pandas中如何获取数据
1、获取一列数据
首先，创建一个DataFrame，数据是由numpy随机生成的，有索引和列名。
获取数据可以直接通过列名获取某列数据，df['列名']，这个时候获取到的数据是一维的，例如之前说过的Series。
那么如何获取二维数据呢？二维数据用列表表示，就是列表中套列表。
2、输出多个列的信息
多列信息和一列数据是同样的道理。df[['c1','c2']]
输出结果可以看出每列信息的展示。
按照行获取数据
上面的案例解释了如何获取某一列或者某几列的数据，这里说明一下如何按照行来获取数据。
1、按照序号来获取行的数据
因为DataFrame中有index，一般index默认都是0开始的数字。
下面的案例中明确定义了index，但是获取数据的方式仍然可以通过序号来获取。
输出结果为，从结果来看，使用序号获取数据，因为采用的是列表的方式，所以第一行的数据并未获取，这里获取的是第二行和第三行的数据。
如果不清楚是如何表示的，可以参考列表的切片表示形式。
2、根据iloc方法获取行的数据
上面的方法中是直接获取行的数据，通过切片的方式。
但是有一个问题，如果切片的范围超过了 数据本身，那么程序就会报错。
所以这个时候就要采用iloc的方式获取数据，即使超过了表示范围，也不会报错。
只显示范围内的数据。
例如上面的例子，已经超出了列表范围，但是数据只显示现有的数据。
3、如何通过iloc 获取最后一行数据
因为列表的切片原因，最有一行可以用-1来表示，所以在这里也是不例外的。
通过对比原始数据和已经获取到的数据，就会发现数据之间的相似之处
从结果来看，最后一行数据确实是获取到了，只不过默认显示的方式和我们所想的是不一样的。
4、按照行的名称来获取行的数据，才使用的方法是loc
这里的名称指的是index。
DataFrame对象.loc[‘index名称’]，这种方式获取所在行的数据。
当然，上面的案例也是获取的一维数据的表现方式
下面的案例是获取行数据的二维表示
从代码的表现方式来说，是很相似的。
5、不管是通过iloc 还是loc ，还有一种直接的方法，是head，默认显示前5条数据。
就像linux中的head一样，显示前10条数据。
这里的head可以选择指定的条数，例如显示两条数据，head(2)
这里没有指定显示的条数，所以知识默认显示前5条。
但是因为我们的DataFrame数据是3*3的矩阵，所以只有3条数据。
从结果分析，最终head还是显示了仅有的三条数据。
按区块显示数据
前两个不管是按照行，或者还是按照列来显示数据，都是整体显示。
这个案例讲如何按照区块来显示，可以理解为定位（坐标）来显示。
例如：向获取某行某几列的数据
该案例显示的是c1和c3列前两行的数据表示为df[['c1','c3']].iloc[0:2]
例如：如何获取单个数据
获取c3列第一行数据,先获取列的数据，再获取行的数据。
代码表示为df[['c3']].iloc[0]
使用loc和iloc同时获取行和列的数据
之前的案例都是单独对行和列的数据进行获取，或者两者只用其中一个。
这个案例中同时使用loc和iloc获取行和列的数据。
通过观察发现，使用loc获取行和列的数据，都是使用的是列表套列表，也就是二维方式，而且必须是名称显示。
使用iloc获取行和列的数据，对与行的数据，是通过切片获取，对于列的数据，是通过列表获取。
这个很重要。
数据筛选
1、通过括号进行数据筛选
案例：筛选出c1列的数据中大于1的所有数据
关键代码 df['c1'] > 1
2、多个条件筛选
& 表示 且 and ，| 表示或者
案例：筛选c1列中大于1的数据，c2列中等于4的数据
从结果中可以发现，有一条数据是满足的
数据排序
1、如何实现DataFrame中进行数据排序的，关键方法是sort_values()方法。
该方法有两个参数，一个是by=列名，表示按照那个列进行排序。
另一个方法是ascending=False, asc 表示升序，所以默认使用sort_values方法是升序。
如果想要进行倒序排列，就需要将该参数设置成False。
从实例结果在中发现确实数据发生了倒序排序。
