(文章待完善)
注意1：pandas本身包含很多函數(shù)pandas.method(obj)，通常簡(jiǎn)寫為pd.method(df)，df表示待處理“對(duì)象”（最常見的是Series和DataFrame對(duì)象）；而pandas產(chǎn)生的“對(duì)象”也包含自己的方法，通常以df.method()形式調(diào)用。部分函數(shù)和方法實(shí)現(xiàn)的是完全相同的功能，因此兩種方法都可使用，實(shí)際上前者是“函數(shù)式編程”，后者是“面向?qū)ο缶幊獭薄＠缗袛嘁粋€(gè)DataFrame對(duì)象df是否含有null值，既可以用pd.isnull(df)也可以用df.isnull()。
注意2：pandas為了保護(hù)源數(shù)據(jù)，對(duì)DataFrame對(duì)象的操作一般都不會(huì)更改源數(shù)據(jù)，除非在函數(shù)中加上“inplace=True”，該語句在下面的大部分方法和函數(shù)中都有。
注意3：df.method()表示對(duì)整個(gè)DataFrame進(jìn)行操作；而df[['col1','col2',…]].method()：表示對(duì)指定列進(jìn)行相應(yīng)的操作。通常前者返回針對(duì)整個(gè)DataFrame的結(jié)果，而后者返回指針對(duì)相應(yīng)列的結(jié)果。下面都以df.method()形式描述各種方法，對(duì)應(yīng)方法換成df[['col1','col2',…]].method()就是對(duì)指定列的操作。但需要注意，某些方法并不適用于Dataframe操作，而某些反復(fù)也只針對(duì)列操作，根據(jù)實(shí)際情況而定。
導(dǎo)入包
import pandas as pd
1. 創(chuàng)建對(duì)象
df = pd.DataFrame(data=, columns=, index=)
s = pd.Series(data=, index=)
2. 數(shù)據(jù)導(dǎo)入
pd.read_csv(filename)：從CSV文件導(dǎo)入數(shù)據(jù)
pd.read_table(filename)：從限定分隔符的文本文件導(dǎo)入數(shù)據(jù)
pd.read_excel(filename)：從Excel文件導(dǎo)入數(shù)據(jù)
pd.read_sql(query, connection_object)：從SQL表/庫(kù)導(dǎo)入數(shù)據(jù)
pd.read_json(json_string)：從JSON格式的字符串導(dǎo)入數(shù)據(jù)
pd.read_html(url)：解析URL、字符串或者HTML文件
pd.read_clipboard()：從粘貼板獲取內(nèi)容
pd.DataFrame(dict)：從字典對(duì)象導(dǎo)入數(shù)據(jù)
3. 數(shù)據(jù)導(dǎo)出
df.to_csv(filename)：導(dǎo)出數(shù)據(jù)到CSV文件
df.to_excel(filename)：導(dǎo)出數(shù)據(jù)到Excel文件
df.to_sql(table_name, connection_object)：導(dǎo)出數(shù)據(jù)到SQL表
df.to_json(filename)：以Json格式導(dǎo)出數(shù)據(jù)到文本文件
4. 數(shù)據(jù)查看
df.head(n)：查看DataFrame對(duì)象的前n行
df.tail(n)：查看DataFrame對(duì)象的最后n行
df.shape()：查看行數(shù)和列數(shù)
df.info()：查看索引、數(shù)據(jù)類型、每列非數(shù)、內(nèi)存信息
df.dtypes：返回每一列的數(shù)據(jù)類型
df.index：返回每一行的“行標(biāo)簽”列表
df.columns：返回每一列的“列標(biāo)簽”列表
df.values：返回“值”，是numpy.ndarray類型
df.count()：返回每一行或列包含的非空數(shù)據(jù)個(gè)數(shù)，不包括None, NaN, NaT等
df['col1'].unique()：查看某一列內(nèi)有哪些不同的值
df.describe()：查看數(shù)據(jù)值列的匯總統(tǒng)計(jì)
df.max()：返回每一列的最大值
df.min()：返回每一列的最小值
