基础背景
最近开始折腾第三方金融 API 接口，结果返回的数据都是 DataFrame 结构，于是入门了 Python 的数据处理库 Pandas，整理了相关的基础知识，方便后续查询。
在 Python 中最便利的数据处理库是 Pandas，而 Pandas 是建立在基础库 NumPy 的基础上。此文章也会涉及到部分 NumPy 的介绍。希望这篇文章帮助大家快速了解这些基础库。
NumPy
NumPy 是一个 Python 拓展库，支持大量的维度数组与矩阵运算，在 NumPy 中最重要的就是其基础数据结构 NdArray，用于多维数组的存储。
NdArray
NdArray 是多维的同类型数据的集合。NdArray 类似与 C 语言中的数组，由于数据类型相同，单个数据占用的大小是固定的，数据的访问是数据的指针地址访问，因此访问速度比较快。基础的使用类似如下所示：
import numpy as np
# 构建一维数组 [0, 1, 2... 11]
a = np.arange(12)
# 将一维数组转换为二维数组 [[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]]
b = a.reshap(4, 3)
对于一般数组中存在的基础操作，NdArray 都是支持的。比如切片，索引，迭代访问，以及基于索引的访问。
同时 NdArray 也支持额外的数学操作，比如矩阵的加减乘除，以及多维数组的统计方法，比如计算中值，算术平均值，方差，标准差等。使用类似如下所示：
import numpy as np
# 计算标准差
np.std([1,2,3,4])
一般情况下，直接将 NdArray 理解为多维数组即可。而后续进行数据处理时，大部分情况下不需要直接接触 NdArray，如果真的需要进行 NdArray 的操作，查询 官方文档 即可。入门的中文教程也可以参考 NumPy 中文教程 。
Pandas
Pandas 是一个高性能的数据分析工具。提供了遍历的数据分析接口与数据结构。
Pandas 中最基础和常用的是两个数据结构：Series，DataFrame。Series 被译为标签数组，主要用于存储一维数据，DataFrame 也被叫做数据帧，主要用于存储二维数据。下面分别对这两个基础数据结构进行介绍。
Series
Series 是一维标签数组，行为类似于数组，同样也类似于字典。可以通过下标访问数据，也可以通过索引进行访问。使用类似如下所示：
import pandas as pd
# 根据数组生成 Series
s = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'])
# 2
print(s[1])
# 2
print(s['b'])
在上面的例子中，利用数组 [1, 2, 3, 4, 5] 生成 Series，指定的索引为 ['a', 'b', 'c', 'd', 'e'] ，此时Series 可以具备数组的属性，因此可以通过 s[1] 访问第二个元素 2 ，也具备字典的特定，索引作为作为字典的 key 存在，此时 Series 类似 {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5} , 因此可以通过 s['b'] 访问元素 2 。
DataFrame
DataFrame 是一个二维标签数据结构，在 Series 的基础上增加了列索引。在实际使用时，可以通过行索引获取到特定行，也可以通过列索引获取特定列的数据。使用类似如下所示：
import pandas as pd
# 基础数据，为 key 为字符串，value 为 Series 对象的字典
d = {'one': pd.Series([1,2,3], index=['a', 'b', 'c']),
'two': pd.Series([2,4,6], index=['a', 'b', 'c'])}
# 根据字典生成 DataFrame 对象
df = pd.DataFrame(d)
# 获取特定列, 得到数据为 Series 对象，类似 pd.Series([1,2,3], index=['a', 'b', 'c']
df['one']
# 通过行标签 'a' 获取第一行的数据，得到 Series 对象，类似 pd.Series([1, 2], index=['one', 'two'])
df.loc['a', :]
可以看到，在上面的使用中，通过值为 Series 的字典 {'one': pd.Series([1,2,3], index=['a', 'b', 'c']), 'two': pd.Series([2,4,6], index=['a', 'b', 'c'])} 构造出 DataFrame 对象，后续可以通过行索引或列索引分别访问到特定的数据，得到的数据均为 Series 对象。
在实际使用中，使用 Pandas 的场景下会大量使用 DataFrame 数据结构，在实践中，可能会需要获取特定数据的平均值，标准差等，以及矩阵操作等，在 Pandas 中都可以很容易做到。具体的实践可以参考官方文档 , Pandas 中文提供了中文文档 ，编程字典也提供了一个不错的 入门教程 ，可以互为对照
总结
Python 提供的数据分析库 Pandas 提供优秀的数据结构 Series，DataFrame，以及基于此数据结构的大量的使用数据操作，在实践中，可以根据需要参考文档使用。后续根据实践情况再整理具体的使用经验。
