一、Pandas简介

数据结构

二、Series

series 的创建

Series值的获取

Series的运算

Series缺失值检测

Series自动对齐

Series及其索引的name属性

三、DataFrame

创建

Index对象

通过索引值或索引标签获取数据

自动化对齐

四、文件操作

文件读取

数据库数据读取

将数据写出为csv

将数据写出为excel

将数据写入数据库

五、查询数据

通过布尔索引来实现特定信息的查询

六、统计分析

七、类似于SQL的操作

增：

删

改：

分组聚合：groupby()函数

排序：

多表连接:

八、缺失值处理

删除法：直接删除缺失值

用常数填补所有缺失值

采用前项填充或后向填充

使用常量填充不同的列

用均值或中位数填充各自的列

九、数据透视表

多层索引的使用

Numpy，Scipy，pandas三个库的区别

NumPy：数学计算库，以矩阵为基础的数学计算模块，包括基本的四则运行，方程式以及其他方面的计算什么的，纯数学；
SciPy ：科学计算库，有一些高阶抽象和物理模型，在NumPy基础上，封装了一层，没有那么纯数学，提供方法直接计算结果；比如：做个傅立叶变换，这是纯数学的，用Numpy；做个滤波器，这属于信号处理模型了，用Scipy。
Pandas：提供名为DataFrame的数据结构，比较契合统计分析中的表结构，做数据分析用的，主要是做表格数据呈现。

目前来说，随着 Pandas 更新，Numpy 大部分功能已经直接和 Pandas 融合了。

一、Pandas简介

Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。

Pandas是python的一个数据分析包，最初由AQR Capital Management于2008年4月开发，并于2009年底开源出来，目前由专注于Python数据包开发的PyData开发team继续开发和维护，属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来，因此，pandas为时间序列分析提供了很好的支持。 Pandas的名称来自于面板数据（panel data）和python数据分析（data analysis）。panel data是经济学中关于多维数据集的一个术语，在Pandas中也提供了panel的数据类型。

数据结构

Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。
Time- Series：以时间为索引的Series。
DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。以下的内容主要以DataFrame为主。
Panel ：三维的数组，可以理解为DataFrame的容器。

Pandas 有两种自己独有的基本数据结构。虽然它有着两种数据结构，但它依然是 Python 的一个库，所以，Python 中有的数据类型在这里依然适用，也同样还可以使用类自己定义数据类型。只不过，Pandas 里面又定义了两种数据类型：Series 和 DataFrame，它们让数据操作更简单了。

二、Series

Series 在python的中type()为 <class 'pandas.core.series.Series'>。

series 的创建

通过一维数组创建，如果没有为数据指定索引值，会自动创建一个0-N-1的索引
通过字典的方式创建，字典的key为索引

# series 的创建：数组方式
arr=np.array([1,3,5,np.NaN,10])
ser1=pd.Series(arr)
print(ser1)
print(ser1.dtype)  # 获取series的元素的数据类型
print(ser1.index)  # 获取series的索引
print(ser1.values) # 获取series的值
0     1.0
1     3.0
2     5.0
3     NaN
4    10.0
dtype: float64
float64
RangeIndex(start=0, stop=5, step=1)
[  1.   3.   5.  nan  10.]# 通过index修改索引值,且索引值可以重复
ser2=pd.Series([98,99,90])
ser2.index=['语文','数学','语文']
print(ser2)
ser3=pd.Series(data=[99,98,97],dtype=np.float64,index=['语文','数学','历史'])
print(ser3)
语文    98
数学    99
语文    90
dtype: int64
语文    99.0
数学    98.0
历史    97.0
dtype: float64# 通过字典的方式创建series，字典的key为series的索引值，字典的values为series的元素值
dit={'语文':90,'数学':99,'历史':98}
ser4=pd.Series(dit)
print(ser4)
历史    98
数学    99
语文    90
dtype: int64

Series值的获取

Series值的获取主要有两种方式：

通过方括号+索引的方式读取对应索引的数据，有可能返回多条数据
通过方括号+下标值的方式读取对应下标值的数据，下标值的取值范围为：[0，len(Series.values)]；另外下标值也可以是负数，表示从右往左获取数据

Series获取多个值的方式类似NumPy中的ndarray的切片操作，通过方括号+下标值/索引值+冒号(:)的形式来截取series对象中的一部分数据!

