1.删除无用的列

df.drop(labels='列名',axis=1,inplace=True) #inplace=True代表替换原表

2.数据类型转换成时间序列类型

df['列名'] = pd.to_datetime(df['列名'])

3.将某列做为原始数据的行索引

df.set_index(df['列名'],inplace=True)

4.定位条件

df.loc[(df['close']-df['open'])/df['open']>0.03]
df.loc[df['列名'] =='值']
indexs = df.loc[df['state/region'] =='USA'].index  #获取索引
abb_pop.loc[indexs,'列名'] ='值' 
abb_pop_area.query('列名== "值" & 列名==值')  #条件查询

5.计算滚动均值

如：计算5日均值,滚动数据取值

ma5 = df['列名'].rolling(5).mean()

6.pandas分组

df['target']=np.where(df['score']>60 ,'及格','不及格')
df['rank'] = pd.cut(df ['score'],bins=[0,60,75,85,100],labels=['不及格','及格','良好','优秀'],right=True)

df = DataFrame({'item':['Apple','Banana','Orange','Banana','Orange','Apple'],'price':[4,3,3,2.5,4,2],'color':['red','yellow','yellow','green','green','green'],'weight':[12,20,50,30,20,44]})
df.groupby(by='item') #对不同种类的水果进行分组
#查看分组情况
df.groupby(by='item').groups
#计算出每一种水果的平均价格
df.groupby(by='item').mean()['price'] #不推荐
df.groupby(by='item')['price'].mean() #推荐
#数据汇总：将水果的平均价格汇总到源数据中
mean_price = df.groupby(by='item')['price'].mean()
mean_price

7.pandas处理空值

df.notnull()    #返回false代表为空，True不为空
df.notnull().all(axis=1)  #all,false表示改行存在空值
df.loc[df.notnull().all(axis=1)]  #定位不包含空值的行
df.loc[~df.isnull().any(axis=1)]  #定位不包含空值的行
df.isnull()  #为空返回True，不为空返回False
df.dropna(axis=0)  #将元数据中存在空值的行数据删除，axis=1即删除列
df.fillna(value='666')  #将空填充
df.fillna(method='ffill',axis=0)  #向前填充
df.fillna(method='bfill',axis=0) #向后填充
df.fillna(method='ffill',axis=0).fillna(method='bfill',axis=0)  #向前填充一次，再向后填充一次

8.pandas处理重复值

df.drop_duplicates()  

9.pandas处理异常值

如：定位大于两倍标准差的行

df.loc[~(df['C']>twice_std)]

10.python生成日历

乱入，哈哈

import calendar# 输入指定年月
yy = int(input("输入年份: "))
mm = int(input("输入月份: "))
# 显示日历
print(calendar.month(yy,mm))

11.pandas级联操作

pd.concat((df1,df1),axis=1)  #匹配级联
pd.concat((df1,df2),axis=0)  #不匹配级联
pd.concat((df1,df2),axis=0,join='inner')  #不匹配级联，inner join
pd.concat((df1,df2),axis=0,join='outer')  #不匹配级联,outer join
df1.append(df2)

12.pandas合并操作

pd.merge(df1,df2,on='列名')  
pd.merge(df3,df4)  #不使用on指明合并条件则默认使用两张表共有的公共的列作为条件合并
df3 = pd.merge(df1,df2,left_on='df1列名',right_on='df2列名',how='outer')

13.pandas数据排序

DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') 
#by：str or list of str；如果axis=0，那么by="列名"；如果axis=1，那么by="行名"。
#axis：{0 or ‘index’, 1 or ‘columns’}, default 0，默认按照列排序，即纵向排序；如果为1，则是横向排序。
#ascending：布尔型，True则升序，False降序
#inplace：布尔型，是否用排序后的数据框替换现有的数据框。
#kind：排序方法，{‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。
df.sort_values(by='列名',ascending=False)

14.pandas生成随机数

df = DataFrame(data=np.random.randint(0,100,size=(5,6)))  #生成5行6列数值范围再0到100之间的随机矩阵

15.pandas替换操作

df.replace(to_replace=8,value='eight')  #单值替换
df.replace(to_replace={8:'eight',11:'666111'}) #多值替换
df.replace(to_replace={3:74},value=7744)  #指定列的替换操作

16.pandas映射操作

dic = {'name':['张三','李四','张三'],'salary':[15000,20000,15000]
}
df = DataFrame(data=dic)
dic = {'张三':'Tom','李四':'Jerry'} #映射关系表：指定好了一一的映射关系
df['e_name'] = df['name'].map(dic)
#map是Series的方法，只能被Series调用

17.python透视表

import pandas as pd
import numpy as np
df = pd.read_csv('../data/透视表-篮球赛.csv',encoding='utf8')
df.pivot_table(index=['对手','主客场'])
df.pivot_table(index=['主客场','胜负'],values=['得分','篮板','助攻'])
df.pivot_table(index=['主客场','胜负'],values=['得分','篮板','助攻'],aggfunc='sum')
df.pivot_table(index=['主客场','胜负'],aggfunc={'得分':'sum','篮板':'mean','助攻':'max'})
#获取所有队主客场的总得分
df.pivot_table(index='主客场',values='得分',aggfunc='sum')
#获取每个队主客场的总得分（在总得分的基础上又进行了对手的分类）
df.pivot_table(index='主客场',values='得分',columns='对手',aggfunc='sum',fill_value=0)

18.pandas交叉表

df = DataFrame({'sex':['man','man','women','women','man','women','man','women','women'],'age':[15,23,25,17,35,57,24,31,22],'smoke':[True,False,False,True,True,False,False,True,False],'height':[168,179,181,166,173,178,188,190,160]})
pd.crosstab(df.sex,df.smoke)  #求出各个性别抽烟的人数
pd.crosstab(df.age,df.smoke)  #求出各个年龄段抽烟人情况

最近都没有好好的记录，批评自己一下，还是要记得记录，要学的还有很多很多，要记下来才能用呀！也要多出去走走，也要好好运动，好好背单词！