命令行输入ipython notebook
此时，浏览器会自动运行并打开ipython网页
基本操作
如上图所示，新建一个项目
导入相关模块，建立一个数据集
制造数据缺失项,并给新插入部分部分赋值
这样就构造了一个二维的DataFrame数组，其中包含了一些空数据
处理空数据一般有两种
dropna(),将含有空值行去掉
fillna（values=5）将空值替换成默认值
pd.isnull(df1) 可以判断元素是否是空数据，加any().any()可以得到是否有空数据的布尔值
按列求平均值计算:(空值不参与计算)
按行求平均值计算：(空值不参与计算)
按列求累加值：(空值不参与计算)
当两个维数不同的数组相减时，被减的数组会复制当前列补全被减数组的维数，空值不参与运算
按行累加
每一列最大值减最小值
apply函数输入的是个序列
value_counts()查看元素出现的次数与.mode()查看出现次数最多的元素
先创建一个随机序列
调用value_counts()
调用.mode()查看出现次数最多的元素
数据合并
先创建一个10*4的数组
(1)调用concat()函数合并数组（concat接受的是一个数组，数组里面是要合并的数组）
查看合并后的数组是否与原数组相等
或
(2)通过merge合并，类似于表join关联
先创建两个数组
调用merge,等价于select * from left inner join right on left.key = right.key;
(3)插入方式合并数组
先创建一个数组
调用append，如果插入列数不同，将为缺失值
分类统计
先创建数组
单个对'A‘’分组，groupby('A')
多分组,groupby([])
数据整形
概括：行索引与列索引做位置互换
先创建一个元组列表
给双层索引重新命名
创建一个8*2的数组
调用stack()函数将列索引变行索引,
调用unstack()将最后一层行索引转换为列索引，每调用一次，取一层行索引转换为列索引
数据透视
概念：根据需求只看数组中的一部分
先创建一个数组
调用pivot_table(),参数为values、index、columns，分别表示要查看的列数据与行索引与列索引范围
比如查看D这一列，以A、B为联合行索引，以C为列索引的数据，如果对应数据不存在则为NaN,如果对应位置有多个值，则为平均值
时间序列
先创建时间序列
根据时间序列创建对应的随机数数组
数据量过大时可以定义采样方法，调用resample()函数
如没两分钟采样求平均值
还有一种创建时间序列的方式：以季度创建
调用to_timestamp()可以转换为时间日期的格式
pandas对于时间的计算相当简单，如
类别数据
先创建一个数组
添加类别数据
查看类别索引,并给类别索引重新赋值，如果对grade排序，并不是以grade排序，而是以raw_grade来排序
数据可视化
先创建一个数组
调用cumsum函数对数据求和
调用plot(),将数据可视化
数据读写
先创建一个数组
调用to_csv('file.csv')将数据写入磁盘
调用pd.read_csv('file.csv')读出磁盘文件数据,加参数指定索引列，否则之前的索引列会被当成数据列产生异常