# Series数据的获取：下标值、索引值、切片
print('==============ser4[1]==============')
print(ser4[1])
print('==============ser4["语文"]=========')
print(ser4["语文"])
print('==============ser4[0:2]============')
print(ser4[0:2])
print("==============ser4['历史':'语文']===")
print(ser4['历史':'语文'])
==============ser4[1]==============
99
==============ser4["语文"]=========
90
==============ser4[0:2]============
历史    98
数学    99
dtype: int64
==============ser4[u'历史':u'语文']===
历史    98
数学    99
语文    90
dtype: int64

Series的运算

NumPy中的数组运算，在Series中都保留了，均可以使用，并且Series进行数组运算的时候，索引与值之间的映射关系不会发生改变。

注意：其实在操作Series的时候，基本上可以把Series看成NumPy中的ndarray数组来进行操作。ndarray数组的绝大多数操作都可以应用到Series上。

# series的部分运算
print('==============ser4[ser4>98] 布尔运算=========')
print(ser4[ser4>98])
print('==============ser4/9 除法运算================')
print(ser4/9)
print('==============np.exp(ser4) e的x次方==========')
print(np.exp(ser4))
print('==============np.log10(ser4)   ========')
print(np.log10(ser4))
==============ser4[ser4>98] 布尔运算=========
数学    99
dtype: int64
==============ser4/9 除法运算================
历史    10.888889
数学    11.000000
语文    10.000000
dtype: float64
==============np.exp(ser4) e的x次方==========
历史    3.637971e+42
数学    9.889030e+42
语文    1.220403e+39
dtype: float64
==============np.log10(ser4)   ========
历史    1.991226
数学    1.995635
语文    1.954243
dtype: float64# 在pandas中用NaN表示一个缺省值或者NA值
print('==============ser4================')
print(ser4)
ser5=pd.Series(ser4,index=['地理','语文','历史','数学'])
print('==============ser5================')
print(ser5)
==============ser4================
历史    98
数学    99
语文    90
dtype: int64
==============ser5================
地理     NaN
语文    90.0
历史    98.0
数学    99.0
dtype: float64

Series缺失值检测

pandas中的isnull和notnull两个函数可以用于在Series中检测缺失值，这两个函数的返回时一个布尔类型的Series

print('==============pd.isnull(ser5)================')
print(pd.isnull(ser5))
print('==============ser5[pd.isnull(ser5)]===========')
print(ser5[pd.isnull(ser5)])
print('==============pd.notnull(ser5)================')
print(pd.notnull(ser5))
print('==============ser5[pd.notnull(ser5)]==========')
print(ser5[pd.notnull(ser5)])
==============pd.isnull(ser5)================
地理     True
语文    False
历史    False
数学    False
dtype: bool
==============ser5[pd.isnull(ser5)]===========
地理   NaN
dtype: float64
==============pd.notnull(ser5)================
地理    False
语文     True
历史     True
数学     True
dtype: bool
==============ser5[pd.notnull(ser5)]==========
语文    90.0
历史    98.0
数学    99.0
dtype: float64

Series自动对齐

当多个series对象之间进行运算的时候，如果不同series之间具有不同的索引值，那么运算会自动对齐不同索引值的数据，如果某个series没有某个索引值，那么最终结果会赋值为NaN。

ser6=pd.Series(data=[99,98,97],index=['语文','数学','历史'])
ser7=pd.Series(data=[99,98,97,100],index=['语文','数学','历史','文言文'])
print('==============ser6+ser7================')
print(ser6+ser7)
print('==============ser6-ser7================')
print(ser6-ser7)
print('==============ser6*ser7================')
print(ser6*ser7)
print('==============ser6/ser7================')
print(ser6/ser7)
print('==============ser6**ser7================')
print(ser6**ser7)
==============ser6+ser7================
历史     194.0
数学     196.0
文言文      NaN
语文     198.0
dtype: float64
==============ser6+ser7================
历史     0.0
数学     0.0
文言文    NaN
语文     0.0
dtype: float64
==============ser6+ser7================
历史     9409.0
数学     9604.0
文言文       NaN
语文     9801.0
dtype: float64
==============ser6+ser7================
历史     1.0
数学     1.0
文言文    NaN
语文     1.0
dtype: float64
==============ser6+ser7================
历史     5.210246e+192
数学     1.380878e+195
文言文              NaN
语文     3.697296e+197
dtype: float64