df.median()：返回每一列的中位數(shù)
df.mean()：返回所有列的均值
df.corr()：返回列與列之間的相關(guān)系數(shù)
df.std()：返回每一列的標(biāo)準(zhǔn)差
s.value_counts(dropna=False)：查看Series對(duì)象的唯一值、重復(fù)值和計(jì)數(shù)
s.values: 抽取Series對(duì)象的數(shù)據(jù)
s.index: 抽取Series對(duì)象的索引
df.apply(pd.Series.value_counts)：查看DataFrame對(duì)象中每一列的唯一值和計(jì)數(shù)
說明：apply的用處很多，比如可以通過跟lambda函數(shù)聯(lián)合，完成很多功能：將包含某個(gè)部分的元素挑出來等等。
5. 數(shù)據(jù)選取
一般選取
df[ ['列1' ,'列2'…]]：取單列或多列，不能用連續(xù)方式取，也不能用于取行。
df[ i:j ]：起始行下標(biāo)(i)和終止行下標(biāo)(j)取單行或者連續(xù)多行，不能用于列的選取。
df.列名：只用于取單列，不能用于行。
df.loc[行名,列名]：用對(duì)象的.loc[]方法實(shí)現(xiàn)各種取數(shù)據(jù)方式。
df.iloc[行下標(biāo),列下標(biāo)]：用對(duì)象的.iloc[]方法實(shí)現(xiàn)各種取數(shù)據(jù)方式。**
更詳細(xì)參見：https://blog.csdn.net/xtfge0915/article/details/52938740
df.values：獲取所有數(shù)據(jù)
df.values[i]：獲取第i行數(shù)據(jù)
df.values[i][j]：獲取第i行j列數(shù)據(jù)
條件選取
df[df.a>0]：選擇a列中元素>0的所有行
df[(df.a>0) & (df.b<0)]：選擇a列中元素>0同時(shí)b列中元素<0的所有行
df[列l(wèi)ist] [df.a>0]：在a列中元素>0的所有行中，抽取‘列l(wèi)ist’指定列的數(shù)據(jù)
df[列l(wèi)ist] [(df.a>0) & (df.b<0)]：關(guān)系同上
詳見：http://www.lxweimin.com/p/9e904db7a2a7
（待增加）
自帶函數(shù)？？？？？？？？？？？？
df.query()：
排序
df.sort_values()：按照某列或某幾列（某行或某幾行）多樣化排序。
df.sort_index()：默認(rèn)按照index或columns排序（推薦），也可當(dāng).sort_values()使用（不推薦）。
詳見：http://www.lxweimin.com/p/f0ed06cd5003
數(shù)據(jù)清洗
列索引（columns）處理
df.columns = ['a','b','c']：直接重命名列標(biāo)簽
df.rename()：批量或者單個(gè)更改列標(biāo)簽
行索引（index）處理
df.set_index()：將某列作為行索引，可處理多重索引
df.reset_index()：更改行索引，可處理多重索引
判斷某值是否存在
df.isin([……])：判斷[……]內(nèi)的元素是否在df中，返回一個(gè)與df同維的bool型DataFrame
null和na處理
pd.isnull(df)或df.isnull()：判斷哪些是null，返回一個(gè)與df同維的bool型DataFrame
pd.isna(df)或df.isna()：判斷哪些是null，返回一個(gè)與df同維的bool型DataFrame
pd.notnull(df)或df.notnull()：判斷哪些不是null，返回一個(gè)與df同維的bool型DataFrame
pd.notna(df)或df.notna()：判斷哪些不是na，返回一個(gè)與df同維的bool型DataFrame
df.fillna(value)：用value填充所有的空值
df['列名'].isna()、df['列名'].isnull()、df['列名'].notna()、df['列名'].notnull()：判斷某列是否有空值，返回列同維布爾值。
df['列名'].fillna(value)：用value填充某列所有空值
df.dropna(axis=, how=)：刪除所有包含空值的行（axis=0）或列（axis=1），how='any'只要出現(xiàn)一個(gè)空值就刪，how='all'只有當(dāng)所以值空才刪。
