Python基础（十一）超详细的Pandas库三万字总结_gdp_data

本文链接：https://blog.csdn.net/2401_84140519/article/details/138301681

	population	GDP
BeiJing	2154	30320
ShangHai	2424	32680
ShenZhen	1303	24222
HangZhou	981	13468

注意：数量不够的会自动补齐

pd.DataFrame({"population": population,
              "GDP": GDP,
              "country": "China"})

	population	GDP	country
BeiJing	2154	30320	China
ShangHai	2424	32680	China
ShenZhen	1303	24222	China
HangZhou	981	13468	China

3、通过字典列表对象创建

字典索引作为index，字典键作为columns

import numpy as np
import pandas as pd

data = [{"a": i, "b": 2\*i} for i in range(3)]
data

[{'a': 0, 'b': 0}, {'a': 1, 'b': 2}, {'a': 2, 'b': 4}]

data = pd.DataFrame(data)
data

	a	b
0	0	0
1	1	2
2	2	4

行的标签没有排，因此行从0开始，列的标签延续。

从中取出一列数据

data1 = data["a"].copy()
data1

0    0
1    1
2    2
Name: a, dtype: int64

data1[0] = 10
data1

0    10
1     1
2     2
Name: a, dtype: int64

data

	a	b
0	0	0
1	1	2
2	2	4

不存在的键，会默认值为NaN

data = [{"a": 1, "b":1},{"b": 3, "c":4}]
data

[{'a': 1, 'b': 1}, {'b': 3, 'c': 4}]

pd.DataFrame(data)

	a	b	c
0	1.0	1	NaN
1	NaN	3	4.0

4、通过Numpy二维数组创建

data = np.random.randint(10, size=(3, 2))
data

array([[1, 6],
       [2, 9],
       [4, 0]])

pd.DataFrame(data, columns=["foo", "bar"], index=["a", "b", "c"])

	foo	bar
a	1	6
b	2	9
c	4	0

11.2 DataFrame性质

1、属性

data = pd.DataFrame({"pop": population, "GDP": GDP})
data

	pop	GDP
BeiJing	2154	30320
ShangHai	2424	32680
ShenZhen	1303	24222
HangZhou	981	13468

（1）df.values 返回numpy数组表示的数据

data.values

array([[ 2154, 30320],
       [ 2424, 32680],
       [ 1303, 24222],
       [  981, 13468]], dtype=int64)

（2）df.index 返回行索引

data.index

Index(['BeiJing', 'ShangHai', 'ShenZhen', 'HangZhou'], dtype='object')

（3）df.columns 返回列索引

data.columns

Index(['pop', 'GDP'], dtype='object')

（4）df.shape 形状

data.shape

(4, 2)

（5） pd.size 大小

data.size

（6）pd.dtypes 返回每列数据类型

data.dtypes

pop    int64
GDP    int64
dtype: object

2、索引

data

	pop	GDP
BeiJing	2154	30320
ShangHai	2424	32680
ShenZhen	1303	24222
HangZhou	981	13468

（1）获取列

字典式

data["pop"]

BeiJing     2154
ShangHai    2424
ShenZhen    1303
HangZhou     981
Name: pop, dtype: int64

data[["GDP", "pop"]]

	GDP	pop
BeiJing	30320	2154
ShangHai	32680	2424
ShenZhen	24222	1303
HangZhou	13468	981

对象属性式

data.GDP

BeiJing     30320
ShangHai    32680
ShenZhen    24222
HangZhou    13468
Name: GDP, dtype: int64

（2）获取行

绝对索引 df.loc

data.loc["BeiJing"]

pop     2154
GDP    30320
Name: BeiJing, dtype: int64

data.loc[["BeiJing", "HangZhou"]]

	pop	GDP
BeiJing	2154	30320
HangZhou	981	13468

相对索引 df.iloc

data

	pop	GDP
BeiJing	2154	30320
ShangHai	2424	32680
ShenZhen	1303	24222
HangZhou	981	13468

data.iloc[0]

pop     2154
GDP    30320
Name: BeiJing, dtype: int64

data.iloc[[1, 3]]

	pop	GDP
ShangHai	2424	32680
HangZhou	981	13468

（3）获取标量

data

	pop	GDP
BeiJing	2154	30320
ShangHai	2424	32680
ShenZhen	1303	24222
HangZhou	981	13468

data.loc["BeiJing", "GDP"]

data.iloc[0, 1]

data.values[0][1]