Series及其索引的name属性

Series对象本身以及索引都具有一个name属性，默认为空，根据需要可以进行赋值操作

ser8=pd.Series(data=[99,98,97],index=['Dov','Drld','Heil'])
ser8.name='语文'
ser8.index.name='考试成绩'  # 像不像索引的列名
print(ser8)
考试成绩
Dov     99
Drld    98
Heil    97
Name: 语文, dtype: int64

三、DataFrame

创建

DateFrame 在python的中type()为 <class 'pandas.core.frame.DataFrame'>

DateFrame的创建主要有三种方式：

1）通过二维数组创建数据框

arr2 = np.array(np.arange(16)).reshape(4,4)
df1 = pd.DataFrame(arr2)0   1   2   3
0 0   1   2   3
1 4   5   6   7
2 8   9   10  11
3 12  13  14  15

从这个输出我们可以看到，默认的索引和列名都是[0, N-1]的形式。我们可以在创建DataFrame的时候指定列名和索引，像这样：

df2 = pd.DataFrame(np.arange(16).reshape(4,4),columns=["column1", "column2", "column3", "column4"],index=["a", "b", "c", "d"])
print("df2:\n{}\n".format(df2))
# 结果如下column1        column2          column3         column4
a 0              1                2               3
b 4              5                6               7
c 8              9                10              11
d 12             13               14              15

请注意：DataFrame的不同列可以是不同的数据类型。如果以Series数组来创建DataFrame，每个Series将成为一行，而不是一列，例如：

noteSeries = pd.Series(["C", "D", "E", "F", "G", "A", "B"],index=[1, 2, 3, 4, 5, 6, 7])
weekdaySeries = pd.Series(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],index=[1, 2, 3, 4, 5, 6, 7])
df4 = pd.DataFrame([noteSeries, weekdaySeries])
print("df4:\n{}\n".format(df4))
# df4的输出如下：1 2 3 4 5 6 7
0 C D E F G A B
1 Mon Tue Wed Thu Fri Sat Sun

2）通过字典的方式创建数据框

以下以两种字典来创建数据框，一个是字典列表，一个是嵌套字典。

dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],'c':[9,10,11,12],'d':[13,14,15,16]}
df2 = pd.DataFrame(dic2)
dic3 = {'one':{'a':1,'b':2,'c':3,'d':4},'two':{'a':5,'b':6,'c':7,'d':8},'three':{'a':9,'b':10,'c':11,'d':12}}
df3 = pd.DataFrame(dic3)# 结果如下：a b c d
0 1 5 9 13
1 2 6 10 14
2 3 7 11 15
3 4 8 12 16one two three
a 1 5 9
b 2 6 10
c 3 7 11
d 4 8 12

字典的“键”（"name"，"marks"，"price"）就是 DataFrame 的 columns 的值（名称），字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。

上面的dic2定义中没有确定索引，所以，按照惯例（Series 中已经形成的惯例）就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构（类似 excel 或者 mysql 中的查看效果）。

上面的数据显示中，columns 的顺序没有规定，就如同字典中键的顺序一样，但是在 DataFrame 中，columns 跟字典键相比，有一个明显不同，就是其顺序可以被规定，比如：

dic2_1 = DataFrame(dic2,columns=['b','a','c','d'])

