Pandas速查手冊中（1）
1.縮寫：
df：任意的Pandas DataFrame對象
s：任意的Pandas Series對象

2.引入：
import pandas as pd
import numpy as np

3.導入數據
	•pd.read_csv(filename)：從CSV檔導入資料
	•pd.read_table(filename)：從限定分隔符號的文字檔導入數據
	•pd.read_excel(filename)：從Excel檔導入資料
	•pd.read_sql(query, connection_object)：從SQL表/庫導入數據
	•pd.read_json(json_string)：從JSON格式的字串導入資料
	•pd.read_html(url)：解析URL、字串或者HTML檔，抽取其中的tables表格
	•pd.read_clipboard()：從你的粘貼板獲取內容，並傳給read_table()
	•pd.DataFrame(dict)：從字典物件導入資料，Key是列名，Value是數據


4.匯出數據
	•df.to_csv(filename)：匯出資料到CSV檔
	•df.to_excel(filename)：匯出資料到Excel檔
	•df.to_sql(table_name, connection_object)：匯出數據到SQL表
	•df.to_json(filename)：以Json格式匯出資料到文字檔


5.創建測試對象
	•pd.DataFrame(np.random.rand(20,5))：創建20行5列的隨機陣列成的DataFrame物件
	•pd.Series(my_list)：從可反覆運算物件my_list創建一個Series物件
	•df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一個日期索引


6.查看、檢查資料
	•df.head(n)：查看DataFrame對象的前n行
	•df.tail(n)：查看DataFrame物件的最後n行
	•df.shape()：查看行數和列數
	•http://df.info()：查看索引、資料類型和記憶體資訊
	•df.describe()：查看數值型列的匯總統計
	•s.value_counts(dropna=False)：查看Series物件的唯一值和計數
	•df.apply(pd.Series.value_counts)：查看DataFrame物件中每一列的唯一值和計數


7.資料選取
	•df[col]：根據列名，並以Series的形式返回列
	•df[[col1, col2]]：以DataFrame形式返回多列
	•s.iloc[0]：按位置選取資料
	•s.loc['index_one']：按索引選取資料
	•df.iloc[0,:]：返回第一行
	•df.iloc[0,0]：返回第一列的第一個元素


8.資料清理
	•df.columns = ['a','b','c']：重命名列名
	•pd.isnull()：檢查DataFrame物件中的空值，並返回一個Boolean陣列
	•pd.notnull()：檢查DataFrame物件中的非空值，並返回一個Boolean陣列
	•df.dropna()：刪除所有包含空值的行
	•df.dropna(axis=1)：刪除所有包含空值的列
	•df.dropna(axis=1,thresh=n)：刪除所有小於n個非空值的行
	•df.fillna(x)：用x替換DataFrame物件中所有的空值
	•s.astype(float)：將Series中的資料類型更改為float類型
	•s.replace(1,'one')：用‘one’代替所有等於1的值
	•s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3
	•df.rename(columns=lambda x: x + 1)：批量更改列名
	•df.rename(columns={'old_name': 'new_ name'})：選擇性更改列名
	•df.set_index('column_one')：更改索引列
	•df.rename(index=lambda x: x + 1)：批量重命名索引


9.資料處理：Filter、Sort和GroupBy
	•df[df[col] > 0.5]：選擇col列的值大於0.5的行
	•df.sort_values(col1)：按照列col1排序資料，預設昇冪排列
	•df.sort_values(col2, ascending=False)：按照列col1降冪排列資料
	•df.sort_values([col1,col2], ascending=[True,False])：先按列col1昇冪排列，後按col2降冪排列數據
	•df.groupby(col)：返回一個按列col進行分組的Groupby物件
	•df.groupby([col1,col2])：返回一個按多列進行分組的Groupby物件
	•df.groupby(col1)[col2]：返回按列col1進行分組後，列col2的均值
	•df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：創建一個按列col1進行分組，並計算col2和col3的最大值的樞紐分析表
	•df.groupby(col1).agg(np.mean)：返回按列col1分組的所有列的均值
	•data.apply(np.mean)：對DataFrame中的每一列應用函數np.mean
	•data.apply(np.max,axis=1)：對DataFrame中的每一行應用函數np.max

10.資料合併
	•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df1的列和df2的列執行SQL形式的join


11.資料統計
	•df.describe()：查看資料值列的匯總統計
	•df.mean()：返回所有列的均值
	•df.corr()：返回列與列之間的相關係數
	•df.count()：返回每一列中的非空值的個數
	•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
	•df.std()：返回每一列的標準差