（4）Series对象的索引

type(data.GDP)

pandas.core.series.Series

GDP

BeiJing     30320
ShangHai    32680
ShenZhen    24222
HangZhou    13468
dtype: int64

GDP["BeiJing"]

3、切片

dates = pd.date_range(start='2019-01-01', periods=6)
dates

DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04',
               '2019-01-05', '2019-01-06'],
              dtype='datetime64[ns]', freq='D')

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=["A", "B", "C", "D"])
df

	A	B	C	D
2019-01-01	-0.935378	-0.190742	0.925984	-0.818969
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395
2019-01-03	-0.141572	0.058118	1.102248	1.207726
2019-01-04	0.305088	0.535920	-0.978434	0.177251
2019-01-05	0.313383	0.234041	0.163155	-0.296649
2019-01-06	0.250613	-0.904400	-0.858240	-1.573342

（1）行切片

df["2019-01-01": "2019-01-03"]

	A	B	C	D
2019-01-01	-0.935378	-0.190742	0.925984	-0.818969
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395
2019-01-03	-0.141572	0.058118	1.102248	1.207726

df.loc["2019-01-01": "2019-01-03"]

	A	B	C	D
2019-01-01	-0.935378	-0.190742	0.925984	-0.818969
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395
2019-01-03	-0.141572	0.058118	1.102248	1.207726

df.iloc[0: 3]

	A	B	C	D
2019-01-01	-0.935378	-0.190742	0.925984	-0.818969
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395
2019-01-03	-0.141572	0.058118	1.102248	1.207726

注意：这里的3是取不到的。

（2）列切片

df

	A	B	C	D
2019-01-01	-0.935378	-0.190742	0.925984	-0.818969
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395
2019-01-03	-0.141572	0.058118	1.102248	1.207726
2019-01-04	0.305088	0.535920	-0.978434	0.177251
2019-01-05	0.313383	0.234041	0.163155	-0.296649
2019-01-06	0.250613	-0.904400	-0.858240	-1.573342

df.loc[:, "A": "C"]

	A	B	C
2019-01-01	-0.935378	-0.190742	0.925984
2019-01-02	-0.234414	-1.194674	1.080779
2019-01-03	-0.141572	0.058118	1.102248
2019-01-04	0.305088	0.535920	-0.978434
2019-01-05	0.313383	0.234041	0.163155
2019-01-06	0.250613	-0.904400	-0.858240

df.iloc[:, 0: 3]

	A	B	C
2019-01-01	-0.935378	-0.190742	0.925984
2019-01-02	-0.234414	-1.194674	1.080779
2019-01-03	-0.141572	0.058118	1.102248
2019-01-04	0.305088	0.535920	-0.978434
2019-01-05	0.313383	0.234041	0.163155
2019-01-06	0.250613	-0.904400	-0.858240

（3）多种多样的取值

df

	A	B	C	D
2019-01-01	-0.935378	-0.190742	0.925984	-0.818969
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395
2019-01-03	-0.141572	0.058118	1.102248	1.207726
2019-01-04	0.305088	0.535920	-0.978434	0.177251
2019-01-05	0.313383	0.234041	0.163155	-0.296649
2019-01-06	0.250613	-0.904400	-0.858240	-1.573342

行、列同时切片

df.loc["2019-01-02": "2019-01-03", "C":"D"]

	C	D
2019-01-02	1.080779	-2.294395
2019-01-03	1.102248	1.207726

df.iloc[1: 3, 2:]

	C	D
2019-01-02	1.080779	-2.294395
2019-01-03	1.102248	1.207726

行切片，列分散取值

df.loc["2019-01-04": "2019-01-06", ["A", "C"]]

	A	C
2019-01-04	0.305088	-0.978434
2019-01-05	0.313383	0.163155
2019-01-06	0.250613	-0.858240

df.iloc[3:, [0, 2]]

