一元函数：abs, sqrt, exp, log, ceil, floor, rint/round, trunc, modf, isnan, isinf, cos, sin, tan
常用函数： sum 求和 cumsum 求累计和 mean 求平均数 std 求标准差 var 求方差 min 求最小值 max 求最大值 argmin 求最小值索引 argmax 求最大值索引
pandas是一个强大的Python数据分析的工具包。
pandas是基于NumPy构建的。
pandas的主要功能
具备对其功能的数据结构DataFrame、Series
集成时间序列功能
提供丰富的数学运算和操作
灵活处理缺失数据
安装方法：pip install pandas 引用方法：import pandas as pd
Series是一种类似于一位数组的对象，由一组数据和一组与之相关的数据标签（索引）组成。
Series比较像列表（数组）和字典的结合体
创建方式：pd.Series([4,7,-5,3])
pd.Series([4,7,-5,3],index=[‘a‘,‘b‘,‘c‘,‘d‘])
pd.Series({‘a‘:1, ‘b‘:2})
pd.Series(0, index=[‘a‘,‘b‘,‘c‘,‘d‘])
获取值数组和索引数组：values属性和index属性
Series支持NumPy模块的特性（下标）：
从ndarray创建Series：
Series(arr) 与标量运算：sr*2
两个Series运算：sr1+sr2
索引：sr[0], sr[[1,2,4]]
切片：sr[0:2]
通用函数：np.abs(sr)
布尔值过滤：sr[sr>0] Series
支持字典的特性（标签）：
从字典创建Series：Series(dic), in
运算：’a’ in sr
键索引：sr[‘a‘], sr[[‘a‘, ‘b‘, ‘d‘]]
整数索引的pandas对象往往会使新手抓狂。
例： sr = np.Series(np.arange(4.))
sr[-1]
如果索引是整数类型，则根据整数进行数据操作时总是面向标签的。
loc 以标签解释
iloc 以下标解释
数据对齐
pandas在运算时，会按索引进行对齐然后计算。如果存在不同的索引，则结果的索引是两个操作数索引的并集。
例：
sr1 = pd.Series([12,23,34], index=[‘c‘,‘a‘,‘d‘])
sr2 = pd.Series([11,20,10], index=[‘d‘,‘c‘,‘a‘,])
sr1+sr2
sr3 = pd.Series([11,20,10,14], index=[‘d‘,‘c‘,‘a‘,‘b‘])
sr1+sr3
如何在两个Series对象相加时将缺失值设为0？
sr1.add(sr2, fill_value=0)
灵活的算术方法：add, sub, div, mul
数据缺失：
缺失数据：使用NaN（Not a Number）来表示缺失数据。其值等于np.nan。内置的None值也会被当做NaN处理。
处理缺失数据的相关方法：
dropna() 过滤掉值为NaN的行
fillna() 填充缺失数据
isnull() 返回布尔数组，缺失值对应为True
notnull() 返回布尔数组，缺失值对应为False
过滤缺失数据：sr.dropna() 或 sr[sr.notnull()]
填充缺失数据：sr.fillna(0)
groupby(‘‘).sum()
merge（left,right,on=‘key‘）
DataFrame是一个表格型的数据结构，含有一组有序的列。
DataFrame可以被看做是由Series组成的字典，并且共用一个索引。
创建方式：
pd.DataFrame({‘one‘:[1,2,3,4],‘two‘:[4,3,2,1]})
pd.DataFrame({‘one‘:pd.Series([1,2,3],index=[‘a‘,‘b‘,‘c‘]), ‘two‘:pd.Series([1,2,3,4],index=[‘b‘,‘a‘,‘c‘,‘d‘])})
……
csv文件读取与写入：
df.read_csv(‘filename.csv‘)
df.to_csv()
读取文件：从文件名、URL、文件对象中加载数据
read_csv 默认分隔符为逗号
read_table 默认分隔符为\t
读取文件函数主要参数：
sep 指定分隔符，可用正则表达式如‘\s+‘
header=None 指定文件无列名
names 指定列名
index_col 指定某列作为索引
na_values 指定某些字符串表示缺失值
parse_dates 指定某些列是否被解析为日期，布尔值或列表
写入到文件：
写入文件函数的主要参数：
sep
na_rep 指定缺失值转换的字符串，默认为空字符串
header=False 不输出列名一行
index=False 不输出行索引一列
cols 指定输出的列，
传入列表
其他文件类型：json, XML, HTML, 数据库
查看数据常用属性及方法：
index 获取行索引
T 转置
columns 获取列索引
values 获取值数组
describe() 获取快速统计
DataFrame各列name属性：列名
rename(columns={…})
DataFrame有行索引和列索引。
不指定按什么查询时默认标签为按列查，下标为按行查
df[‘A‘]
df[[‘A‘, ‘B‘]]
df[‘A‘][0]
df[0:10][[‘A‘, ‘C‘]]
按标签查询（左边为行，右边为列）
df.loc[:,[‘A‘,‘B‘]]
df.loc[:,‘A‘:‘C‘]
df.loc[0,‘A‘]
df.loc[0:10,[‘A‘,‘C‘]]
通过下标获取：
（左边为行，右边为列）
df.iloc[3]
df.iloc[3,3]
df.iloc[0:3,4:6]
df.iloc[1:5,:]
df.iloc[[1,2,4],[0,3]]
通过布尔值过滤：
df[df[‘A‘]>0]
df[df<0]
df[df[‘A‘].isin([1,3,5])]
数据对齐与数据缺失
DataFrame对象在运算时，同样会进行数据对其，结果的行索引与列索引分别为两个操作数的行索引与列索引的并集。
DataFrame处理缺失数据的方法：
dropna(axis=0,where=‘any‘,…)
fillna()
isnull()
notnull()
pandas常用方法（适用Series和DataFrame）：
mean(axis=0,skipna=False)
sum(axis=1)
sort_index(axis, …, ascending) 按行或列索引排序
sort_values(by, axis, ascending) 按值排序
NumPy的通用函数同样适用于pandas
apply(func, axis=0) 将自定义函数应用在各行或者各列上 ，func可返回标量或者Series
applymap(func) 将函数应用在DataFrame各个元素上
map(func) 将函数应用在Series各个元素上
时间序列类型：
时间戳：特定时刻
固定时期：如2017年7月
时间间隔：起始时间-结束时间
Python标准库：
date time datetime timedelta
strftime()
strptime()
第三方包：dateutil
dateutil.parser.parse()
成组处理日期：
pd.to_datetime([‘2001-01-01‘, ‘2002-02-02‘])
产生时间对象数组：
date_range(‘2017-01-01‘,‘2017-01-31‘,freq=‘w‘)
tart 开始时间
end 结束时间
periods 时间长度
freq 时间频率，默认为‘D‘，可选H(our),W(eek),B(usiness),S(emi-)M(onth),(min)T(es), S(econd), A(year),…
时间序列就是以时间对象为索引的Series或DataFrame。
datetime对象作为索引时是存储在DatetimeIndex对象中的。
时间序列特殊功能：
传入“年”或“年月”作为切片方式
df[‘2017‘]
df[‘2017-02‘]
传入日期范围作为切片方式
df[‘2017-03-03‘:‘2017-03-04‘]
