首先要學(xué)習(xí)PYTHON的注釋、標(biāo)識符、數(shù)據(jù)類型、函數(shù)和面向?qū)ο缶幊蹋瑢W(xué)完這些之后可以向更高階的學(xué)習(xí)：裝飾器，生成器，迭代器。對新手來說最重要的就是打好基礎(chǔ)，這部分要多花點功夫去把基礎(chǔ)打牢。
我覺得很簡單啊，沒那么難啊！前面的基礎(chǔ)內(nèi)容，我?guī)滋炀涂赐炅耍绻娇丛姐拢荒苷f明你的邏輯思維，數(shù)學(xué)基礎(chǔ)，記憶都比較差，是不適合做這一行的，你想啊，現(xiàn)在小學(xué)都開設(shè)Python課程了，小學(xué)生都能學(xué)的東西，一個個的大老爺們還覺得難就不要學(xué)了，前面都看不懂，注定做不了碼農(nóng)！勸你早日放棄，有這時間去學(xué)別的技能，免得學(xué)個三年五載還是一事無成，耽誤了自己的青春，又賺不到錢，你說是不？還是從別的方面去挖掘自己的潛能吧！
關(guān)于作者：Python King，Python高手大師
在使用Pandas之前，需要導(dǎo)入Pandas包。慣例是將pandas簡寫為pd，命令如下：
import pandas as pd
Pandas包含兩個主要的數(shù)據(jù)結(jié)構(gòu)：Series和DataFrame。其中最常用的是DataFrame，下面我們先來學(xué)習(xí)一下DataFrame。
01 DataFrame入門
DataFrame是一個表格型的數(shù)據(jù)結(jié)構(gòu)。每列都可以是不同的數(shù)據(jù)類型（數(shù)值、字符串、布爾值等）。
DataFrame既有行索引也有列索引，這兩種索引在DataFrame的實現(xiàn)上，本質(zhì)上是一樣的。但在使用的時候，往往是將列索引作為區(qū)分不同數(shù)據(jù)的標(biāo)簽。DataFrame的數(shù)據(jù)結(jié)構(gòu)與SQL數(shù)據(jù)表或者Excel工作表的結(jié)構(gòu)非常類似，可以很方便地互相轉(zhuǎn)換。
下面先來創(chuàng)建一個DataFrame，一種常用的方式是使用字典，這個字典是由等長的list或者ndarray組成的，示例代碼如下：
data={'A':['x','y','z'],'B':[1000,2000,3000],'C':[10,20,30]}df=pd.DataFrame(data,index=['a','b','c'])df
運行結(jié)果如圖3-2所示。
▲圖3-2
我們可以看到，DataFrame主要由如下三個部分組成。
數(shù)據(jù)，位于表格正中間的9個數(shù)據(jù)就是DataFrame的數(shù)據(jù)部分。索引，最左邊的a、b、c是索引，代表每一行數(shù)據(jù)的標(biāo)識。這里的索引是顯式指定的。如果沒有指定，會自動生成從0開始的數(shù)字索引。列標(biāo)簽，表頭的A、B、C就是標(biāo)簽部分，代表了每一列的名稱。下文列出了DataFrame函數(shù)常用的參數(shù)。其中，“類似列表”代表類似列表的形式，比如列表、元組、ndarray等。一般來說，data、index、columns這三個參數(shù)的使用頻率是最高的。
data：ndarray/字典/類似列表 | DataFrame數(shù)據(jù)；數(shù)據(jù)類型可以是ndarray、嵌套列表、字典等index：索引/類似列表 | 使用的索引；默認值為range(n)columns：索引/類似列表 | 使用的列標(biāo)簽；默認值為range(n)dtype：dtype | 使用（強制）的數(shù)據(jù)類型；否則通過推導(dǎo)得出；默認值為Nonecopy：布爾值 | 從輸入復(fù)制數(shù)據(jù)；默認值為False其中data的數(shù)據(jù)類型有很多種。
下文列舉了可以作為data傳給DataFrame函數(shù)的數(shù)據(jù)類型。
可以傳給DataFrame構(gòu)造器的數(shù)據(jù)：
二維ndarray：可以自行指定索引和列標(biāo)簽嵌套列表或者元組：類似于二維ndarray數(shù)據(jù)、列表或元組組成的字典：每個序列變成一列。所有序列長度必須相同由Series組成的字典：每個Series會成為一列。如果沒有指定索引，各Series的索引會被合并另一個DataFrame：該DataFrame的索引將會被沿用前面生成了一個DataFrame，變量名為df。下面我們來查看一下df的各個屬性值。
獲取df數(shù)據(jù)的示例代碼如下：
df.values
輸出結(jié)果如下：
