❶ pickle是什麼文件
pickle是一種python特有的序列化（Serialization）和反序列化（Deserialization）的文件格式。以下是對pickle文件的詳細解釋：
一、定義與功能
二、序列化與反序列化
三、支持的對象類型
四、使用注意事項
綜上所述，pickle文件是Python特有的一種序列化格式，用於將Python對象轉換成位元組流以便存儲或傳輸。它支持各種Python對象類型，但在使用時需要注意安全性問題。
❷ python中什麼是序列，列表，元組，字元串，索引，區別是什麼
序列和列表雖然都是用的中括弧[]，但個人認為序列是一連串的，但列表裡每個元素都有各自地址，只不過是邏輯上把他們整合到一起而已。
❸ Python其實很簡單 第十九章 Pandas之Series與DataFrame
19.1安裝Anaconda
Anaconda是Python的一個開源發行版本，它預裝了豐富的第三方庫，而且主要面向科學計算和數據分析，使用起來要比原版的Python更省時省力。
Anaconda官方下載網址為：https://www.continuum.io/downloads。下載和安裝的方法很簡單，若有問題可以在網上搜索相關內容學習解決。
安裝Anaconda之後，就會發現在Anaconda目錄下同時安裝了Jupyter Notebook、Spyder等工具，我們接下來主要使用Spyder進行開發。關於Spyder的使用方法非常簡單，大家也可以去網上搜索學習。
雖然Anaconda已經預裝了很多常用的包，但有時我們也需要自己安裝一些包。可以在開始菜單中選擇「Anaconda Anaconda Prompt」命令，在命令行輸入conda install （ 代表包名）即可安裝，也可以輸入pip install 。
19.2數據分析包Pandas
Pandas是Python的一個數據分析包，Anaconda安裝時已經附帶安裝了Pandas包。
Pandas數據結構有三種：Series（一維數組）、DataFrame（二維數組）和Panel（三維數組），其中最常用的是前兩種數據結構。
19.2.1 Series
Series（序列）用於存儲一行或一列數據，以及與之相關的索引的集合。
語法格式如下：
Series([數據1，數據2，......], index=[索引1,索引2,......])
例：
from pandas import Series
s=Series(['張三','李四','王五'],index=[1,2,3])
print(s)
輸出結果如下：
1 張三
2 李四
3 王五
dtype: object
上面建立序列時指定了索引，若不指定，則默認的索引值從0開始。如下：
s=Series(['張三','李四','王五'])
輸出結果為:
0 張三
1 李四
2 王五
dtype: object
索引值也可以為字元串。如下：
from pandas import Series
s=Series(['張三','李四','王五'],index=['A','B','C'])
print(s)
輸出結果為：
A 張三
B 李四
C 王五
dtype: object
1、訪問序列
（1）可以通過索引訪問序列，如：
from pandas import Series
s=Series(['張三','李四','王五'])
print(s)
print(s[0])
print(s[1:])
運行結果如下：
0 張三
1 李四
2 王五
dtype: object #print(s)輸出
張三 #print(s[0])輸出
1 李四
2 王五
dtype: object #print(s[1:])輸出
（2）通過值獲取索引值
from pandas import Series
s=Series(['張三','李四','王五'],index=['A','B','C'])
print(s.index[s.values=='李四'])
運行結果：
Index(['B'], dtype='object')
（3）判斷值是否存在
from pandas import Series
s=Series(['張三','李四','王五'],index=['A','B','C'])
f='李四' in s.values
print(f)
運行結果：
True
（4）定位獲取
from pandas import Series
s=Series(['張三','李四','王五','孫六'],index=['A','B','C','D'])
print(s[[0,2,1]])
運行結果：
A 張三
C 王五
B 李四
dtype: object
2、修改序列
（1）追加序列，如：
from pandas import Series
s=Series(['張三','李四','王五'],index=['A','B','C'])
s1=Series(['孫六'],index=['D'])
s=s.append(s1)
print(s)
運行結果：
A 張三
B 李四
C 王五
D 孫六
dtype: object
（2）修改序列的值
from pandas import Series
s=Series(['張三','李四','王五','孫六'],index=['A','B','C','D'])
s[1]='李飛'
print(s)
運行結果：
A 張三
B 李飛
C 王五
D 孫六
dtype: object
不知道索引，僅知道要修改的值，也可通過值查找到索引後，再修改序列的值。如：
s[s.index[s.values=='李四']]='李飛'
這樣也可以將「李四」修改為「李飛。
（3）修改索引
from pandas import Series
s=Series(['張三','李四','王五','孫六'],index=['A','B','C','D'])
s.index=[0,1,2,3]
print(s)
運行結果：
0 張三
1 李四
2 王五
3 孫六
dtype: object
（4）刪除元素
from pandas import Series
s=Series(['張三','李四','王五','孫六'],index=['A','B','C','D'])
s=s.drop('A')
print(s)
運行結果：
B 李四
C 王五
D 孫六
