查看“Pandas”的源代码

Python Data Analysis Library

==数据结构==
*https://www.cnblogs.com/songxiaohua/p/9445087.html
===DataFrame===
*参见 https://blog.csdn.net/u014281392/article/details/75331570
 df = pd.DataFrame([[1, 2, 3],[4, 5, 6]], columns=['col1','col2','col3'], index=['a','b'])
* 表格方式定义，行是 index， 列是columns
*调用行 df.loc(['a'])，调用列 df['col1']
===Series===
*比较像字典，有index和values
*默认的index是range(),所以可以从ndarray转换而来
*可以从字典装换而来，key是变成index
 sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
 ser3 = Series(sdata)
* 不同Series对象可以根据索引进行匹配计算。

===Index===
*比较像集合set，但是元素可以重复

==io==
*read_csv
 import pandas as pd
 data=pd.read_csv('cGs_for_LAMOST.csv',comment='#')
 data.columns
 ra=data['ra']
 dec=data['dec]

*现在推荐read_csv 读普通表格了，默认总是把第一行做表头，如果没有表头用header=None
*详见 https://blog.csdn.net/brucewong0516/article/details/79092579
:comment='#'
:sep=' '(或者'\s' ;sep='\t'(分隔符是Tab键）

*read_table
：读普通的ascii文件
 file=pd.read_table(path+'test1.spectrum',skiprows=range(0,6),\
                  delim_whitespace=True, names=('A', 'B', 'C'), dtype={'A': np.int64, 'B': np.float64, 'C': np.float64})

==[[pickle]]==
*使用DataFrame的to_pickle属性就可以生成pickle文件对数据进行永久储存 
 df = pd.DataFrame(np.arange(20).reshape(4,5))
 df.to_pickle('foo.pkl')
 pd.read_pickle('foo.pkl')