Index对象

通过索引值或索引标签获取数据

pandas的Index对象包含了描述轴的元数据信息。当创建Series或者DataFrame的时候，标签的数组或者序列会被转换成Index。可以通过下面的方式获取到DataFrame的列和行的Index对象：

dic3 = {'one':{'a':1,'b':2,'c':3,'d':4},'two':{'a':5,'b':6,'c':7,'d':8},'three':{'a':9,'b':10,'c':11,'d':12}}
df3 = pd.DataFrame(dic3)
print(df3.columns)  # 输出：Index(['one', 'two', 'three'], dtype='object')
print(df3.index)    # 输出：Index(['a', 'b', 'c', 'd'], dtype='object')

Index并非集合，因此其中可以包含重复的数据

Index对象的值是不可以改变，因此可以通过它安全的访问数据

DataFrame提供了下面两个操作符来访问其中的数据：

print(df3[['one','two']])                 # df3[列索引]
print(df3.loc[['a','b'], ['one','two']])  # loc[行索引，列索引]
print(df3.iloc[[0, 1], 0])                # iloc[行下标，列下标]# 第二行代码访问了行索引为a和b，列索引为'one','two'的元素。第三行代码访问了行下标为0和1（对于df3来说，行索引和行下标刚好是一样的，所以这里都是0和1，但它们却是不同的含义），列下标为0的元素。one  two
a    1    5
b    2    6
c    3    7
d    4    8one  two
a    1    5
b    2    6a    1
b    2
Name: one, dtype: int64

自动化对齐

如果有两个序列，需要对这两个序列进行算术运算，这时索引的存在就体现的它的价值了—自动化对齐.

s5 = pd.Series(np.array([10,15,20,30,55,80]),index = ['a','b','c','d','e','f'])
s6 = pd.Series(np.array([12,11,13,15,14,16]),index = ['a','c','g','b','d','f'])
s5 + s6
s5/s6
# 结果如下
a    22.0
b    30.0
c    31.0
d    44.0
e     NaN
f    96.0
g     NaN
dtype: float64a    0.833333
b    1.000000
c    1.818182
d    2.142857
e         NaN
f    5.000000
g         NaN
dtype: float64

由于s5中没有对应的g索引，s6中没有对应的e索引，所以数据的运算会产生两个缺失值NaN。注意，这里的算术结果就实现了两个序列索引的自动对齐，而非简单的将两个序列加总或相除。对于数据框的对齐，不仅仅是行索引的自动对齐，同时也会自动对齐列索引（变量名）

DataFrame中同样有索引，而且DataFrame是二维数组的推广，所以其不仅有行索引，而且还存在列索引，关于数据框中的索引相比于序列的应用要强大的多，这部分内容将放在数据查询中讲解。

四、文件操作

文件读取

pandas库提供了一系列的read_函数来读取各种格式的文件，它们如下所示：

read_csv
read_table
read_fwf
read_clipboard
read_excel
read_hdf
read_html
read_json
read_msgpack
read_pickle
read_sas
read_sql
read_stata
read_feather

接下来我们看一个读取Excel的简单的例子：

import pandas as pd
import numpy as np
df1 = pd.read_excel("data/test.xlsx")
print("df1:\n{}\n".format(df1))
# 这个Excel的内容如下：
df1:
C Mon
0 D Tue
1 E Wed
2 F Thu
3 G Fri
...

我们再来看读取CSV文件的例子，

df2 = pd.read_csv("data/test1.csv")
print("df2:\n{}\n".format(df2))
# 结果如下
df2:
C,Mon
D,Tue
E,Wed
F,Thu
...

如果分隔符不是，我们可以通过指定分隔符的方式来读取这个文件，像这样：

df3 = pd.read_csv("data/test2.csv", sep="|")

read_csv支持非常多的参数用来调整读取的参数，如下表所示：

参数	说明
path	文件路径
sep或者delimiter	字段分隔符
header	列名的行数，默认是0（第一行）
index_col	列号或名称用作结果中的行索引
names	结果的列名称列表
skiprows	从起始位置跳过的行数
na_values	代替`NA`的值序列
comment	以行结尾分隔注释的字符
parse_dates	尝试将数据解析为`datetime`。默认为`False`
keep_date_col	如果将列连接到解析日期，保留连接的列。默认为`False`。
converters	列的转换器
dayfirst	当解析可以造成歧义的日期时，以内部形式存储。默认为`False`
data_parser	用来解析日期的函数
nrows	从文件开始读取的行数
iterator	返回一个TextParser对象，用于读取部分内容
chunksize	指定读取块的大小
skip_footer	文件末尾需要忽略的行数
verbose	输出各种解析输出的信息
encoding	文件编码
squeeze	如果解析的数据只包含一列，则返回一个`Series`
thousands	千数量的分隔符