array([['x', 1000, 10], ['y', 2000, 20], ['z', 3000, 30]], dtype=object)
獲取df行索引的示例代碼如下：
df.index
輸出結(jié)果如下：
Index(['a', 'b', 'c'], dtype='object')
獲取df列索引（列標(biāo)簽）的示例代碼如下：
df.columns
輸出結(jié)果如下：
Index(['A', 'B', 'C'], dtype='object')
可以看到，行索引和列標(biāo)簽都是Index數(shù)據(jù)類型。
創(chuàng)建的時候，如果指定了列標(biāo)簽，那么DataFrame的列也會按照指定的順序進行排列，示例代碼如下：
df=pd.DataFrame(data,columns=['C','B','A'],index=['a','b','c'])df
運行結(jié)果如圖3-3所示。
▲圖3-3
如果某列不存在，為其賦值，會創(chuàng)建一個新列。我們可以用這種方法來添加一個新的列：
df['D']=10df
運行結(jié)果如圖3-4所示。
▲圖3-4
使用del命令可以刪除列，示例代碼如下：
del df['D']df
運行結(jié)果如圖3-5所示。
▲圖3-5
添加行的一種方法是先創(chuàng)建一個DataFrame，然后再使用append方法，代碼如下：
new_df=pd.DataFrame({'A':'new','B':4000,'C':40},index=['d'])df=df.append(new_df)df
運行結(jié)果如圖3-6所示。
▲圖3-6
或者也可以使用loc方法來添加行，示例代碼如下：
df.loc['e']=['new2',5000,50]df
運行結(jié)果如圖3-7所示。
▲圖3-7
loc方法將在后面的內(nèi)容中詳細介紹。
索引的存在，使得Pandas在處理缺漏信息的時候非常靈活。下面的示例代碼會新建一個DataFrame數(shù)據(jù)df2。
df2=pd.DataFrame([1,2,3,4,5],index=['a','b','c','d','z'],columns=['E'])df2
運行結(jié)果如圖3-8所示。
▲圖3-8
如果現(xiàn)在想要合并df和df2，使得df有一個新的列E，那么可以使用join方法，代碼如下：
df.join(df2)
運行結(jié)果如圖3-9所示。
▲圖3-9
可以看到，df只接受索引已經(jīng)存在的值。由于df2中沒有索引e，所以是NaN值，而且df2索引為z的值已經(jīng)丟失了。為了保留df2中索引為z的值，我們可以提供一個參數(shù)，告訴Pandas如何連接。示例代碼如下：
df.join(df2,how='outer')
運行結(jié)果如圖3-10所示。
▲圖3-10
在上述代碼中，how='outer'表示使用兩個索引中所有值的并集。連接操作的其他選項還有inner（索引的交集）、left（默認值，調(diào)用方法的對象的索引值）、right（被連接對象的索引值）等。
在金融數(shù)據(jù)分析中，我們要分析的往往是時間序列數(shù)據(jù)。下面介紹一下如何基于時間序列生成DataFrame。為了創(chuàng)建時間序列數(shù)據(jù)，我們需要一個時間索引。這里先生成一個DatetimeIndex對象的日期序列，代碼如下：
dates=pd.date_range('20160101',periods=8)dates
輸出結(jié)果如下：
DatetimeIndex(['2016-01-01', '2016-01-02', '2016-01-03', '2016-01-04', '2016-01-05', '2016-01-06', '2016-01-07', '2016-01-08'],dtype='da tetime64[ns]', freq='D')
可以看到，使用Pandas的date_range函數(shù)生成的是一個DatetimeIndex對象。date_range函數(shù)的參數(shù)及說明如下所示：
start：字符串/日期時間 | 開始日期；默認為Noneend：字符串/日期時間 | 結(jié)束日期；默認為Noneperiods：整數(shù)/None | 如果start或者end空缺，就必須指定；從start開始，生成periods日期數(shù)據(jù)；默認為Nonefreq：dtype | 周期；默認是D，即周期為一天。也可以寫成類似5H的形式，即5小時。其他的頻率參數(shù)見下文tz：字符串/None | 本地化索引的時區(qū)名稱normalize：布爾值 | 將start和end規(guī)范化為午夜；默認為Falsename：字符串 | 生成的索引名稱date_range函數(shù)頻率的參數(shù)及說明如下所示：