df['列名'].dropna()：刪除某列的空值
重復(fù)數(shù)據(jù)判斷處理
df.duplicated(subset=['col1','col2',……],keep=) 等同于df[['col1','col2',……]].duplicated(keep=)：返回一個(gè)與“行數(shù)”同維的bool型Series對(duì)象，標(biāo)True的行表示，這些行里面某幾列（由['列名'list]指定）或所有列都相同。keep='first'/'last'/False。'first'：第一次出現(xiàn)的行不標(biāo)注True；'表示'：最后一次出現(xiàn)的行不標(biāo)注True；False(無引號(hào))：所有滿足要求的行都表True。
df.duplicated()：標(biāo)出完全相同的行，且第一次出現(xiàn)那行不標(biāo)注。
df.duplicated(subset=['age','id'] ,keep=False)：比較‘a(chǎn)ge’和‘id’這兩列完全相同的行，并全部標(biāo)注為True，比如第2行：age=5，id=123；第7行：age=5，id=123，顯然第2行和第7行在age和id這兩個(gè)維度上是完全相同的，那么這兩行都將被標(biāo)注為True。該結(jié)果同df[['city','price']].duplicated(keep=False)。
df.drop_duplicates(subset=['col1','col2',……],keep=)：參數(shù)作用完全同上，該函數(shù)是刪除選定列內(nèi)相同行所在的整行，返回的是一個(gè)刪除了指定行后的DataFrame對(duì)象。df[['col1','col2',……]].drop_duplicates(keep=)返回的是指定列中刪除了相同行的剩余結(jié)果，只有指定列。
數(shù)據(jù)替換
df.replace()：?jiǎn)沃怠⒍嘀档榷喾N替換方式。https://blog.csdn.net/kancy110/article/details/72719340/
大小寫轉(zhuǎn)換
df['列名'].str.lower()：將某列中所有的大寫字母改小寫（只適用于單列）
數(shù)據(jù)類型轉(zhuǎn)換
df.astype()：數(shù)據(jù)類型轉(zhuǎn)換
數(shù)據(jù)處理(待完善)
df.groupby(col)：返回一個(gè)按列col進(jìn)行分組的Groupby對(duì)象
df.groupby(col1).agg(np.mean)：返回按列col1分組的所有列的均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：創(chuàng)建一個(gè)按列col1進(jìn)行分組，并計(jì)算col2和col3的最大值的數(shù)據(jù)透視表
df.sample()：重采樣
apply()
agg()
map()
mapapply()
數(shù)據(jù)合并
pd.merge()：根據(jù)一個(gè)或多個(gè)鍵將不同DataFrame中的行連接起來
df1.append(df2)：將df2中的行添加到df1的尾部
df.concat([df1, df2],axis=1)：將df2中的列添加到df1的尾部
df1.join(df2,on=col1,how='inner')：對(duì)df1的列和df2的列執(zhí)行SQL形式的join
Pandas支持的數(shù)據(jù)類型
int 整型
float 浮點(diǎn)型
bool 布爾類型
object 字符串類型
category 種類
datetime 時(shí)間類型
參考文章：
參考博客（重要）：https://blog.csdn.net/brucewong0516/article/details/81782312
其他：https://blog.csdn.net/qq_42415326/article/details/89678833
pandas官網(wǎng)：http://pandas.pydata.org/
pandas官方文檔：http://pandas.pydata.org/pandas-docs/stable/index.html
pandas部分用法：https://link.zhihu.com/?target=https%3A//www.dataquest.io/blog/pandas-cheat-sheet/
