前言：这是关于个人关于对pandas可以进行的数据处理和数据分析的见解的初版 ， 其中肯定不乏一些错误之处 ， 希望大家能多多指正 。
首先导入本文所需要的库：
import numpy as npimport pandas as pdimport matplotlib.pyplot as plt这里主要利用pandas从六个方面来对数据进行操作：
1.导入数据自我生成数据pandas 有两个常用的数据结构：Series 和 DataFrame ， 可以用来生成你想要的数组型对象 。
pd.Series(data=http://kandian.youth.cn/index/None, index=None, dtype=None, name=None, copy=False, fastpath=False)pd.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)外部加载数据但是 ， 在一般的数据处理分析中 ， 往往自我生成数据情况较少 ， 更多的是导入数据 。 pandas提供了一些用于将表格型数据读取为DataFrame对象的函数 。
这里导入本次需要的用到的数据（该数据来自天猫爬取的网页数据 ， 有兴趣的可以自己去爬取,这里只是暂做示例）：
data = http://kandian.youth.cn/index/pd.read_excel('F:/tianmao data/computer data.xlsx')表1对我们常用的文件格式进行了总结 ， 其中pd.read_csv()和pd.read_excel()可能会是你今后用得最多的 。
这些pandas的解析函数参数较为复杂 ， 具体了解可以在pandas官网上自行查阅 ， 或者可以再Jupyter Notebook 中采用help(pd.read_excel)命令查阅 。
2.审阅数据在成功导入数据以后 ， 需要对数据进行审阅 ， 目的是 ， 了解数据结构、类型、大小等情况 。 方便理解数据和为后续处理分析打下基础 。
（1）.查看前5行(默认前5行 ， 你也可以在括号里输入你想要的行数)：
data.head()（2）.查看倒数5行：
data.tail()（3）.查看维度信息：
data.shape（4）.查看每一列的数据格式：
data.dtypes（5）.查看数据表基本信息（维度、列名称、数据格式、所占空间等）：
data.info()（6）.查看某一列具体信息：
#两种处理效果一样data['月销量']data.月销量（7）.也可以按索引提取单行或多行数值：
#提取第4行data.iloc[4]#提取到第4行data.iloc[0:4]#提取所有行 ， 0到4列（也可以反过来）data.iloc[:,0:4]#提取第0、2、4行 ， 第3、4列data.iloc[[0,2,4].[3,4]]注：数据的选取较为灵活 ， 方法也较多 ， 诸如：data["你要选取的列名称"] ， data.loc[] ， data.iloc[] ， data.ix[]等等 。 具体可以上官网了解一下他们的区别和作用 ， 这里就不再继续详述了 。
（8）.将数据进行排序
#按销量的大小进行排序data=http://kandian.youth.cn/index/data.sort_values(by=['月销量'],ascending=False)（9）.查看基本的统计信息（最大值、最小值、平均值、中位值、四分位值、标准差等）：
data.describe()3.数据预处理说完对表中的数据进行简单的查看 ， 下面进行对数据进行的最关键操作：数据预处理
（1） 数据集成由于我的数据较为规整 ， 不需要合并和拼接 ， 这里只是简单介绍一下原理 。
1.pandas.merge可根据一个或多个键将不同DataFrame中的行连接起来 。 SQL或其他关系型数据库的用户对此应该会比较熟悉 ， 因为它实现的就是数据库的join操作 。
pandas.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)