Series是一维的数据结构，DataFrame是一个表格型的数据结构，它含有不同的列，每列都是不同的数据类型。我们可以把DataFrame看作Series组成的字典，它既有行索引也有列索引。想象得更明白一点，它类似一张excel表格或者SQL，只是功能更强大。

构建DataFrame的方法有很多，最常用的是传入一个字典。

DataFrame会自动补充索引，并且将字典的key作为列标签，即column。在这里，dict的key顺序是DataFame的顺序，不再是无序的。

DataFrame中可以通过info函数直接查看数据类型和统计。

DataFrame的数据类型变更和numpy一样，用astype就行，记住要赋值。df.age = df.age.astype，图上只是举例，没有真的更改数据类型。

DataFrame的索引方式和Series一直，它选取的是列。

返回的是一组Series，索引和原DataFrame一致。除了方括号选取，DataFrame还有更简单的选取方法。

行也可以通过通过位置获取，用索引字段ix的方式。

第二个方法不需要调用ix，直接以切片的形式获取行，切片的用啊和数组一样。记住，切片无法用单独的数字选取，只能用冒号切选范围。

列可以通过赋值的方式修改和添加，当列的名称是全新，则会在DataFrame的最右边自动加上新的一列。

列表和数组都可以赋值到列，长度必须匹配，列表是按照顺序，数组的话，可以按index参数设置的索引对应，若为空，则填上缺失值。

DataFrame的index不可更改，这是为了数据的安全性，但我们能通过index函数获取详情。

DataFrame在数据选取上面非常强大。

它支持常用的逻辑判断，例子中，后两种数据选取是通过布尔数组过滤出我们想要的结果。

df.sex == ‘男’返回了一个布尔数组(记住，是两个等号，一个等号是赋值），然后通过布尔数组找出df中符合条件为true的结果。

现在我们希望找出年龄在20以下，且性别为男的人。

这里用到布尔类型数据的计算公式，true and true 为true，false and true 为false。pandas中的逻辑符号，并且是&，或者是|。接下来过滤出性别为女，或者年龄为18的人。

当逻辑条件复杂时，这种写法并不优雅，比如性别为男，且年龄在18岁，以及性别为女，且年龄在18岁以上的两类人群，这种过滤条件就比较复杂了。pandas中可以用query函数以类SQL语言执行查询。

query中可以直接使用列名，它的功能远不至于此，大家有兴趣可以深入学习。

DataFrame可以直接在列上进行运算，当DataFrame和DataFrame之间运算时，按索引进行加减乘除。