DataFrame的属性和用法：
创建：
pd.DataFrame(ndarray)
也可以使用字典的方式来创建DataFrame
添加行列索引：
pd.DataFrame(ndarray,index,columns)
index输入为列表作为行索引的值
属性：
shape，index，columns，values，T
方法：
返回前N行(默认为5)
head(N)
返回后N行(默认为5)
tail(N)
DataFrame索引的设置：
1）修改行列索引值：
行列索引值不能单独修改，只能进行整行或者整列的修改。
2）重设索引：
reset_index(drop=False)
设置新的下标索引
drop:默认为False，不删除原来的所以，如果为True，删除原来的索引
3）设置新索引：
set_index(keys,drop=True)
keys：可以为值也可以为列表，为列表时会产生Multindex
查看索引的方法：DataFrame.index
可以查看索引的名字和值：DataFrame.index.names
DataFrame.index.levels
Panel:DataFrame的容器（弃用）
items -axis 0，每个项目对应于内部包含的数据帧（DataFrame）
major_axis -axis 1，它是每个数据帧（DataFrame）的索引（行）
minor_axis -axis 2，它是每个数据帧（DataFrame）的列
Series：带索引的一维数组
属性：
index,values
创建：
pd.Series(ndarray)
指定内容，默认索引
pd.Series(ndarray,index)
指定内容，指定索引
pd.Series({"red":100,"blue":200,"green":500,"yellow":1000})
通过字典数据创建
基本数据操作：
ndarray.drop(list,axis)
list：为指定需要删除的索引值
axis：0为行，1位列
索引操作：
①直接索引
先列后行，先写列索引后写行索引
②按名字索引
ndarray.loc["2018-02-06"]["open"]
ndarray.loc["2018-02-06","open"]
③按数字索引
ndarray.iloc[1,0]
④组合索引
ndarray.ix[0:4,["open","close","high",""low]]
返回值对应的索引：
ndarray.columns.get_indexer(["open","close","high","low"])
赋值操作：
通过上面的索引操作直接对索引的位置进行赋值。
排序操作：
①按照内容进行排序：
DataFrame：
df.sort_values(key,ascending=True)
key:单个键或者多个键进行排序
ascending=False：降序
ascending=True：升序
Series：
sr.sort_values(ascending=False)
②按照索引进行排序：
DataFrame：
df.sort_index()
按照索引进行从小到大的排序
Series:
sr.sort_index()
按照索引进行从小到大的排序
DataFrame运算：
1）算数运算：
①直接使用符号作用于每一行
②使用ndarray.add()和ndarray.sub()方法进行加减操作
可以直接对两行进行操作
2）逻辑运算：
①可以使用逻辑运算符直接作用于每一行
②逻辑运算函数：
query(expr)
expr：查询字符串
isin(values)
values：判断值是否存在
3）统计运算：
DataFrame.describe()
返回几种常用的属性
sum,mean,median,min,max,mode,abs,prod,std,var,idxmax,idxmin
可以直接使用DataFrame.的方式获取对应的属性
4）累计统计运算：
cumsum 计算前1,2,3,.....n个数的和
cummax 计算前1,2,3,.....n个数的最大值
cummin 计算前1,2,3,.....n个数的最小值
cumprod 计算前1,2,3,.....n个数的积
5）自定义运算：
apply(func,axis=0)
func:自定义函数，使用lambda匿名函数
axis=0：默认为列，axis=1：行进行运算
Pandas画图：
DataFrame.plot(x=None,y=None,kind="line"，stacked=False)
x：特征值，y：标签值
kind：绘图类型
line,bar,barh,hist,pie,scatter
stacked：是否将图像进行堆叠
Pandas文件操作：
1）scv文件操作：
①读取csv文件：
pandas.read_csv(path,sep=",",delimiter=None)
path:文件路径
usecols：指定需要的字段，可以为单个也可以为列表
names：可以传入列表，作为读取文件的字段
②存储csv文件：
DataFrame.to_csv(path,sep=",",columns=None,header=True,index=True,index_label=None,mode="w",encoding=None)
path:文件路径
columns:保存的列的索引
index:是否保存行索引
header：是否保存列索引
2）hdf5文件操作：
①读取hdf5文件：
hdf5文件相当于3维文件，每一个key对应的是一个DataFrame
pandas.read_hdf(path,key=None,**kwargs)
path:文件路径
key：读取的键
mode：打开文件的模式
②存储hdf5文件：
DataFrame.to_hdf(path,key,**kwargs)
path：文件路径
key：对应的key值
key值不同，可以多次存储hdf5文件
3）JSON文件操作：
①读取JSON文件：
pandas.read_json(path,orient,type="frame",lines=False)
path:文件路径
orient：一般使用“records”，符合一般的格式
lines：是否把一行作为一个样本
②存储JSON文件：
DataFrame.to_json(path,orient,lines)
path:文件路径
orient：一般使用“records”，符合一般的格式
lines：是否把一行作为一个样本
缺失值的处理：
1）如何处理nan
判断是否存在缺失值：
pd.isnull(DataFrame)
pd.notnull(DataFrame)
①删除存在缺失值的样本：
dropna(axis="rows"，inpalce=False)
axis：默认按行修改数据
inplace：是否替换数据，为True时，在原始数据上进行修改，为False时，返回另外的数据值，不改变原数据
②替换缺失值：
fillna(value,inplace=True)
value：替换成的值
inplace：是否替换数据，为True时，在原始数据上进行修改，为False时，返回另外的数据值，不改变原数据
缺失值不为nan时，需要先将缺失值转换为nan，再进行处理。
DataFrame.replace(to_replace=,value=)
to_replace:替换之前的值
value：替换之后的值
数据离散化：
1）对数据进行分组：
①自动分组：pd.qcut(data,bins)
data：分组的数据
bins：要分的组数
返回series值
②自定义分组：pd.cut(data,bins)
data：分组的数据
bins：要分的组按照列表的方式进行输入
返回series值
2）将分好的组的结果转换为哑变量（one-hot编码）
pd.get_dummies(series,prefix)
series：输入分组好的series值，prefix为分组的名字
合并处理：
1）按方向进行拼接
pd.concat([data1,data2],axis=1)
按照行或者列进行合并，axis=0为行索引，axis=1为行索引
2）按索引进行拼接
pd.merge(left,right,how="inner",on=[索引])
inner：相同的保留
left：左边的保留
right：右边的保留
outer：全部都保留
交叉表和透视表：
1）交叉表(用于寻找两列之间的关系)：
pd.crosstab(value1,value2)
传入值为两列，返回两列的对应关系
pandas日期类型（转换为DatetimeIndex）：
pd.to_datetime
DatetimeIndex数据的属性：
year，month，weekday
2）透视表：
DataFrame.pivot_table([],index=[])
前面输入需要查看的数据列，后面提供索引
分组与聚合：
DataFrame.groupby(by,as_index=False)
by:分组的列数据，可以为多个
Series.groupby(DataFrame[])
传入对应的列，按照该列进行分组与聚合