B：交易日C：自定義交易日（試驗中）D：日歷日W：每周M：每月底SM：半個月頻率（15號和月底）BM：每個月份最后一個交易日CBM：自定義每個交易月MS：日歷月初SMS：月初開始的半月頻率（1號，15號）BMS：交易月初CBMS：自定義交易月初Q：季度末BQ：交易季度末QS：季度初BQS：交易季度初A：年末BA：交易年度末AS：年初BAS：交易年度初BH：交易小時H：小時T，min：分鐘S：秒L，ms：毫秒U，us：微秒N：納秒接下來，我們再基于dates來創(chuàng)建DataFrame，代碼如下：
df=pd.DataFrame(np.random.randn(8,4),index=dates,columns=list('ABCD'))df
運行結(jié)果如圖3-11所示。
▲圖3-11
有了df，我們就可以使用多個基于DataFrame的內(nèi)建方法了，下面來看看相關(guān)的示例。
按列求總和，代碼如下：
df.sum()
輸出結(jié)果如下：
A 0.241727B -0.785350C -0.547433D -1.449231dtype: float64
按列求均值，代碼如下：
df.mean()
輸出結(jié)果如下：
A 0.030216B -0.098169C -0.068429D -0.181154dtype: float64
按列求累計總和，代碼如下：
df.cumsum()
運行結(jié)果如圖3-12所示。
▲圖3-12
使用describe一鍵生成多種統(tǒng)計數(shù)據(jù)，代碼如下：
df.describe()
運行結(jié)果如圖3-13所示。
▲圖3-13
可以根據(jù)某一列的值進行排序，代碼如下：
df.sort_values('A')
運行結(jié)果如圖3-14所示。
▲圖3-14
根據(jù)索引（日期）排序（這里是倒序），代碼如下：
df.sort_index(ascending=False)
運行結(jié)果如圖3-15所示。
▲圖3-15
選取某一列，返回的是Series對象，可以使用df.A，代碼如下：
df['A']
輸出結(jié)果如下：
2016-01-01 -1.1423502016-01-02 -0.8161782016-01-03 0.0302062016-01-04 1.9301752016-01-05 0.5715122016-01-06 0.2204452016-01-07 0.2921762016-01-08 -0.844260Freq: D, Name: A, dtype: float64
使用[]選取某幾行，代碼如下：
df[0:5]
運行結(jié)果如圖3-16所示。
▲圖3-16
根據(jù)標(biāo)簽（Label）選取數(shù)據(jù)，使用的是loc方法，代碼如下：
df.loc[dates[0]]
輸出結(jié)果如下：
A -1.142350B -1.999351C 0.772343D -0.851840Name: 2016-01-01 00:00:00, dtype: float64
再來看兩個示例代碼。
df.loc[:,['A','C']]
運行結(jié)果如圖3-17所示。
▲圖3-17
df.loc['20160102':'20160106',['A','C']]
運行結(jié)果如圖3-18所示。
▲圖3-18
需要注意的是，如果只有一個時間點，那么返回的值是Series對象，代碼如下：
df.loc['20160102',['A','C']]
輸出結(jié)果如下：
A -0.816178C -0.595195Name: 2016-01-02 00:00:00, dtype: float64
如果想要獲取DataFrame對象，需要使用如下命令：
df.loc['20160102':'20160102',['A','C']]
運行結(jié)果如圖3-19所示。
▲圖3-19
上面介紹的是loc方法，是按標(biāo)簽（索引）來選取數(shù)據(jù)的。有時候，我們會希望按照DataFrame的絕對位置來獲取數(shù)據(jù)，比如，如果想要獲取第3行第2列的數(shù)據(jù)，但不想按標(biāo)簽（索引）獲取，那么這時候就可以使用iloc方法。
根據(jù)位置選取數(shù)據(jù)，代碼如下：
df.iloc[2]
輸出結(jié)果如下：
A 0.030206B 0.759953C -1.446549D -0.874364Name: 2016-01-03 00:00:00, dtype: float64
再來看一個示例：