详细的read_csv函数说明请参见这里：pandas.read_csv

注：UTF-8以字节为编码单元，它的字节顺序在所有系统中都是一様的，没有字节序的问题，也因此它实际上并不需要BOM(“ByteOrder Mark”)。但是UTF-8 with BOM即utf-8-sig需要提供BOM。简单的说，utf-8-sig是对字节编码有序的。
这种情况发生在pandas在read csv的时候，如果报错，

key error, File "pandas/index.pyx", line 137, in pandas.index.IndexEngine.get_loc (pandas/index.c:4154)
File "pandas/index.pyx", line 159, in pandas.index.IndexEngine.get_loc (pandas/index.c:4018)
File "pandas/hashtable.pyx", line 675, in pandas.hashtable.PyObjectHashTable.get_item (pandas/hashtable.c:12368)
File "pandas/hashtable.pyx", line 683, in pandas.hashtable.PyObjectHashTable.get_item (pandas/hashtable.c:12322)

这种情况要考虑使用utf-8-sig这种编码，即encdoinf='utf-8-sig'遇到中文乱码的时候也可以试试改成这个编码

数据库数据读取

read_sql_query(sql, con, index_col=None, coerce_float=True, params=None, parse_dates=None, chunksize=None)

sql：表示抽取数据的SQL语句，例如'select * from 表名'
con：表示数据库连接的名称
index_col：表示作为索引的列，默认为0-行数的等差数列

read_sql_table(table_name, con, schema=None, index_col=None, coerce_float=True, parse_dates=None, columns=None, chunksize=None)

table_name：表示抽取数据的表名
con：表示数据库连接的名称
index_col：表示作为索引的列，默认为0-行数的等差数列
columns：数据库数据读取后的列名。

read_sql(sql, con, index_col=None, coerce_float=True, params=None, parse_dates=None, columns=None, chunksize=None)

sql：表示抽取数据的表名或者抽取数据的SQL语句，例如'select * from 表名'
con：表示数据库连接的名称
index_col：表示作为索引的列，默认为0-行数的等差数列
columns：数据库数据读取后的列名。

　　建议：用前两个

# 读取数据库
from sqlalchemy import create_engine
conn = create_engine('mysql+pymysql://root:root@127.0.0.1/test?charset=utf8', encoding='utf-8', echo=True)
# data1 = pd.read_sql_query('select * from data', con=conn)
# print(data1.head())data2 = pd.read_sql_table('data', con=conn)
print(data2.tail())
print(data2['X'][1])

数据库连接字符串各参数说明

'mysql+pymysql://root:root@127.0.0.1/test?charset=utf8'
连接器://用户名:密码@数据库所在IP/访问的数据库名称?字符集

将数据写出为csv

DataFrame.to_csv(path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=False, date_format=None, doublequote=True, escapechar=None, decimal='.')

path_or_buf：数据存储路径，含文件全名例如'./data.csv'
sep：表示数据存储时使用的分隔符
header：是否导出列名，True导出，False不导出
index：是否导出索引，True导出，False不导出
mode：数据导出模式，'w'为写
encoding：数据导出的编码

import pandas as pd
data.to_csv('data.csv',index = False)

将数据写入数据库

DataFrame.to_sql(name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None)

name：数据存储表名
con：表示数据连接
if_exists：判断是否已经存在该表，'fail'表示存在就报错；'replace'表示存在就覆盖；'append'表示在尾部追加
index：是否导出索引，True导出，False不导出

from sqlalchemy import create_engine
conn =create_engine('mysql+pymysql://root:root@127.0.0.1/data?charset=utf8', encoding='utf-8', echo=True)
data.to_sql('data',con = conn)

