書籍《利用Python進行數據分析》
Numpy--數組及矩陣，矢量計算
1、ndarray多維數組， matrix矩陣
2、針對整組數據進行快速運算的標准數學（統計）函數，（與list區別：無需循環編寫程序）
3、用於讀寫磁盤數據工具及操作內存映射文件工具
4、線性代數、隨機數生成及傅里葉變換
5、基於C語言API，具有良好的運行速率
| array | 輸入數據轉換成ndarray（dtype可選） |
| arrange | 內置range返回ndarray |
| zeros/zeros_like | 根據指定shape和dtype返回全0數組或參考其他數組的shape和dtype |
| eye | 創建N*N單位矩陣 |
| ones/ones_like | 根據指定shape和dtype返回全1數組或參考其他數組的shape和dtype |
| empty/empty_like | 只分配空間但不填充任何值 |
| dtype |
|
| shape | |
| reshape | |
| ravel | |
| transpose/T | 數組轉置 |
| stack/hstack/vstack/dstack/concatenate/ | |
| ix_ | 選取方形區域的索引器，花式索引x[ix_（[0,1],[0,1]）]=x[[0,1]][:,[0,1]] |
| sqrt/square/log/sign/abs | |
| min/max/ptp/sum | |
| mean/var/std | |
| argmin/argmax | 最小最大值索引 |
| any/all | 數組中是否存在一個或多個True/數組中是否全是True |
| average | |
| median | |
| sort | |
| in1d | 測試一個數組中的值是否在另一個數組中的成員資格，返回bool數組 |
| unique/intersect1d/union1d/setdiff1d/setxor1d |
| loadtxt/savetxt | |
| save/load | 將數組以二進制格式保存磁盤或讀取（npy） |
| savez | 保存多個數組至壓縮文件 |
| dot | 矩陣內積XTX |
| qr | QR分解 |
| inv | 逆矩陣 |
| svd | 奇異分解SVD |
| eig | 特征值和特征向量 |
| det | 矩陣行列式 |
| normal（shape） | 以shape規格正態分布數組 |
| randint/rand/randn | |
| seed |
注：不同shape數組之間的運算叫做廣播
Pandas--基於Numpy構建，提供高級數據結構和操作工具
Series是一種類似於一維數組的對象，由一組數據（Numpy數據類型）以及一組與之相關的數據標簽組成。
| values/index | 表現形式和索引，index不允許修改 |
| isnull/notnull/fillna/dropna() | 檢測是否缺失/填充缺失值/過濾缺失值 |
| name/index.name | |
| Series(data, index=) | 創建Series對象 |
| reindex([], fill_value=,method=) | 創建新索引，ffill、pad/bfill、backfill(前/后填充/搬運) |
| drop | 丟棄指定索引上的項 |
| sort_index()/order() | |
| rank(method=,ascending=) | method參數破壞平級關系:max/min/first/average |
| corr/cov,corrwith | 相關系數、協方差 |
| unique，value_counts | 唯一值，計算各值出現的頻率 |
| isin | Series各值是否存在於輸入的值序列中，返回布爾數組 |
| iget_value | 根據位置的索引查值 |
DataFrame是一個表格型的數據結構，含有一組有序的列，每列可以是不同的值類型。
| DataFrame(data, columns=, index=) | 創建DataFrame對象 |
| ix() | 用過索引字段獲取行 |
| reindex([],method=,columns=) | 相比較Series，可修改行列索引 |
| add(df,fill_value=,axis=) sub,div,mul | |
| reindex(columns=,fill_value=) | |
| apply(f,axis=) f=lambda x: x.max()-min() | 將函數應用到各行或各列形成的一維數組上 |
| applymap | 針對元素級的python函數 |
| sort_index(axis=,ascending=,by=) | by參數可根據多列排序 |
| sum(axis=,level=),cumsum/cummin/cummax/cumprod | 求和（，根據級別），cumsum為累計求和函數 |
| mean(axis=,skipna=)/median/mad/var/std/quantile | skipna參數表示是否忽略NA |
| idxman/idxmin/argmin/argmax | 達到最大或最小的索引或索引位置（整數 |
| describe | 列計算匯總統計 |
| dropna(how=‘all’,axis=，thresh) /fillna(inplace=,limit=,axis=,method=) | 過濾缺失值（all僅丟棄全NA的行或者列，thresh篩選）/填充缺失值(是否返回新對象,,,) |
| set_index(,drop=)/reset_index | 將其中一個或多個列轉換成行索引（是否允許列從原dataframe移除) |
數據為缺失值或者NA值時，表示為NaN
可以輸入給DataFrame構造器的數據
| 類型 | 說明 |
| 二維ndarray | 數據矩陣，可傳入行列標 |
| 數組、列表、元組或字典 | 每個序列會編程DataFrame的一列，長度必須相同 |
| Numpy的結構化/記錄數組 | 由數組組成的字典 |
| Series組成的字典 | 每個Series都會成為一列， |
| 由字典組成的字典 | 各內層字典會成為一列，鍵會合並成結果的行索引 |
| 字典或Series的列表 | 各項會成為DataFrame的一行，鍵索引值會成為列索引 |
| 列表或元組組成的列表 | 類似“二維ndarray” |
| 另一個DataFrame | 沿用該索引 |
| Numpy的MaskedArray | 類似“二維ndarray”，掩碼值變成缺失值或者NA值 |
DataFrame索引選項
| 類型 | 說明 |
| obj[val] | 選取DataFrame單列或一組列 |
| obj.ix[val] | 選取DataFrame單行或者多行 |
| obj.ix[:,val] | 選取單列或多列 |
| obj.ix[val1，val2] | 同時選取行列 |
| reindex | 將1軸或多軸重新匹配索引 |
| xs | 根據標簽選取單行或單列，返回Series |
| icol，irow | 根據整數位置選取單列或單行，返回Series |
| get_value，set_value |
根據行列標簽選取/設置單個值 |
層次化索引：
MultiIndex
exp： data = Series(np.random.randn(10), index=[['a',a','a','b','b','b','c','c','d','d'],[1,2,3,1,2,3,1,2,2,3]])
data.unstack() 數據被重新安排到DataFrame ；stack() 逆運算
swaplevel（調整某條軸上各級別的順序），sortlevel（根據指定級別上的值對數據進行排序）
注：DataFrame和Series之間的運算和廣播效果一樣
axis = 1----行，axis = 0 -----列
Panei數據結構（待補充。。。）