概述
numpy给了python列表矩阵运算的功能，pandas则是在此基础上添加了字典的功能，即给数据增加了键 ，通过import pandas as pd导入使用，一维对象的创建使用sr=pd.Series()实现，函数内可以使用字典或值和键的列表创建，键缺省时默认为递增数组，该对象有values和index两个属性，可通过对象方法直接调用，简单示例展示如下：
二维对象可使用多个一维的Series拼接，本质是列的组合 ，二者index不一致时会取交集，可能造成数据丢失，多个一维对象通过df=pd.DataFram({标签:Series})进行组合，也可以使用df=pd.DataFram(值，行标签，列标签)，该对象有三个属性values、index和columns，生成简单示例展示如下：
标签并不完全照搬字典的机制，最关键的就是不要求键唯一，标签中允许出现相同键 ，故可以使用index.unique判断是否有重复键，该二维矩阵在深度学习中，行为数据，列为特征。
对象索引
由上面的概述知识，我们可以人为规定的元素的键，这称为显式索引 ，同时也有计算机自己使用的，单纯为递增数值的隐式索引 ，分别用索引器loc和iloc表示，我们访问元素时可以指定索引类型，再使用[键]的方式访问。
在标签中同样支持花式索引，和切片操作，区别是显式索引[起点:终点]切片时包含终点，而隐式不包含，二维数组中的索引器不可省，简单示例如下：
对象变形
转置df.T
翻转
上下翻转df=df.iloc[ : , : : -1]
左右翻转df=df.iloc[ : , -1, : ]；
重塑，因为标签的存在，reshape不再适用，只能提取其特定行组成新向量；
拼接，pd.concat(df1,df2,axis)，其中axis指定为行或是列，行添加为增加数据个体，列添加为增加特征，一维二维合并只需使用df[键]=src将一维数据赋值给二维即可。
对象运算
与numpy类似，加减乘除都是逐元素运算，也可使用聚合函数np.sum()等。
对象与对象之间维度不同仍可运算，但不同的纬度值会直接缺失。
对象缺失值
df.isnull()发现缺失值，返回bool类型的数组
df.dropna(axis,how="方法")剔除缺失值的数据，默认axis=0删除行数据，也推荐该方式，因为训练中样本多而特征少，错误数据剔除样本即可，此外还可以使用how参数对剔除标准进行设置，比如设置为all表示数据全缺失才剔除，也可以输入其他个数。
df.fillna(参数)填充数据，可设置为0，或使用聚合函数np.mean()使用平均值填充，或method="ffill"或"bfill"使用前后数据填充。
Excel导入
以下图简单数据作为示例：
使用df=pd.read.csv(路径，index_col=0)读取表格文件到pandas，数据太多时可用df.head()展示前五行信息，np中的聚合函数在pd中均改为方法，即通过对象直接调用sum等方法，分析结果可用describe聚合查看，简单示例如下：
百分数分别表示该位置的数，如50%代表中位数的值。
数据透视
本文的示例只用于学习语法使用，实际的数据可能数量很大，整体查看很难获得有用信息，此时可以使用函数pivot_table(目的结果，index/colums=因子)查看因子如何影响结果，更新展示数据为
更接近实际问题，透视示例展示如下：
该方法中隐含参数aggfunc默认为mean求平均，也可使用其他聚合函数sum、max等。
该示例数据量很小，数据集中可能增大时年龄分布可能很广，每个年龄都单独统计看着让人眼花，所以需要进行分割计算，可以用age=pd.cut(df[标签]，[分割点])再进行数据穿透，也可以使用pd.qcut(df[标签]，n)自动将数据分成n份，简单示例如下：
age=pd.cut(df["年龄"],[0,21,23])
df.pivot_table("工资",index=age,columns="学历")
总结
本节学习了深度学习pandas库的使用，包括创建标签，访问和增加数据，比较关键的是在excel中的导入和使用，该库基于numpy实现，大部分方法可以直接使用，至此我们完成了深度学习数据操作的内容，下一步需要学习的就是网络的相关知识，包括如何搭建和调整参数。