一，查询与索引

1.Series和一维数组的不同：
在一维数组中就无法通过索引标签(index)获取数据，index默认是从0开始，步长为1的索引，也可以自己设置索引标签。

2.若有两个序列，对其进行算术运算，这时索引就体现了价值——自动化对齐


由于s5、s6中存在非对应索引，故结果存在NaN。这里的运算过程就应用了序列索引的自动对齐。对于DataFrame不仅自动对齐行，也会自动对齐列（columns_name）。

3.DataFrame索引
DataFrame数据：

查询指定行：
print(student.loc[[0,2,4,5,7]]) #这里的loc索引标签函数必须是中括号[ ]

查询指定列：
print(student[‘Height’].head()) #只查询一列

print(student[[‘Name’,‘Height’,‘Weight’]].head()) #如果多个列的话，必须使用双重中括号[]

print(student.loc[:,[‘Name’,‘Height’,‘Weight’]].head())

按条件查询：student[(条件1) & (条件2)]

eg1: 查询12岁以上的女生信息

print(student[(student['Sex'] == 'F') & (student['Age'] > 12)])   

eg2:查询出12岁以上的女生的姓名、身高和体重

print(student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']])   

如果是多个条件的查询，必须使用&（and）或者丨（or）的两端条件用括号括起来。

二，简单的统计分析

在实际工作中，可能处理一些数据型DataFrame，将函数应用到DataFrame中的每一列，可以使用apply函数。

import pandas as pd 
import numpy as np 

np.random.seed(1234)
d1 = pd.Series(2*np.random.normal(size = 100)+3)
d2 = np.random.f(2,4,size = 100)
d3 = np.random.randint(1,100,size = 100)

def stats(x):
	return pd.Series(
		[x.count(),x.min(),x.idxmin(),x.quantile(.25),x.median(),x.quantile(.75),
		x.mean(),x.max(),x.idxmax(),x.mad(),x.var(),x.std(),x.skew(),x.kurt()],
		index = ['Count','Min','Whicn_Min','Q1','Median','Q3','Mean','Max','Which_Max','Mad','Var','Std','Skew','Kurt']
		)
 
                      
df = pd.DataFrame(np.array([d1,d2,d3]).T,columns = ['x1','x2','x3'])
print(df.head())
print(stats(df['x1']))
print(stats(d1))

参考教程：
https://zhuanlan.zhihu.com/p/77580907