python，anaconda，spyder，numpy，pandas
DataFrame，Series
加载numpy和pandas，pandas中的 DataFrame,Series。列表生成DataFrame。df=DataFrame([21,35,26,19,30],columns=['Age'],index=list('abcde'))表示用列表[21,35,26,19,30]生成一个DataFrame命名为df，df的列名为'Age'，df的索引为'abcde'；df.index和df.columns来查看df的索引和列名；如图所示
使用df的索引操作数据。df.loc['b']表示索引为‘b’的数据；df.loc[['a','e']]表示索引为‘a’、‘e’的数据；df.loc[df.index[2:4]]表示先根据下标求出第3和第4个索引为‘c’和‘d’，然后再找出索引为‘c’和‘d’的数据；如图所示
df的统计计算、表达式、向量化操作。df.sum()、df.max()、df.abs()分别对df求和、求最大值、求绝对值；df.apply(lambda x:x**2+1)、df**2+1都是对df的每个元素进行平方再加1的操作，结果相同；如图所示
df新增列的操作。使用元组新增df的一列，命名为‘Salary’。例如：df['Salary']=(6000,15000,8000,5000,12000)；使用DataFrame新增df的一列，命名为‘Name’。例如：DataFrame(['Zhang San','Li Si','Wang Wu','Zhao Liu','Chen Qi'],index=list('bcdea'))，此时'Name'的数据会根据索引自动匹配数据；如图所示
df新增行的操作。使用字典新增df的一行，例如：df.append({'Name':'Sun Ba','Age':27,'Salary':10000},ignore_index=True)，此时因为ignore_index=True，所以索引调整为简单编号；使用带索引的DataFrame新增df 的一行，例如：df=df.append(DataFrame({'Name':'Sun Ba','Age':27,'Salary':10000},index=['x']))将增加的数据的索引为‘x’，如图所示
两个DataFrame的连接（合并）。df.join(DataFrame([1,2,3,4,5,6],index=list('abcdxy'),columns=['buys'])表示df和列名为‘buys’的DataFrame连接，由于join默认是‘left’，所以索引为y的值被舍弃了；df=df.join(DataFrame([1,2,3,4,5,6],index=list('abcdxy'),columns=['buys']),how='outer')表示使用‘out’连接，取得是并集，显示了所有值；如图所示
缺失值不影响统计计算。df[['Salary','buys']].mean()表示对'Salary','buys'这2个字段分别计算平均值；df[['Salary','buys']].std()表示对'Salary','buys'这2个字段分别计算标准差；df[['Salary','buys']].skew()表示对'Salary','buys'这2个字段分别计算偏度；如图所示
DataFrame根据索引操作数据的方法变更：ix已不建议使用了，改为使用loc
ignore_index=True表示不适用索引
缺失值自动使用NaN填充
join的参数除了left、out外，还有right（使用被连接对象索引）和inner（交集）