s4 = s4.drop('e')  # 刪除索引為 e 的值
s4

s4.add(s3)#對(duì)應(yīng)相加蓖宦，無(wú)此項(xiàng)則設(shè)為NaN
s4.sub(s3)#對(duì)應(yīng)相減，無(wú)此項(xiàng)則設(shè)為NaN
s4.mul(s3)#對(duì)應(yīng)相乘油猫，無(wú)此項(xiàng)則設(shè)為NaN
s4.div(s3)#Series 的除法運(yùn)算是按照索引對(duì)應(yīng)計(jì)算稠茂，如果索引不同則填充為 NaN（空值）。
s4.median()#求中位數(shù)
s4.sum()#求和
s4.max()#求最大值
s4.min()#求最小值

#通過(guò) NumPy 數(shù)組創(chuàng)建 DataFrame
dates = pd.date_range('today',periods=6)
num_arr = np.random.randn(6,4)
columns = ['A','B','C','D']
df1 = pd.DataFrame(num_arr,index=dates,columns=columns)
df1
#查看 DataFrame 的數(shù)據(jù)類型
df2.dtypes

#預(yù)覽 DataFrame 的前 5 行數(shù)據(jù)此方法對(duì)快速了解陌生數(shù)據(jù)集結(jié)構(gòu)十分有用
df2.head()
#查看 DataFrame 的后 3 行數(shù)據(jù)
df2.tail(3)
#查看 DataFrame 的數(shù)值
df2.values
#查看 DataFrame 的統(tǒng)計(jì)數(shù)據(jù)
df2.describe()
#DataFrame 轉(zhuǎn)置操作
df2.T
# 對(duì) DataFrame 進(jìn)行按列排序
df2.sort_values(by='age')  # 按 age 升序排列
#對(duì) DataFrame 數(shù)據(jù)切片
df2[:3]#真是反人類啊，是橫向的索引睬关，又不能單獨(dú)行
df2.age  # 等價(jià)于 df2['age']
#對(duì) DataFrame 通過(guò)標(biāo)簽查詢
df2[['age','animal']]
#對(duì) DataFrame 通過(guò)位置查詢
df2.iloc[1:3]
#DataFrame 副本拷貝
df3 = df2.copy()
df3
# 判斷 DataFrame 元素是否為空
df3.isnull()  # 如果為空則返回為 True
#添加列數(shù)據(jù)
num = pd.Series([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], index=df3.index)
df3['No.'] = num  # 添加以 'No.' 為列名的新數(shù)據(jù)列
df3
#DataFrame 求平均值操作
df3.mean()
#將字符串轉(zhuǎn)化為小寫字母| 將字符串轉(zhuǎn)化為大寫字母
string = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca',
                    np.nan, 'CABA', 'dog', 'cat'])
print(string)
string.str.lower()
string.str.upper()
#對(duì)缺失值進(jìn)行填充
df4 = df3.copy()
print(df4)
df4.fillna(value=3)
#刪除存在缺失值的行
df5 = df3.copy()
print(df5)
df5.dropna(how='any')
df5.dropna(how='all')

#DataFrame 按指定列對(duì)齊
left = pd.DataFrame({'key': ['foo1', 'foo2'], 'one': [1, 2]})
right = pd.DataFrame({'key': ['foo2', 'foo3'], 'two': [4, 5]})

print(left)
print(right)

# 按照 key 列對(duì)齊連接诱担，只存在 foo2 相同，所以最后變成一行
pd.merge(left, right, on='key')

#時(shí)間序列索引
dti = pd.date_range(start='2018-01-01', end='2018-12-31', freq='D')
s = pd.Series(np.random.rand(len(dti)), index=dti)
s
#統(tǒng)計(jì)s 中每一個(gè)周三對(duì)應(yīng)值的和
# 周一從 0 開始
s[s.index.weekday == 2].sum()
#統(tǒng)計(jì)s中每個(gè)月值的平均值
s.resample('M').mean()

# 將 Series 中的時(shí)間進(jìn)行轉(zhuǎn)換（秒轉(zhuǎn)分鐘）
s = pd.date_range('today', periods=100, freq='S')

ts = pd.Series(np.random.randint(0, 500, len(s)), index=s)

ts.resample('Min').sum()#什么意思沒搞明白

#UTC 世界時(shí)間標(biāo)準(zhǔn)
s = pd.date_range('today', periods=1, freq='D')  # 獲取當(dāng)前時(shí)間
ts = pd.Series(np.random.randn(len(s)), s)  # 隨機(jī)數(shù)值
ts_utc = ts.tz_localize('UTC')  # 轉(zhuǎn)換為 UTC 時(shí)間
ts_utc
ts_utc.tz_convert('Asia/Shanghai')#轉(zhuǎn)換為上海所在時(shí)區(qū)

#不同時(shí)間表示方式的轉(zhuǎn)換
rng = pd.date_range('1/1/2018', periods=5, freq='M')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
print(ts)
ps = ts.to_period()
print(ps)
ps.to_timestamp()


