1.pandas模块中有两种主要的函数x函数据结构
2.总结Pandas的20个统计函数

pandas模块中有两种主要的数据结构

       pandas有两个主要数据结构：Series和DataFrame。

       Series是源码一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关的函数x函数据标签（即索引）组成，即index和values两部分，源码可以通过索引的函数x函方式选取Series中的单个或一组值。

pd.Series(list,源码11101110源码index=[ ])，第二个参数是函数x函Series中数据的索引，可以省略。源码

       Series类型索引、函数x函切片、源码运算的函数x函操作类似于ndarray，同样的源码类似Python字典类型的操作，包括保留字in操作、函数x函使用.get()方法。源码

          Series和ndarray之间的函数x函主要区别在于Series之间的操作会根据索引自动对齐数据。

       DataFrame是一个表格型的数据类型，每列值类型可以不同，bond lacp 源码解析是最常用的pandas对象。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）。DataFrame中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维数据结构）。

pd.DataFrame(data,columns = [ ],index = [ ])：columns和index为指定的列、行索引，并按照顺序排列。

       如果创建时指定了columns和index索引，则按照索引顺序排列，并且如果传入的列在数据中找不到，就会在结果中产生缺失值：

数据索引：Series和DataFrame的索引是Index类型，Index对象是不可修改，可通过索引值或索引标签获取目标数据，也可通过索引使序列或数据框的计算、操作实现自动化对齐。web萌宠 源码索引类型index的常用方法：

重新索引：能够改变、重排Series和DataFrame索引，会创建一个新对象，如果某个索引值当前不存在，就引入缺失值。

          df.reindex(index, columns ,fill_value, method, limit, copy )：index/columns为新的行列自定义索引；fill_value为用于填充缺失位置的值；method为填充方法，ffill当前值向前填充，bfill向后填充；limit为最大填充量；copy 默认True，生成新的对象，False时，新旧相等不复制。

删除指定索引：默认返回的是一个新对象。

          .drop()：能够删除Series和DataFrame指定行或列索引。

          删除一行或者一列时，用单引号指定索引，删除多行时用列表指定索引。glide 4.0 源码解析

          如果删除的是列索引，需要增加axis=1或axis='columns'作为参数。

          增加inplace=True作为参数，可以就地修改对象，不会返回新的对象。

       在pandas中，有多个方法可以选取和重新组合数据。对于DataFrame，表5-4进行了总结

适用于Series和DataFrame的基本统计分析函数：传入axis='columns'或axis=1将会按行进行运算。

          .describe()：针对各列的多个统计汇总，用统计学指标快速描述数据的概要。

          .sum()：计算各列数据的和

          .count()：非NaN值的数量

          .mean( )/.median()：计算数据的算术平均值、算术中位数

          .var()/.std()：计算数据的方差、标准差

          .corr()/.cov()：计算相关系数矩阵、协方差矩阵，是源码 重建输入表通过参数对计算出来的。Series的corr方法用于计算两个Series中重叠的、非NA的、按索引对齐的值的相关系数。DataFrame的corr和cov方法将以DataFrame的形式分别返回完整的相关系数或协方差矩阵。

          .corrwith()：利用DataFrame的corrwith方法，可以计算其列或行跟另一个Series或DataFrame之间的相关系数。传入一个Series将会返回一个相关系数值Series（针对各列进行计算），传入一个DataFrame则会计算按列名配对的相关系数。

          .min()/.max()：计算数据的最小值、最大值

          .diff()：计算一阶差分，对时间序列很有效

          .mode()：计算众数，返回频数最高的那（几）个

          .mean()：计算均值

          .quantile()：计算分位数（0到1）

          .isin()：用于判断矢量化集合的成员资格，可用于过滤Series中或DataFrame列中数据的子集

          适用于Series的基本统计分析函数，DataFrame[列名]返回的是一个Series类型。

          .unique()：返回一个Series中的唯一值组成的数组。

          .value_counts()：计算一个Series中各值出现的频率。

          .argmin()/.argmax()：计算数据最大值、最小值所在位置的索引位置（自动索引）

          .idxmin()/.idxmax()：计算数据最大值、最小值所在位置的索引（自定义索引）

       pandas提供了一些用于将表格型数据读取为DataFrame对象的函数。下表对它们进行了总结，其中read_csv()、read_table()、to_csv()是用得最多的。

       在数据分析和建模的过程中，相当多的时间要用在数据准备上：加载、清理、转换以及重塑。

       在许多数据分析工作中，缺失数据是经常发生的。对于数值数据，pandas使用浮点值NaN（np.nan）表示缺失数据，也可将缺失值表示为NA（Python内置的None值）。

替换值

          .replace(old, new)：用新的数据替换老的数据，如果希望一次性替换多个值，old和new可以是列表。默认会返回一个新的对象，传入inplace=True可以对现有对象进行就地修改。

删除重复数据

利用函数或字典进行数据转换

       df.head()：查询数据的前五行

          df.tail()：查询数据的末尾5行

          pandas.cut()

          pandas.qcut() 基于分位数的离散化函数。基于秩或基于样本分位数将变量离散化为等大小桶。

          pandas.date_range() 返回一个时间索引

          df.apply() 沿相应轴应用函数

          Series.value_counts() 返回不同数据的计数值

          df.aggregate()

          df.reset_index() 重新设置index，参数drop = True时会丢弃原来的索引，设置新的从0开始的索引。常与groupby()一起用

          numpy.zeros()

总结Pandas的个统计函数

       总结Pandas中的个统计函数及其应用

       在数据分析中，Pandas库提供了丰富且实用的统计函数，帮助我们深入理解数据。以下是一些关键的统计函数及其用法概览：

describe()：用于计算一维数组或数据框的描述性统计信息，如计数、平均值、标准差等，对数值型数据进行默认统计。

count()：统计非空值的数量，对于对象类型的数据，结果可能与预期不同。

sum()：求和，对数值型字段求和，对象类型则拼接所有值。

max()和min()：分别返回最大值和最小值，字符串类型按照ASCII码比较。

quantile()：返回数据的分位数，用于理解数据分布的特定位置。

mean()：计算平均值，处理缺失值时会自动排除。

median()：计算中位数，对于数值数组，中位数是中间值或平均中间值。

mode()：找出数据中出现次数最多的值，即众数。

idxmax()和idxmin()：分别返回最大值和最小值的索引，不适用于字符类型。

var()和std()：var()计算样本方差，std()计算标准差，注意两者在定义上的区别。

mad()：平均绝对偏差，对于数值数据提供另一种衡量离散度的方式。

skew()：偏度，衡量数据分布的不对称性。

kurt()：峰度，反映数据分布的尖峰程度。

abs()：绝对值函数，返回数值的绝对值。

prod()和cumprod()：前者计算元素乘积，后者计算累积乘积。

cumsum()：累计求和，对数据进行逐项累加。

       通过这些函数，数据分析师可以快速地进行统计分析，更好地理解和描述数据特征。熟练掌握这些工具，将有助于提升数据分析的效率和深度。