	A	C
2019-01-04	0.305088	-0.978434
2019-01-05	0.313383	0.163155
2019-01-06	0.250613	-0.858240

行分散取值，列切片

df.loc[["2019-01-02", "2019-01-06"], "C": "D"]

上面这种方式是行不通的。

df.iloc[[1, 5], 0: 3]

	A	B	C
2019-01-02	-0.234414	-1.194674	1.080779
2019-01-06	0.250613	-0.904400	-0.858240

行、列均分散取值

df.loc[["2019-01-04", "2019-01-06"], ["A", "D"]]

同样，上面这种方式是行不通的。

df.iloc[[1, 5], [0, 3]]

	A	D
2019-01-02	-0.234414	-2.294395
2019-01-06	0.250613	-1.573342

4、布尔索引

相当于numpy当中的掩码操作。

df

	A	B	C	D
2019-01-01	-0.935378	-0.190742	0.925984	-0.818969
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395
2019-01-03	-0.141572	0.058118	1.102248	1.207726
2019-01-04	0.305088	0.535920	-0.978434	0.177251
2019-01-05	0.313383	0.234041	0.163155	-0.296649
2019-01-06	0.250613	-0.904400	-0.858240	-1.573342

df > 0

	A	B	C	D
2019-01-01	False	False	True	False
2019-01-02	False	False	True	False
2019-01-03	False	True	True	True
2019-01-04	True	True	False	True
2019-01-05	True	True	True	False
2019-01-06	True	False	False	False

df[df > 0]

	A	B	C	D
2019-01-01	NaN	NaN	0.925984	NaN
2019-01-02	NaN	NaN	1.080779	NaN
2019-01-03	NaN	0.058118	1.102248	1.207726
2019-01-04	0.305088	0.535920	NaN	0.177251
2019-01-05	0.313383	0.234041	0.163155	NaN
2019-01-06	0.250613	NaN	NaN	NaN

可以观察到，为true的部分都被取到了，而false没有。

df.A > 0

2019-01-01    False
2019-01-02    False
2019-01-03    False
2019-01-04     True
2019-01-05     True
2019-01-06     True
Freq: D, Name: A, dtype: bool

df[df.A > 0]

	A	B	C	D
2019-01-04	0.305088	0.535920	-0.978434	0.177251
2019-01-05	0.313383	0.234041	0.163155	-0.296649
2019-01-06	0.250613	-0.904400	-0.858240	-1.573342

isin（）方法

df2 = df.copy()
df2['E'] = ['one', 'one', 'two', 'three', 'four', 'three']
df2

	A	B	C	D	E
2019-01-01	-0.935378	-0.190742	0.925984	-0.818969	one
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395	one
2019-01-03	-0.141572	0.058118	1.102248	1.207726	two
2019-01-04	0.305088	0.535920	-0.978434	0.177251	three
2019-01-05	0.313383	0.234041	0.163155	-0.296649	four
2019-01-06	0.250613	-0.904400	-0.858240	-1.573342	three

ind = df2["E"].isin(["two", "four"])
ind

2019-01-01    False
2019-01-02    False
2019-01-03     True
2019-01-04    False
2019-01-05     True
2019-01-06    False
Freq: D, Name: E, dtype: bool

df2[ind]

	A	B	C	D	E
2019-01-03	-0.141572	0.058118	1.102248	1.207726	two
2019-01-05	0.313383	0.234041	0.163155	-0.296649	four

（5）赋值

df

DataFrame 增加新列

s1 = pd.Series([1, 2, 3, 4, 5, 6], index=pd.date_range('20190101', periods=6))
s1

2019-01-01    1
2019-01-02    2
2019-01-03    3
2019-01-04    4
2019-01-05    5
2019-01-06    6
Freq: D, dtype: int64

df["E"] = s1
df

	A	B	C	D	E
2019-01-01	-0.935378	-0.190742	0.925984	-0.818969	1
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395	2
2019-01-03	-0.141572	0.058118	1.102248	1.207726	3
2019-01-04	0.305088	0.535920	-0.978434	0.177251	4
2019-01-05	0.313383	0.234041	0.163155	-0.296649	5
2019-01-06	0.250613	-0.904400	-0.858240	-1.573342	6