#Series 多重索引
letters = ["A",'B','C']
numbers = list(range(10))

mi = pd.MultiIndex.from_product([letters,numbers])
s = pd.Series(np.random.rand(30),index=mi)
s

s.loc[:, [1, 3, 6]]# 查詢索引為 1电爹，3蔫仙，6 的值

s.loc[pd.IndexSlice[:'B',5:]]#多重索引 Series 切片

#根據(jù)多重索引創(chuàng)建 DataFrame
frame = pd.DataFrame(np.arange(12).reshape(6,2),
                     index=[list('AAABBB'),list('123123')],
                     columns=['hello','shiyanlou'])
frame

#多重索引設(shè)置列名稱
frame.index.names = ['first','second']
frame
#DataFrame 多重索引分組求和
frame.groupby('first').sum()
#DataFrame 行列名稱轉(zhuǎn)換
frame.stack()
#索引轉(zhuǎn)換
frame.unstack()



#DataFrame 多重條件查詢，查找 age<3 且為 cat 的全部數(shù)據(jù)
df[(df['animal'] == 'cat') & (df['age'] <3)]

#DataFrame 按關(guān)鍵字查詢
df3[df3['animal'].isin(['cat','dog'])]

#DataFrame 按標(biāo)簽及列名查詢
df.loc[df.index[[3,4,8]],['animal','age']]

#按照 age 降序丐箩，visits 升序排列
df.sort_values(by=['age','visits'],ascending=[False,True])

#DataFrame 多值替換
df['priority'].map({'yes':True,'no':False})

# DataFrame 打包求和
df4.groupby('animal').sum()

#使用列表拼接多個(gè) DataFrame
temp_df1 = pd.DataFrame(np.random.randn(5, 4))  # 生成由隨機(jī)數(shù)組成的 DataFrame 1
temp_df2 = pd.DataFrame(np.random.randn(5, 4))  # 生成由隨機(jī)數(shù)組成的 DataFrame 2
temp_df3 = pd.DataFrame(np.random.randn(5, 4))  # 生成由隨機(jī)數(shù)組成的 DataFrame 3

print(temp_df1)
print(temp_df2)
print(temp_df3)

pieces = [temp_df1,temp_df2,temp_df3]
pd.concat(pieces)

#找出 DataFrame 表中和最小的列
df = pd.DataFrame(np.random.random(size=(5,10)),columns=list('abcdefghij'))
print(df)
df.sum().idxmin()

#DataFrame 中每個(gè)元素減去每一行的平均值
df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
df.sub(df.mean(axis=1),axis=0)

#DataFrame 分組摇邦，并得到每一組中最大三個(gè)數(shù)之和
df = pd.DataFrame({'A': list('aaabbcaabcccbbc'),
                   'B': [12, 345, 3, 1, 45, 14, 4, 52, 54, 23, 235, 21, 57, 3, 87]})
print(df)
df.groupby('A')['B'].nlargest(3).sum(level=0)

#用透視表來(lái)進(jìn)行數(shù)據(jù)聚合
#透視表的創(chuàng)建
df = pd.DataFrame({'A': ['one', 'one', 'two', 'three'] * 3,
                   'B': ['A', 'B', 'C'] * 4,
                   'C': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2,
                   'D': np.random.randn(12),
                   'E': np.random.randn(12)})

print(df)

pd.pivot_table(df, index=['A', 'B'])

#透視表按指定行進(jìn)行聚合
pd.pivot_table(df, values=['D'], index=['A', 'B'])

# 透視表聚合方式定義
pd.pivot_table(df, values=['D'], index=['A', 'B'], aggfunc=[np.sum, len])

#透視表利用額外列進(jìn)行輔助分割
#D 列按照 A,B 列進(jìn)行聚合時(shí)，若關(guān)心 C 列對(duì) D 列的影響屎勘，可以加入 columns 值進(jìn)行分析施籍。
pd.pivot_table(df, values=['D'], index=['A', 'B'],
               columns=['C'], aggfunc=np.sum)

#透視表的缺省值處理
在透視表中由于不同的聚合方式，相應(yīng)缺少的組合將為缺省值概漱，可以加入 fill_value 對(duì)缺省值處理丑慎。

#信息區(qū)間劃分
df = pd.DataFrame({'name': ['Alice', 'Bob', 'Candy', 'Dany', 'Ella',
                            'Frank', 'Grace', 'Jenny'], 'grades': [58, 83, 79, 65, 93, 45, 61, 88]})


def choice(x):
    if x > 60:
        return 1
    else:
        return 0


df.grades = pd.Series(map(lambda x: choice(x), df.grades))
df

#數(shù)據(jù)去重
#嘗試將 A 列中連續(xù)重復(fù)的數(shù)據(jù)清除。
df = pd.DataFrame({'A': [1, 2, 2, 3, 4, 5, 5, 5, 6, 7, 7]})
df.loc[df['A'].shift() != df['A']]