与其他编程语言一样，Python具有大量其他模块和库，这些模块或库支持该语言的基本框架和功能。
我们将库视为函数的集合，无需编写自己的算法即可访问这些函数以完成某些编程任务。
比如以下这些模块：
Numpy is a library for working with arrays of data.用于处理数据数组的库。
Pandas provide high-performance, easy-to-use data structures and data analysis tools. 提供了高性能，易于使用的数据结构和数据分析工具。
Scipy is a library of techniques for numerical and scientific computing.是用于数值和科学计算的技术库。
Matplotlib is a library for making graphs. 是用于制作图形的库。
Seaborn is a higher-level interface to Matplotlib that can be used to simplify many graphing tasks.是Matplotlib的高级接口，可用于简化许多图形绘制任务。
Statsmodels is a library that implements many statistical techniques.是一个实现许多统计技术的库。
现在我们主要来看看pandas这个库的使用方法
pandas的数据结构有三种 分别为 series，dataframe和panel，对应一维，二维，三维数据。 其中dataframe最为常用。
1. 录入文件
df = pd.read_csv("文件名")
2. 查看文件
我们可以通过调用head（）函数来查看前五行数据：
df.head()
如果我要查看全部数据，则直接输入df
栗子（come from coursera）：
如果我们要看表头，那就输入：
df.columns
3.pandas索引
记得之前说过的切片slice吗，dataframe的索引中，有三个函数可以用于选择数据
loc(): 使用index来选择数据 （based indexing）
iloc()：使用整数索引来选择数据 （positional indexing）
ix(): iloc()和loc()的混合 （已废弃，不推荐使用）
首先介绍loc()，
语法：
loc [ : , ]
一般逗号左边是用来索引行，逗号的右边用来索引列
一般逗号的左边都是数字，右边则为“列名”，也可以是bool
索引单列语法：
df.loc[:,"列名"]
这样就会输出所有的这一列的数据
索引多列语法：
df.loc[:,[ "列名1", "列名2", "列名3" ]]
这样就会输出多行数据
索引限定行语法：
数字也可以放入loc中当做索引，但是这时数字指的是标签而不是位置
比如df.loc[数字:数字]所输出的是编程排序里0-9的，也就是ID从1-10的行
df.loc[:数字,[ "列名1", "列名2", "列名3" ]]
df.loc[数字:数字,[ "列名1", "列名2", "列名3" ]]
另外，在我们进行索引的时候，就像python中的切片一样，如果是针对行的索引，那么后边的:， 是可以省略不写的。
还有一种玩法，就是利用loc函数，根据某个数据来提取数据所在的行
举个例子：
然后，我们来看看.iloc, .iloc 是基于integer 和bool的切片，不接受string。
基础语法：
iloc [ : , : ]
跟loc一样，iloc逗号左边是用来索引行，逗号的右边用来索引列
一般逗号的左右都是数字
与.loc不同的是，.iloc里面的数字指的是位置，所以遵从我们切片器的规则，包头不包尾。（ [1:5] 的意思就是，从第二个到第四个，因为包1不包5）
用法：
df.iloc[:4] 代表索引前4行 (编程里的排序0，1，2，3，ID为1，2，3，4）
df.iloc[4] 代表索引第5行 (编程里的排序0，1，2，3，4的4代表ID5）
df.iloc[1:5, 2:4] 代表索引2-5行，3-4列（编程里排序的1234，也就是ID2345; 编程里排序的23，也就是第三第四列）
我们还可以通过输入df.dtypes 来看看文档的数据类型
也可以通过df.列名.unique 来看看这一列存在的unique值
另外，df.groupby(['列名‘]).size()可以帮我们查看列里面的variable出现的个数
今天先到这儿，只是对pandas进行一个初步的了解，明天继续加油呀～