dtype: object
（5）重新排序
可以按照索引排序，使用sort_index(ascending=True)方法對index進行排序操作。
from pandas import Series
s=Series(['張三','李四','王五','孫六'],index=['A','B','C','D'])
s=s.sort_index(ascending=False) # ascending=False表示按降序排列
print(s)
運行結果：
D 孫六
C 王五
B 李四
A 張三
dtype: object
（6）重置索引
重置索引可以使用reindex()。如果index列表中的元素多於序列的值，可用fill_value=0這樣的語句填充。
s=s.reindex(['D','C','B','A'])
如果index列表中的元素多於序列的值，可用fill_value=0這樣的語句填充。
s=s.reindex(['D','C','B','A'], fill_value=0)
19.2.2 DataFrame
DataFrame（數據框架）用於存儲多行和多列的數據集合。它是Series的容器，類似於Excel中二維表格。
定義一個DataFrame的語法格式如下：
df=DataFrame({列名1 : 序列1，列名2 : 序列2，.......列名n : 序列n}, index=序列 )
例如，有如下二維表：
姓名
性別
年齡
張三
男
18
李四
女
19
王五
男
17
保存到DataFrame中可以用如下方法：
from pandas import Series
from pandas import DataFrame
name=Series(['張三','李四','王五'])
sex=Series(['男','女','男'])
age=Series([18,19,17])
df=DataFrame({'姓名':name,'性別':sex,'年齡':age})
print(df)
運行結果：
姓名 性別 年齡
0 張三 男 18
1 李四 女 19
2 王五 男 17
從上例可以看出，雖然我們省缺了索引，但系統自動添加了從0開始的索引值。
19.3 DataFrame的基本操作
1、訪問方式
（1）獲取行
print(df[1:2]) # 獲取第1行的值
輸出結果：
姓名 性別 年齡
1 李四 女 19
print(df[1:3]) #獲取第1行到第2行的值
輸出結果：
姓名 性別 年齡
1 李四 女 19
2 王五 男 17
（2）獲取列
print(df['姓名']) #獲取「姓名」列的值
輸出結果：
0 張三
1 李四
2 王五
Name: 姓名, dtype: object
另一種方法：
print(df[df.columns[0:1]]) #先按照索引號獲取列名，再按照列名讀取
輸出結果和上面的方法完全一致。
還有一種情況，是獲取唯一值，即將列內的重復值中多餘的刪除，僅留下互不相同的值。所用的到方法是unique()。
sex1=Series(df['性別'].unique())
print(sex1)
輸出結果：
0 男
1 女
dtype: object
（3）獲取指定位置的值
print(df.at[1,'姓名']) # 格式為變數名.at[行號，列名]
輸出結果：
李四
（4）獲取塊的值
print(df.iloc[0:2,1:3]) # 格式為變數名.iloc[行號1:行號2, 列號1:列號2]
輸出結果：
性別 年齡
0 男 18
1 女 19
print(df.iloc[:,1:2]) #獲取「性別」列的值
運行結果：
性別
0 男
1 女
2 男
2、修改、刪除、增加行和列
（1）修改列名
print(df.columns)
df.columns=['name','sex','age']
print(df.columns)
輸出結果：
Index(['姓名', '性別', '年齡'], dtype='object')
Index(['name', 'sex', 'age'], dtype='object')
可見，列名已經由「姓名、性別、年齡」修改為「age、sex、age」了。但這種修改必須把全部列名都一一列舉，不能有遺漏，否則就會出錯。如：
df.columns=['name','sex']
此時會報錯：ValueError: Length mismatch: Expected axis has 3 elements, new values have 2 elements。
（2）修改行索引
df.index=[1,2,3]
（3）刪除行
df.drop(1,axis=0) # axis=0表示行軸，也可以省略
（4）刪除列
df.drop(『性別』,axis=1) # axis=0表示列軸
也可以使用另一種方法：
del df['性別']
（5）增加列
df['電話']=[�',�',�']
print(df)
運行結果：
姓名 性別 年齡 電話
0 張三 男 18 1111111
1 李四 女 19 2222222
2 王五 男 17 3333333
（6）增加行
df.loc[len(df)]=['孫六','男',ཐ']
（7）追加
from pandas import Series
from pandas import DataFrame
name=Series(['張三','李四','王五'])
sex=Series(['男','女','男'])
age=Series([18,19,17])
df=DataFrame({'姓名':name,'性別':sex,'年齡':age}) # 建立DataFrame，變數名為df
name1=Series(['孫六','候七'])
sex1=Series(['男','女'])
age1=Series([19,17])
df1=DataFrame({'姓名':name1,'性別':sex1,'年齡':age1})
# 建立DataFrame，變數名為df1
df=df.append(df1,ignore_index=True)
# 將對df1追加到df後面，參數ignore_index=True表示重新索引
print(df)
運行結果：
姓名 性別 年齡
0 張三 男 18
1 李四 女 19
2 王五 男 17
3 孫六 男 19
4 候七 女 17