df.iloc[3:6,1:3]
運行結(jié)果如圖3-20所示。
▲圖3-20
注意：對于DataFrame數(shù)據(jù)類型，可以使用[]運算符來進行選取，這也是最符合習(xí)慣的。但是，對于工業(yè)代碼，推薦使用loc、iloc等方法。因為這些方法是經(jīng)過優(yōu)化的，擁有更好的性能。
有時，我們需要選取滿足一定條件的數(shù)據(jù)。這個時候可以使用條件表達式來選取數(shù)據(jù)。這時傳給df的既不是標(biāo)簽，也不是絕對位置，而是布爾數(shù)組（Boolean Array）。下面來看一下示例。
例如，尋找A列中值大于0的行。首先，生成一個布爾數(shù)組，代碼如下：
df.A>0
輸出結(jié)果如下：
2016-01-01 False2016-01-02 False2016-01-03 True2016-01-04 True2016-01-05 True2016-01-06 True2016-01-07 True2016-01-08 FalseFreq: D, Name: A, dtype: bool
可以看到，這里生成了一個Series類型的布爾數(shù)組。可以通過這個數(shù)組來選取對應(yīng)的行，代碼如下：
df[df.A>0]
運行結(jié)果如圖3-21所示。
▲圖3-21
從結(jié)果可以看到，A列中值大于0的所有行都被選擇出來了，同時也包括了BCD列。
現(xiàn)在我們要尋找df中所有大于0的數(shù)據(jù)，先生成一個全數(shù)組的布爾值，代碼如下：
df>0
運行結(jié)果如圖3-22所示。
▲圖3-22
下面來看一下使用df>0選取出來的數(shù)據(jù)效果。由圖3-23可以看到，大于0的數(shù)據(jù)都能顯示，其他數(shù)據(jù)顯示為NaN值。
df[df>0]
運行結(jié)果如圖3-23所示。
▲圖3-23
再來看一下如何改變df的值。首先我們?yōu)閐f添加新的一列E，代碼如下：
df['E']=0df
運行結(jié)果如圖3-24所示。
▲圖3-24
使用loc改變一列值，代碼如下：
df.loc[:,'E']=1df
運行結(jié)果如圖3-25所示。
▲圖3-25
使用loc改變單個值，代碼如下：
df.loc['2016-01-01','E'] = 2df
運行結(jié)果如圖3-26所示。
▲圖3-26
使用loc改變一列值，代碼如下：
df.loc[:,'D'] = np.array([2] * len(df))df
運行結(jié)果如圖3-27所示。
▲圖3-27
可以看到，使用loc的時候，x索引和y索引都必須是標(biāo)簽值。對于這個例子，使用日期索引明顯不方便，需要輸入較長的字符串，所以使用絕對位置會更好。這里可以使用混合方法，DataFrame可以使用ix來進行混合索引。比如，行索引使用絕對位置，列索引使用標(biāo)簽，代碼如下：
df.ix[1,'E'] = 3df
運行結(jié)果如圖3-28所示。
▲圖3-28
ix的處理方式是，對于整數(shù)，先假設(shè)為標(biāo)簽索引，并進行尋找；如果找不到，就作為絕對位置索引進行尋找。所以運行效率上會稍差一些，但好處是這樣操作比較方便。
對于ix的用法，需要注意如下兩點。
假如索引本身就是整數(shù)類型，那么ix只會使用標(biāo)簽索引，而不會使用位置索引，即使沒能在索引中找到相應(yīng)的值（這個時候會報錯）。如果索引既有整數(shù)類型，也有其他類型（比如字符串），那么ix對于整數(shù)會直接使用位置索引，但對于其他類型（比如字符串）則會使用標(biāo)簽索引。總的來說，除非想用混合索引，否則建議只使用loc或者iloc來進行索引，這樣可以避免很多問題。
02 Series
Series類似于一維數(shù)組，由一組數(shù)據(jù)以及相關(guān)的數(shù)據(jù)標(biāo)簽（索引）組成。示例代碼如下：
import pandas as pds=pd.Series([1,4,6,2,3])s
Out:
0 11 42 63 24 3
在這段代碼中，我們首先導(dǎo)入pandas并命名為pd，然后向Series函數(shù)傳入一個列表，生成一個Series對象。在輸出Series對象的時候，左邊一列是索引，右邊一列是值。由于沒有指定索引，因此會自動創(chuàng)建0到（N-1）的整數(shù)索引。也可以通過Series的values和index屬性獲取其值和索引。示例代碼如下：
s.values
Out:
array([1, 4, 6, 2, 3], dtype=int64)
s.index
Out:
Int64Index([0, 1, 2, 3, 4], dtype='int64')