五、查询数据

data.shape       # 查看数据的形状
data.columns     # 查看所有的列名
data.index       # 查看索引
data.dtypes      # 查看每一列数据的类型
data.ndim        # 查看数据的维度

# 查询前几行 或 后几行
data.head(5)
data.tail(5)# 注意当我们提取了一列，Pandas将返回一个series，而不是一个数组
data['X']            # 取出单独某一列
data[['X','Y']]      # 取出多列，如果多个列的话，必须使用双重中括号
data['X'][1]         # 取出某列的某一行
data['X'][:10]       # 取出某列的某几行
data[['X','Y']][:10] # 取出某几列的某几行# loc方法索引'''DataFrame.loc[行名,列名]'''
data.loc[1,['X','月份']]        # 取出某几列的某一行
data.loc[1:5,['X','月份']]      # 取出某几列的某几行（连续）
data.loc[[1,3,5],['X','月份']]  # 取出某几列的某几行
data.loc[range(0,21,2),['X','FFMC','DC']]  # 取出 x ,FFMC ,DC的0-20行所有索引名称为偶数的数据# iloc方法索引'''DataFrame.iloc[行位置,列位置]'''
data.iloc[1,[1,4]]  # 取出某几列的某一行
data.iloc[0:21:2,0:data.shape[1]:2]  # 取出列位置为偶数，行位置为0-20的偶数的数据# ix方法索引'''DataFrame.ix[行位置/行名,列位置/列名]'''
# 取出某几列的某一行
data.ix[1:4,[1,4]]
data.ix[1:4,1:4]

loc,iloc,ix的区别

loc使用名称索引，闭区间
iloc使用位置索引，前闭后开区间
ix使用名称或位置索引，且优先识别名称，其区间根据名称/位置来改变。不建议使用ix，容易发生混淆的情况，并且运行效率低于loc和iloc，pandas考虑在后期会移除这一索引方法

通过布尔索引来实现特定信息的查询

student[student['sex'] == F]  # 查询所有性别为女生的信息
student[(student['sex'] == F) & (stuent['age'] > 18)] # 多条件查询，查询所有性别为女且年龄大于18岁的信息
student[(student['sex'] == F) & (stuent['age'] > 18)] [['name' , 'height']] # 查询性别为女，年龄大于18的学生的姓名 和 体重

六、统计分析

pandas模块为我们提供了非常多的描述性统计分析的指标函数

对于DataFrame，默认统计的是列的数据，如果想要统计行的，需要加axis=1

np.random.seed(1234)
d1 = pd.Series(2*np.random.normal(size = 100)+3)
d2 = np.random.f(2,4,size = 100)
d3 = np.random.randint(1,100,size = 100)d1.count() # 非空元素计算
d1.min()   # 最小值
d1.max()   # 最大值
d1.idxmin() # 最小值的位置，类似于R中的which.min函数
d1.idxmax() # 最大值的位置，类似于R中的which.max函数
d1.quantile(0.1) # 10%分位数
d1.sum()   # 求和
d1.mean()  # 均值
d1.median()# 中位数
d1.mode()  # 众数
d1.var()   # 方差
d1.std()   # 标准差
d1.mad()   # 平均绝对偏差
d1.skew()  # 偏度
d1.kurt()  #  峰度d1.sum()   # 求和，默认列
d1.sum(axis=1)   # 求和，行

上述方法一维和二维均可用。

# 一次性输出多个描述性统计指标,descirbe方法只能针对序列或数据框，一维数组是没有这个方法的
d1.describe()
# student['Sex'].describe()
'''
count：非空值的数目
mean：数值型数据的均值
std：数值型数据的标准差
min：数值型数据的最小值
25%：数值型数据的下四分位数
50%：数值型数据的中位数
75%：数值型数据的上四分位数
max：数值型数据的最大值
''

相关系数（Correlation coefficient）：反映两个样本/样本之间的相互关系以及之间的相关程度。在COV的基础上进行了无量纲化操作，也就是进行了标准化操作

