    2001.20
dtype: float64
>>> df.mean(axis=1)
0    1000.75
1    1001.35
2    1002.80
3    1001.70
4    1002.45
dtype: float64

參考：

http://www.open-open.com/lib/view/open1402477162868.html

https://my.oschina.net/lionets/blog/277847

http://www.cnblogs.com/skying555/p/5914391.html

http://www.cnblogs.com/skying555/p/5914391.html