DataFrame的這些操作和Series很相似，這里簡單介紹一下。
一，應用和應用映射
apply()函數對每個軸應用一個函數，applymap()函數對每個元素應用一個函數：
DataFrame.apply(self, func, axis=0, raw=False, result_type=None, args=(), **kwds)
DataFrame.applymap(self, func)
定義一個函數fun，使用apply()函數把fun應用到由DataFrame對象的列構成的一維數組上，通常fun函數是由聚合函數構成的。
f=lambda x: x.max()-x.min df.apply(f)
定義一個函數foo，使用applymap()函數把函數foo應用於DataFrame對象的各個元素上，
foo=lambda x: '%.2f' % x df.applymap(foo)
轉換數據，調用函數對循環對數據元素進行處理：
DataFrame.transform(self, func, axis=0, *args, **kwargs)
二，操作索引
操縱索引包括：重索引、設置索引、替換軸的索引、重置索引
1，重索引
重索引是指數據框按照新的索引進行排列：
DataFrame.reindex(self, labels=None, index=None, columns=None, axis=None,
method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None)
參數注釋：
- labels：array-like，新的軸（axis）標簽，軸由參數axis指定
- index，columns：新索引，如果指定index參數，等價於指定labels和axis=0/'index'，如果指定columns，等價於指定labels和axis=1/'columns'
- axis：軸，axis=0/'index'表示行，axis=1/'columns'表示列
- method：用於填充的方法，有效值是None, ‘backfill’/’bfill’, ‘pad’/’ffill’, ‘nearest’，
- None表示不會填充
- ‘backfill’/’bfill’：表示回填，用NA的后面第一個有效值來填充當前的NA
- ‘pad’/’ffill’：表示補填，用前面第一個有效值來填充當前的NA
- ‘nearest’：用最接近NA的有效值來填充當前的NA
- copy：默認值是True，返回新的對象
- level：用於MultiIndex，在一個級別上，與MultiIndex進行匹配。
- fill_value：標量值，默認值是np.NaN，用於對缺失值進行填充的值
- limit：填充的最大次數
- tolerance：可選參數，表示不能完全匹配的原始標簽和新標簽之間的最大距離，匹配位置處的索引值滿足：abs（index_position - target_position）<= tolerance，容差可以是標量值（對所有序列值應用相同的容差），也可以是list-like結構（對每個序列元素應用可變容差），list-like結構包括列表、元組、數組和序列，並且list-like結構的長度和序列的長度和長度必須相同。
2、設置索引
設置索引，可以使用set_index()函數把已有的列轉換為行索引，也可以使用set_axis()函數替換掉已有的軸索引。使用現有的列作為DataFrame的索引：
DataFrame.set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False)
參數注釋：
- keys：列標簽，或列標簽的列表，
- drop：默認值是True，表示刪除keys參數指定的列；設置為False，表示不刪除keys參數指定的列。
- append：默認值是False，表示刪除原始行索引；如果設置為True，表示向現有的行索引中追加索引。
- verify_integrity：默認值是False，不檢查新索引是否存在重復值。
3，替換軸的索引
把給定的軸的索引替換為新索引：
DataFrame.set_axis(self, labels, axis=0, inplace=None)
參數注釋：
- labels：新索引的值
- axis：{0 or ‘index’, 1 or ‘columns’}, default 0，指定用於更新的軸
- inplace：是否原地更新
使用新的索引來替換原始的行索引：
>>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]})
>>> df.set_axis(['a', 'b', 'c'], axis='index', inplace=False)
A B
a 1 4
b 2 5
c 3 6
4，重置索引
重置索引表示把DataFrame的索引設置為默認值，也就是從0開始到N-1的整數位置索引。設置索引是把列轉換為索引，而重置索引可以認為是把索引轉換為列，對於單級別的索引，常用的參數有：
DataFrame.reset_index(self, drop=False, inplace=False，...)
drop 參數表示是否刪除原始索引，如果設置為False，那么索引轉換為列；如果設置為True，表示把索引刪除。
舉個例子，對於以下數據框，索引是行標簽：
>>> df = pd.DataFrame([('bird', 389.0), ... ('bird', 24.0), ... ('mammal', 80.5), ... ('mammal', np.nan)], ... index=['falcon', 'parrot', 'lion', 'monkey'], ... columns=('class', 'max_speed')) >>> df class max_speed falcon bird 389.0 parrot bird 24.0 lion mammal 80.5 monkey mammal NaN
對數據框重置索引，把原始索引的值轉換為數據框的一列，並添加一個新的整數位置索引。
>>> df.reset_index() index class max_speed 0 falcon bird 389.0 1 parrot bird 24.0 2 lion mammal 80.5 3 monkey mammal NaN
三，重命名軸
對列名或行標簽重命名，可以使用rename()和rename_axis()函數
DataFrame.rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None, errors='ignore') DataFrame.rename_axis(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False)
對於rename()函數， 參數 mapper 可以是dick-like 結構，也可以是函數，舉個例子，把DataFrame對象的列名由Timestamp類型轉換為字符串類型：
df.rename(mapper =lambda x: pd.to_datetime(x).strftime('%Y%m%d') if x != 'na_count' else x, axis=1)
四，合並數據
DataFrame的合並（Merge）運算是通過一個或多個鍵把行連接起來，和關系型數據庫的Join操作相同，但是DataFrame的合並只支持等值條件的合並：
DataFrame.merge(self, right, how='inner', left_on=None, right_on=None, left_index=False, right_index=False,
sort=False, suffixes=('_x', '_y'), copy=True)
參數注釋：
- right：合並的右表
- how：指定連接的類型，有效值是inner、outer、left、right，用於指定內連接、full outer、左外、右外連接：
- left_on，right_on：分別用於指定連接的列，當在對應的列上值相同時，兩個表合並的條件成立。
- left_index，right_index：指定索引作為連接條件
- sort：根據連接鍵對合並后的數據進行排序
- suffixes：用於為重名的列指定后綴，默認值是('_x','_y')
- copy：把數據復制到結果中
參考文檔：