协方差(Covariance, COV)：反映两个样本/变量之间的相互关系以及之间的相关程度。

df.corr()  # 相关系数
df.cov()   # 协方差 
df.corr('spearman')    # 相关系数的计算可以调用pearson方法或kendell方法或spearman方法，默认使用pearson方法
df.corrwith(df['x1'])  # 如果只想关注某一个变量与其余变量的相关系数的话，可以使用corrwith,如下方只关心x1与其余变量的相关系数

转置

df3.T

对轴进行排序

a.sort_index(axis=1,ascending=False)；
# 其中axis=1表示对所有的columns进行排序，下面的数也跟着发生移动。后面的ascending=False表示按降序排列，参数缺失时默认升序。

对DataFrame中的值排序

a.sort(columns='x')  # 即对a中的x这一列，从小到大进行排序。注意仅仅是x这一列，而上面的按轴进行排序时会对所有的columns进行操作。

unique方法用于获取Series中的唯一值数组(去重数据后的数组)

value_counts方法用于计算一个Series中各值的出现频率

isin方法用于判断矢量化集合的成员资格，可用于选取Series中或者DataFrame中列中数据的子集

# unique() 对于dataframe必须要指定是哪一列，对于series可以直接使用unique
df7["数学"].unique()
array([78, 89, 90], dtype=int64)# value_counts()对于dataframe必须要指定是哪一列，对于series可以直接使用value_counts
df7["数学"].value_counts()
89    2
78    1
90    1
Name: 数学, dtype: int64
mask=[89,90]print(df7.isin(mask))
print("========================================")
print(df7[df7.isin(mask)])age     历史     数学     语文
one    False   True  False  False
two    False  False   True  False
three  False  False   True  False
four   False  False   True   True
========================================age    历史    数学    语文
one    NaN  90.0   NaN   NaN
two    NaN   NaN  89.0   NaN
three  NaN   NaN  89.0   NaN
four   NaN   NaN  90.0  90.0

七、类似于SQL的操作

增：

添加新行或增加新列.可以通过concat函数实现 pd.contat([student,student2])

在数据库中union必须要求两张表的列顺序一致，而这里concat函数可以自动对齐两个数据框的变量！

对于新增的列没有赋值，就会出现空NaN的形式。

其他方式

In [105]: data['new'] = 'token'  # 增加列
In [106]: data
Out[106]:name  price   new
0  BTC  50000  token
1  ETH   4000  token
2  EOS    150  tokenIn [109]: data.loc['3'] = ['ae',200,'token']  # 增加行
In [110]: data
Out[110]:name  price   type
0  BTC  50000  token
1  ETH   4000  token
2  EOS    150  token
3   ae    200  token

删

# 使用drop（）。该方法返回的是Copy而不是视图，要想真正在原数据里删除行，设置inplace=True；
# axis：0，表示删除行；1，表示删除列。
data.drop('列',axis=1,inplace=True)
data.drop('行',axis=0,inplace=True)# del
del data            # 删除对象，该命令可以删除Python的所有对象
del data['type']    # 删除列

改：

结合布尔索引直接赋值即可

分组聚合：groupby()函数

# 分组
group1 = data.groupby('性别')
group2 = data.groupby(['入职时间','性别'])# 查看有多少组
group1.size()

用groupby方法分组后的结果并不能直接查看，而是被存在内存中，输出的是内存地址。实际上分组后的数据对象GroupBy类似Series与DataFrame，是pandas提供的一种对象。

Groupby对象常见方法

Grouped对象的agg方法

　　Grouped.agg(函数或包含了字段名和函数的字典)

# 第一种情况
group[['年龄','工资']].agg(min)# 对不同的列进行不同的聚合操作
group.agg({'年龄':max,'工资':sum})# 上述过程中使用的函数均为系统math库所带的函数，若需要使用pandas的函数则需要做如下操作
group.agg({'年龄':lambda x:x.max(),'工资':lambda x:x.sum()})

根据性别分组，计算各组别中学生身高和体重的平均值：

如果不对原始数据作限制的话，聚合函数会自动选择数值型数据进行聚合计算。如果不想对年龄计算平均值的话，就需要剔除改变量：

groupby还可以使用多个分组变量，例如根本年龄和性别分组，计算身高与体重的平均值：

还可以对每个分组计算多个统计量：

排序：

我们可以使用order、sort_index和sort_values实现序列和数据框的排序工作

我们再试试降序排序的设置：

上面两个结果其实都是按值排序，并且结果中都给出了警告信息，即建议使用sort_values()函数进行按值排序。

在数据框中一般都是按值排序，例如：

多表连接:

