和几乎所有的Python包一样，pandas也可以通过pip进行安装。如果你装过Anaconda套件的话，那么像是numpy、pandas等库已经自动安装好了，如果没有安装过也没有关系，我们使用一行命令即可完成安装。

pip install pandas复制代码

和Numpy一样，我们在使用pandas的时候通常也会给它起一个别名，pandas的别名是pd。所以使用pandas的惯例都是：

import pandas as pd复制代码

如果你运行这一行没有报错的话，那么说明你的pandas已经安装好了。一般和pandas经常一起使用的还有另外两个包，其中一个也是科学计算包叫做Scipy，另外一个是对数据进行可视化作图的工具包，叫做Matplotlib。我们也可以使用pip将这两个包一起安装了，在之后的文章当中，用到这两个包的时候，也会简单介绍一下它们的用法。

pip install scipy matplotlib复制代码

在pandas当中我们最常用的数据结构有两个，一个是Series另外一个是DataFrame。其中series是一维数据结构，可以简单理解成一维数组或者是一维向量。而DataFrame自然就是二维数据结构了，可以理解成表或者是二维数组。

我们先来看看Series，Series当中存储的数据主要有两个，一个是一组数据构成的数组，另外一个是这组数据的索引或者是标签。我们简单创建一个Series打印出来看一下就明白了。

这里我们随意创建了一个包含四个元素的Series，然后将它打印了出来。可以看到打印的数据一共有两列，第二列是我们刚才创建的时候输入的数据，第一列就是它的索引。由于我们创建的时候没有特意指定索引，所以pandas会自动为我们创建行号索引，我们可以通过Series类型当中的values和index属性查看到Series当中存储的数据和索引：

这里输出的values是一个Numpy的数组，这并不奇怪，因为我们前面说了，pandas是一个基于Numpy开发的科学计算库，Numpy是它的底层。从打印出来的index的信息当中，我们可以看到这是一个Range类型的索引，它的范围以及步长。

索引是Series构建函数当中的一个默认参数，如果我们不填，它默认会为我们生成一个Range索引，其实也就是数据的行号。我们也可以自己指定数据的索引，比如我们在刚才的代码当中加入index这个参数，我们就可以自己指定索引了。

当我们指定了字符类型的索引之后，index返回的结果就不再是RangeIndex而是Index了。说明pandas内部对数值型索引和字符型索引是做了区分的。

有了索引，自然是用来查找元素用的。我们可以直接将索引当做是数组的下标使用，两者的效果是一样的。不仅如此，索引数组也是可以接受的，我们可以直接查询若干个索引的值。

另外在创建Series的时候，重复的索引也是允许的。同样当我们使用索引查询的时候也会得到多个结果。

不仅如此，像是Numpy那样的bool型索引也依然是支持的：