是一个开源的交互式计算环境，广泛应用于数据科学、机器学习、科学研究等领域，主要组件有Jupyter

Notebook和Jupyter

的继承者，提供了更现代化和功能丰富的界面。

JupyterLab的多文档界面、内置协作功能和扩展系统使其成为数据科学家和研究人员的首选。

data-src="https://i-blog.csdnimg.cn/direct/dcd8944ca21f4ea9bb52e8117ee6b0b2.png#pic_center"

numpy是Python中科学计算的基础包。

它是一个Python库，提供多维数组对象、各种派生对象（例如掩码数组和矩阵）以及用于对数组进行快速操作的各种方法，包括数学、逻辑、形状操作、排序、选择、I/O

、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。

ndarray，一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。

用于对整组数据进行快速运算的标准数学函数（无需编写循环）。

用于读写磁盘数据的工具以及用于操作内存映射文件的工具。

用于集成由C、C++、Fortran等语言编写的代码的API。

'numpy.ndarray'>

array()：将输入数据转换为ndarray，会进行copy。

asarray()：将输入数据转换为ndarray，如果输入本身是ndarray则不会进行copy。

提供了易于使用的数据结构和数据分析工具，特别适用于处理结构化数据，如表格型数据（类似于Excel表格）。

Pandas
是数据科学和分析领域中常用的工具之一，它使得用户能够轻松地从各种数据源中导入数据，并对数据进行高效的操作和分析。

用得最多的pandas对象是Series，一个一维的标签化数组对象，另一个是DataFrame，它是一个面向列的二维表结构。
中的一个核心数据结构，类似于一个一维的数组，具有数据和索引。

Series
可以存储任何数据类型（整数、浮点数、字符串等），并通过标签（索引）来访问元素。
Series
的数据结构是非常有用的，因为它可以处理各种数据类型，同时保持了高效的数据操作能力，比如可以通过标签来快速访问和操作数据。
1）Series
可以容纳不同数据类型的元素，包括整数、浮点数、字符串、Python
大小不变性：Series
对象，并且可以为其指定索引（Index）、名称（Name）以及值（Values）：
安装pandas库；
id="33-pandas数据结构-dataframe">3.3
中的另一个核心数据结构，类似于一个二维的表格或数据库中的数据表。
它是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值），既有行索引也有列索引。

DataFrame中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维数据结构）。
它可以被看做由Series组成的字典（共同用一个索引）。
提供了各种功能来进行数据访问、筛选、分割、合并、重塑、聚合以及转换等操作，广泛用于数据分析、清洗、转换、可视化等任务。
安装pandas库
30]},index=[1001,1002,1003],columns=["age","name"])
class="post-meta-container">