當(dāng)然，我們也可以對索引進行定義，代碼如下：
s=pd.Series([1,2,3,4],index=['a','b','c','d'])s
Out:
a 1b 2c 3d 4
在這里，我們將索引定義為a、b、c、d。這時也可以用索引來選取Series的數(shù)據(jù)，代碼如下：
s['a']
Out:
1
s[['b','c']]
Out:
b 2c 3
對Series進行數(shù)據(jù)運算的時候也會保留索引。示例代碼如下：
s[s>1]
Out:
b 2c 3d 4
s*3
Out:
a 3b 6c 9d 12
Series最重要的功能之一是在不同索引中對齊數(shù)據(jù)。示例代碼如下：
s1=pd.Series([1,2,3],index=['a','b','c'])s2=pd.Series([4,5,6],index=['b','c','d'])s1+s2
Out:
a NaNb 6c 8d NaN
Series的索引可以通過賦值的方式直接修改，示例代碼如下：
s.index
Out:
Index([u'a', u'b', u'c', u'd'], dtype='object')
s.index=['w','x','y','z']s.index
Out:
Index([u'w', u'x', u'y', u'z'], dtype='object')
s
Out:
w 1x 2y 3z 4
作為一名IT從業(yè)者，同時也是一名教育工作者，我來回答一下這個問題。
首先，Python語言本身還是比較簡單的，即使沒有任何編程語言的基礎(chǔ)，也可以通過自學(xué)來掌握Python語言的基本用法。目前Python語言在大數(shù)據(jù)、人工智能領(lǐng)域有廣泛的應(yīng)用，隨著大數(shù)據(jù)等技術(shù)逐漸落地到傳統(tǒng)行業(yè)，傳統(tǒng)行業(yè)的職場人學(xué)習(xí)Python語言也有一定的必要。
學(xué)習(xí)Python語言通常需要經(jīng)過兩個階段，第一個階段是學(xué)習(xí)基本的Python語法，這個階段的學(xué)習(xí)難度并不算大，主要是了解Python語言的基本編程規(guī)則，同時建立初步的Python編程思想，由于Python語言的實驗過程相對比較簡單，所以初學(xué)者會很容易就能夠建立起學(xué)習(xí)的成就感。
第二個階段是通過Python來開發(fā)一些具體場景下的應(yīng)用，比如通過Python語言來完成Web開發(fā)、大數(shù)據(jù)開發(fā)、人工智能開發(fā)或者嵌入式開發(fā)等，這部分知識的學(xué)習(xí)要根據(jù)自身的知識基礎(chǔ)來選擇具體的方向，對于計算機基礎(chǔ)知識比較薄弱的初學(xué)者來說，可以按照Web開發(fā)路線來制定學(xué)習(xí)計劃。當(dāng)然，對于數(shù)學(xué)基礎(chǔ)扎實的初學(xué)者來說，按照大數(shù)據(jù)或者人工智能方向來學(xué)習(xí)Python也是不錯的選擇。
從當(dāng)前產(chǎn)業(yè)互聯(lián)網(wǎng)的發(fā)展趨勢來看，產(chǎn)業(yè)互聯(lián)網(wǎng)時代將是平臺化時代，在平臺化時代，開發(fā)人員將借助于云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)和人工智能等平臺來完成各種開發(fā)任務(wù)，而這些平臺大多也都支持Python語言。通過技術(shù)平臺來完成各種開發(fā)任務(wù)也會降低開發(fā)門檻，這對于大數(shù)據(jù)和人工智能等技術(shù)的落地應(yīng)用也有非常積極的意義。
最后，對于初學(xué)者來說，在掌握了基本的Python語法知識之后，可以通過實習(xí)崗位來深入學(xué)習(xí)，在學(xué)習(xí)編程語言的過程中，并不建議在脫離開發(fā)場景的情況下學(xué)習(xí)，邊用邊學(xué)往往會有更好的學(xué)習(xí)效果。
我從事互聯(lián)網(wǎng)行業(yè)多年，目前也在帶計算機專業(yè)的研究生，主要的研究方向集中在大數(shù)據(jù)和人工智能領(lǐng)域，我會陸續(xù)寫一些關(guān)于互聯(lián)網(wǎng)技術(shù)方面的文章，感興趣的朋友可以關(guān)注我，相信一定會有所收獲。
如果有互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等方面的問題，或者是考研方面的問題，都可以在評論區(qū)留言，或者私信我！