2、排序的另一个方法是sort_index()，按照索引来排序
数据的简单运算
1、通过简单的加减乘除，生成一列新的数据。
可以把df当做成一个字典，关于字段如何增加key和value的方式就不用多讲了吧。
就是直接dict[key]=value，就添加了一个新的元素。
从结果可以看出，相对于原始数据，新的数据中多了一列，计算的结果。
数据删除
数据删除，删除一列数据，drop方法。
该方法有两个参数，一个是columns，表示删除那个列的数据。
一个是inplace，表示立即生效。
删除数据之后，重新打印df，显示的结果少了一列数据。
那么如何删除多列数据呢？
删除多列数据可以采用列表的形式，将多个列名放在列表中即可。
从结果来看，确实已经删除成功了。
那么又如何删除索引的数据，也就行数据呢？
删除行数据的时候，drop方法中参数columns就需要编程index了
index中传递的索引名称，不在数序号了。
那么又如何删除多行数据呢？
删除多行数据，采用的方式就是在列表中传递多个值来完成。
高级操作 merge，合并两个DataFrame
1、数据的拼接 merge方法，默认是取交集，merge(df1,df2)
举例，有两个DataFrame，如何将两个DataFrame的数据合并成一个呢？
从上述例子中，有两个DataFrame，他们之间有相同的数据，那就是公司信息。
在公司信息中也有相同的数据。所以合并的时候，默认是对相同的数据进行合并。
从合并的结果来看，每个df都有三条数据，合并之后变成了两条数据。
并且合并之后的数据中，公司的信息取了两个df的共同部分。相对应的分数和股价信息页合并在一个df里面了，只不过数据是以公司相同数据为准。
知识点：如何你的df中有多个列，都是相同的，你可以指定，按照那个列进行数据合并。
关键参数，on=你想要以这个列合并的列名。
2、如果不想合并后数据丢失，即取交集，可以采用取所有数据，就是outer。
用数据库的方式理解就是全外关联，full join.
关键参数，how=outer
使用这种方法，如果那个数据没有，则默认显示NaN，就是空的意思。
3、如果想要以左边的df数据为准，去合并右边的数据，可以用how=left
从数据库的角度来说，就是左连接。
当然how=right 就表示右连接，以右边df的数据为主。
高级操作，数据拼接 concat
上面说的merge也是一种数据合并的方式，concat更加直接，就是拼接的意思。
在数据库中被称之为 union all
该方法没有on和how参数，默认是以列的方式进行数据拼接。
可以观察上面的代码和下面的结果之间的内在联系。
2、索引重置
按照concat方法进行拼接，发现拼接后的数据index个是个的。
所以要统一index，有方法reset_index()，重置index。
经过reset_index方法之后，发现所有的index都被重置了。
reset_index是pd中常用的重新索引的方法，但是从案例中发现数据好像有点问题。
所以concat有一个方法，是ignore_index=True，意思是忽略旧的索引，就是说合并对象的索引，重新创建新的索引。
通过ignore_index方法之后，新的索引已经生成了。
concat中还有一个参数，是axis=1，表示纵向拼接，默认为0，是纵向拼接。
从结果看，两个地方的数据都显示在同一行，也没有发生数据交集，各显示各的。
高级操作，append拼接数据
append有点像列表中的append，追加数据的意思了。
实际上append是concat的简单版本，经过测试，在python最新版本3.12里面变成了_append。
案例：将df2的数据追加到df1中。
从结果看，append的效果和concat的效果一样。
但是append在这里同样也有追加数据的功能。
但是需要将追加的结果赋予新的变量，当然也可以赋值给自己。
上面的案例是将追加的结果赋值个新的变量
这个案例是将追加的结果赋值给自己
但是不管方式如何，产生的结果都是一样的。
总结
系统化的学习和了解了DataFrame的各种操作，也就意味着可以将这些数据写到excel中。
pandas写入数据到excel中还是很简单的。