import pandas as pd

data1 = [1,2,3,4,5] 
s = pd.Series(data1)
s

0    1
1    2
2    3
3    4
4    5
dtype: int64

s2 = pd.Series(data1,index = ['a','b','d','g','f'])
s2
#自定义索引

a    1
b    2
d    3
g    4
f    5
dtype: int64

s2[['a','f']]    #索引

a    1
f    5
dtype: int64

#DataFrame的使用
dict = {
       'name':['张三','李四','王二','赵六'],
       'sex':['男','男','男','女'],
       'age':[18,19,20,34]
 }
df = pd.DataFrame(dict)
df

df.info()
#DataFrame中可以通过info函数直接查看数据类型和统计。列名后面是列的非空值统计量，以及数据类型，最后一行是DataFrame占用的内存大小，

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4 entries, 0 to 3
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   name    4 non-null      object
 1   sex     4 non-null      object
 2   age     4 non-null      int64 
dtypes: int64(1), object(2)
memory usage: 224.0+ bytes

df.age.astype('str')#DataFrame的数据类型变更和numpy一样，用astype就行

0    18
1    19
2    20
3    34
Name: age, dtype: object

df['age']#DataFrame的索引方式和Series一样，它选取的是列。返回的是一组Series，索引和原DataFrame一致。

0    18
1    19
2    20
3    34
Name: age, dtype: int64

df.sex#不用中括号选取

0    男
1    男
2    男
3    女
Name: sex, dtype: object

df.loc[1] #行也可以通过通过位置获取，用索引字段loc的方式   loc是标签，iloc是所在行数字，当没有标签时候两者等价

name    李四
sex      男
age     19
Name: 1, dtype: object

df[0:2] #不需要调用ix，直接以切片的形式获取行，切片的用啊和数组一样。记住，切片无法用单独的数字选取，只能用冒号切选范围。

df.age = 22 #赋值
df

df['age'] = [12,14,56,34]
df

df['country'] = 'China'#当列的名称全新，在DataFrame最右边加一列
df

df.index#索引不可更改，可通过index获得相应的信息

RangeIndex(start=0, stop=4, step=1)

df[df.age >=20]#支持常用的逻辑判断

df[df.sex == '男']

df.sex == '男'

0     True
1     True
2     True
3    False
Name: sex, dtype: bool

df[(df.sex == '男')&(df.age<20)]

df[(df.sex == '女')|(df.age == 56)]

df.query('(age == 12 and sex == "男") or(age == 34 and sex == "女") ')
#当逻辑条件复杂时，这种写法并不优雅，比如性别为男，且年龄在12岁，以及性别为女，且年龄在134岁的两类人群，
#这种过滤条件就比较复杂了。pandas中可以用query函数以类SQL语言执行查询。
#query中可以直接使用列名，它的功能远不至于此，