连接分内连接和外连接，在数据库语言中通过join关键字实现，pandas我比较建议使用merger函数实现数据的各种连接操作。

如下是构造一张学生的成绩表：

现在想把学生表student与学生成绩表score做一个关联，该如何操作呢？

默认情况下，merge函数实现的是两个表之间的内连接，即返回两张表中共同部分的数据。可以通过how参数设置连接的方式，left为左连接；right为右连接；outer为外连接。

左连接实现的是保留student表中的所有信息，同时将score表的信息与之配对，能配多少配多少，对于没有配对上的Name，将会显示成绩为NaN。

八、缺失值处理

现实生活中的数据是非常杂乱的，其中缺失值也是非常常见的，对于缺失值的存在可能会影响到后期的数据分析或挖掘工作，那么我们该如何处理这些缺失值呢？常用的有三大类方法，即删除法、填补法和插值法。

删除法：当数据中的某个变量大部分值都是缺失值，可以考虑删除改变量；当缺失值是随机分布的，且缺失的数量并不是很多是，也可以删除这些缺失的观测。
替补法：对于连续型变量，如果变量的分布近似或就是正态分布的话，可以用均值替代那些缺失值；如果变量是有偏的，可以使用中位数来代替那些缺失值；对于离散型变量，我们一般用众数去替换那些存在缺失的观测。
插补法：插补法是基于蒙特卡洛模拟法，结合线性模型、广义线性模型、决策树等方法计算出来的预测值替换缺失值。

方法	说明
dropna	根据标签的值中是否存在缺失数据对轴标签进行过滤(删除), 可以通过阈值的调节对缺失值的容忍度
fillna	用指定值或者插值的方式填充缺失数据，比如: ffill或者bfill
isnull	返回一个含有布尔值的对象，这些布尔值表示那些值是缺失值NA
notnull	isnull的否定式

删除法：直接删除缺失值

默认情况下，数据中只要含有缺失值NaN,该数据行就会被删除，如果使用参数how=’all’，则表明只删除所有行为缺失值的观测。

用常数填补所有缺失值

采用前项填充或后向填充

使用常量填充不同的列

用均值或中位数填充各自的列

很显然，在使用填充法时，相对于常数填充或前项、后项填充，使用各列的众数、均值或中位数填充要更加合理一点，这也是工作中常用的一个快捷手段。

九、数据透视表

在Excel中有一个非常强大的功能就是数据透视表，通过托拉拽的方式可以迅速的查看数据的聚合情况，这里的聚合可以是计数、求和、均值、标准差等。

pandas为我们提供了非常强大的函数pivot_table()，该函数就是实现数据透视表功能的。对于上面所说的一些聚合函数，可以通过参数aggfunc设定。我们先看看这个函数的语法和参数吧：

我们仍然以student表为例，来认识一下数据透视表pivot_table函数的用法：

对一个分组变量（Sex），一个数值变量（Height）作统计汇总

对一个分组变量（Sex），两个数值变量（Height,Weight）作统计汇总

对两个分组变量（Sex，Age)，两个数值变量（Height,Weight）作统计汇总

很显然这样的结果并不像Excel中预期的那样，该如何变成列联表的形式的？很简单，只需将结果进行非堆叠操作（unstack）即可：

使用多个聚合函数

有关更多数据透视表的操作，可参考《Pandas透视表（pivot_table）详解》一文，链接地址：http://python.jobbole.com/81212/

多层索引的使用

最后我们再来讲讲pandas中的一个重要功能，那就是多层索引。在序列中它可以实现在一个轴上拥有多个索引，就类似于Excel中常见的这种形式：

对于这样的数据格式有什么好处呢？pandas可以帮我们实现用低维度形式处理高维数数据，这里举个例子也许你就能明白了：

对于这种多层次索引的序列，取数据就显得非常简单了：