pandas 所包含的数据结构和数据处理工具的设计是的在Python中进行数据清洗和分析非常快捷。panads 经常是
和其他数值计算工具，比如NumPy 和 SciPy，以及数据可视化工具比如matplotlib一起使用的。pandas 支持大部分
NumPy语言风格的数组计算，尤其是数组函数以及没有for 循环的各种数据处理。

尽管pandas 采用了很多NumPy 的代码风格，但最大的不同在于pandas是用来处理表格型或异质型数据的。而Numpy则相反，
它更适合处理同质型的数值类数组数据

为了入门pandas ，需要熟悉两个常用的工具数据结构：Series 和 DataFrame。尽管它们并不能解决所有的问题，但它们为
大多数应用提供了一个有效、易用的基础。

Series

Series 是一种一维的数组型对象，它包含了一个值序列(与NumPy中的类型相似)，并且包含了数据标签，成为索引(index)。

In [3]: import pandas as pd

In [4]: obj = pd.Series([4,7,-5, 3])

In [5]: obj
Out[5]:
0    4
1    7
2   -5
3    3
dtype: int64

# 获取值
In [6]: obj.values
Out[6]: array([ 4,  7, -5,  3], dtype=int64)

# 获取索引
In [7]: obj.index
Out[7]: RangeIndex(start=0, stop=4, step=1)

 # 通常需要创建一个索引序列，用标签标识每个数据点
In [8]: obj2 = pd.Series([4,7,-5,3], index=['d','b','a','c'])

In [9]: obj2
Out[9]:
d    4
b    7
a   -5
c    3
dtype: int64

In [10]: obj2.index
Out[10]: Index(['d', 'b', 'a', 'c'], dtype='object')


# 与NumPy 的数组相比，可以在从数据中选择数据的时候使用标签来进行索引：
In [11]: obj2['a']
Out[11]: -5

In [12]: obj2['d'] = 6
In [14]: obj2[['a','c','d']]
Out[14]:
a   -5
c    3
d    6
dtype: int64

'''
上面的例子中, ['a','c','d'] 包含的不是数字而是字符串，作为索引列表
'''