pd.isnull(series)

pd.notnull(series)

判断是否为空(NaN)

判断是否不为空(not NaN)

values

获取数组

index

获取索引

name

values的name

index.name

索引的name

Series([x,y,...])Series({'a':x,'b':y,...}, index=param1)

生成一个Series

Series.copy()

复制一个Series

Series.reindex([x,y,...], fill_value=NaN)

Series.reindex([x,y,...], method=NaN)

Series.reindex(columns=[x,y,...])

重返回一个适应新索引的新对象，将缺失值填充为fill_value

返回适应新索引的新对象，填充方式为method

对列进行重新索引

Series.drop(index)

丢弃指定项

Series.map(f)

应用元素级函数

Series.sort_index(ascending=True)

根据索引返回已排序的新对象

Series.order(ascending=True)

根据值返回已排序的对象，NaN值在末尾

Series.rank(method='average', ascending=True, axis=0)

为各组分配一个平均排名

df.argmax()

df.argmin()

返回含有最大值的索引位置

返回含有最小值的索引位置

values

DataFrame的值

index

行索引

index.name

行索引的名字

columns

列索引

columns.name

列索引的名字

ix

返回行的DataFrame

ix[[x,y,...], [x,y,...]]

对行重新索引，然后对列重新索引

T

frame行列转置

DataFrame(dict, columns=dict.index, index=[dict.columnnum])

DataFrame(二维ndarray)

DataFrame(由数组、列表或元组组成的字典)

DataFrame(NumPy的结构化/记录数组)

DataFrame(由Series组成的字典)

DataFrame(由字典组成的字典)

DataFrame(字典或Series的列表)

DataFrame(由列表或元组组成的列表)

DataFrame(DataFrame)

DataFrame(NumPy的MaskedArray)

构建DataFrame

数据矩阵，还可以传入行标和列标

每个序列会变成DataFrame的一列。所有序列的长度必须相同

类似于“由数组组成的字典”

每个Series会成为一列。如果没有显式制定索引，则各Series的索引会被合并成结果的行索引

各内层字典会成为一列。键会被合并成结果的行索引。

各项将会成为DataFrame的一行。索引的并集会成为DataFrame的列标。

类似于二维ndarray

沿用DataFrame

类似于二维ndarray，但掩码结果会变成NA/缺失值

df.reindex([x,y,...], fill_value=NaN, limit)

df.reindex([x,y,...], method=NaN)

df.reindex([x,y,...],columns=[x,y,...],copy=True)

返回一个适应新索引的新对象，将缺失值填充为fill_value，最大填充量为limit

返回适应新索引的新对象，填充方式为method

同时对行和列进行重新索引，默认复制新对象。

df.drop(index, axis=0)

丢弃指定轴上的指定项。

df.sort_index(axis=0, ascending=True)

df.sort_index(by=[a,b,...])

根据索引排序

df.count()

非NaN的数量

df.describe()

一次性产生多个汇总统计

df.min()

df.min()

最小值

最大值

df.idxmax(axis=0, skipna=True)

df.idxmin(axis=0, skipna=True)

返回含有最大值的index的Series

返回含有最小值的index的Series

df.quantile(axis=0)

计算样本的分位数

df.sum(axis=0, skipna=True, level=NaN)

df.mean(axis=0, skipna=True, level=NaN)

df.median(axis=0, skipna=True, level=NaN)

df.mad(axis=0, skipna=True, level=NaN)

df.var(axis=0, skipna=True, level=NaN)

df.std(axis=0, skipna=True, level=NaN)

df.skew(axis=0, skipna=True, level=NaN)

df.kurt(axis=0, skipna=True, level=NaN)

df.cumsum(axis=0, skipna=True, level=NaN)

df.cummin(axis=0, skipna=True, level=NaN)

df.cummax(axis=0, skipna=True, level=NaN)

df.cumprod(axis=0, skipna=True, level=NaN)

df.diff(axis=0)

df.pct_change(axis=0)

返回一个含有求和小计的Series

返回一个含有平均值的Series

返回一个含有算术中位数的Series

返回一个根据平均值计算平均绝对离差的Series

返回一个方差的Series

返回一个标准差的Series

返回样本值的偏度（三阶距）

返回样本值的峰度（四阶距）

返回样本的累计和

返回样本的累计最大值

返回样本的累计最小值

返回样本的累计积

返回样本的一阶差分

返回样本的百分比数变化

df.add(df2, fill_value=NaN, axist=1)

df.sub(df2, fill_value=NaN, axist=1)

df.div(df2, fill_value=NaN, axist=1)

df.mul(df2, fill_value=NaN, axist=1)

元素级相加，对齐时找不到元素默认用fill_value

元素级相减，对齐时找不到元素默认用fill_value

元素级相除，对齐时找不到元素默认用fill_value

元素级相乘，对齐时找不到元素默认用fill_value

df.apply(f, axis=0)

将f函数应用到由各行各列所形成的一维数组上

df.applymap(f)

将f函数应用到各个元素上

df.cumsum(axis=0, skipna=True)

累加，返回累加后的dataframe

df[val]

选取DataFrame的单个列或一组列

df.ix[val]

选取Dataframe的单个行或一组行

df.ix[:,val]

选取单个列或列子集

df.ix[val1,val2]

将一个或多个轴匹配到新索引

reindex方法

将一个或多个轴匹配到新索引

xs方法

根据标签选取单行或者单列，返回一个Series

icol、irow方法

根据整数位置选取单列或单行，并返回一个Series

get_value、set_value

根据行标签和列标签选取单个值

Index

最广泛的Index对象，将轴标签表示为一个由Python对象组成的NumPy数组

Int64Index

针对整数的特殊Index

MultiIndex

“层次化”索引对象，表示单个轴上的多层索引。可以看做由元组组成的数组

DatetimeIndex

存储纳秒级时间戳（用NumPy的Datetime64类型表示）

PeriodIndex

针对Period数据（时间间隔）的特殊Index

Index([x,y,...])

创建索引

append(Index)

连接另一个Index对象，产生一个新的Index

diff(Index)

计算差集，产生一个新的Index

intersection(Index)

计算交集

union(Index)

计算并集

isin(Index)

检查是否存在与参数索引中，返回bool型数组

delete(i)

删除索引i处元素，得到新的Index

drop(str)

删除传入的值，得到新Index

insert(i,str)

将元素插入到索引i处，得到新Index

is_monotonic()

当各元素大于前一个元素时，返回true

is_unique()

当Index没有重复值时，返回true

unique()

计算Index中唯一值的数组