修改赋值

df.loc["2019-01-01", "A"] = 0
df

	A	B	C	D	E
2019-01-01	0.000000	-0.190742	0.925984	-0.818969	1
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395	2
2019-01-03	-0.141572	0.058118	1.102248	1.207726	3
2019-01-04	0.305088	0.535920	-0.978434	0.177251	4
2019-01-05	0.313383	0.234041	0.163155	-0.296649	5
2019-01-06	0.250613	-0.904400	-0.858240	-1.573342	6

df.iloc[0, 1] = 0
df

	A	B	C	D	E
2019-01-01	0.000000	0.000000	0.925984	-0.818969	1
2019-01-02	-0.234414	-1.194674	1.080779	-2.294395	2
2019-01-03	-0.141572	0.058118	1.102248	1.207726	3
2019-01-04	0.305088	0.535920	-0.978434	0.177251	4
2019-01-05	0.313383	0.234041	0.163155	-0.296649	5
2019-01-06	0.250613	-0.904400	-0.858240	-1.573342	6

df["D"] = np.array([5]\*len(df))   # 可简化成df["D"] = 5
df

	A	B	C	D	E
2019-01-01	0.000000	0.000000	0.925984	5	1
2019-01-02	-0.234414	-1.194674	1.080779	5	2
2019-01-03	-0.141572	0.058118	1.102248	5	3
2019-01-04	0.305088	0.535920	-0.978434	5	4
2019-01-05	0.313383	0.234041	0.163155	5	5
2019-01-06	0.250613	-0.904400	-0.858240	5	6

修改index和columns

df.index = [i for i in range(len(df))]
df

	A	B	C	D	E
0	0.000000	0.000000	0.925984	5	1
1	-0.234414	-1.194674	1.080779	5	2
2	-0.141572	0.058118	1.102248	5	3
3	0.305088	0.535920	-0.978434	5	4
4	0.313383	0.234041	0.163155	5	5
5	0.250613	-0.904400	-0.858240	5	6

df.columns = [i for i in range(df.shape[1])]
df

	0	1	2	3	4
0	0.000000	0.000000	0.925984	5	1
1	-0.234414	-1.194674	1.080779	5	2
2	-0.141572	0.058118	1.102248	5	3
3	0.305088	0.535920	-0.978434	5	4
4	0.313383	0.234041	0.163155	5	5
5	0.250613	-0.904400	-0.858240	5	6

11.3 数值运算及统计分析

1、数据的查看

import pandas as pd
import numpy as np

dates = pd.date_range(start='2019-01-01', periods=6)
df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=["A", "B", "C", "D"])
df

	A	B	C	D
2019-01-01	-0.854043	0.412345	-2.296051	-0.048964
2019-01-02	1.371364	-0.121454	-0.299653	1.095375
2019-01-03	-0.714591	-1.103224	0.979250	0.319455
2019-01-04	-1.397557	0.426008	0.233861	-1.651887
2019-01-05	0.434026	0.459830	-0.095444	1.220302
2019-01-06	-0.133876	0.074500	-1.028147	0.605402

（1）查看前面的行

df.head()    # 默认5行，也可以进行设置

	A	B	C	D
2019-01-01	-0.854043	0.412345	-2.296051	-0.048964
2019-01-02	1.371364	-0.121454	-0.299653	1.095375
2019-01-03	-0.714591	-1.103224	0.979250	0.319455
2019-01-04	-1.397557	0.426008	0.233861	-1.651887
2019-01-05	0.434026	0.459830	-0.095444	1.220302

df.head(2)

	A	B	C	D
2019-01-01	-0.854043	0.412345	-2.296051	-0.048964
2019-01-02	1.371364	-0.121454	-0.299653	1.095375

（2）查看后面的行

df.tail()    # 默认5行

	A	B	C	D
2019-01-02	1.371364	-0.121454	-0.299653	1.095375
2019-01-03	-0.714591	-1.103224	0.979250	0.319455
2019-01-04	-1.397557	0.426008	0.233861	-1.651887
2019-01-05	0.434026	0.459830	-0.095444	1.220302
2019-01-06	-0.133876	0.074500	-1.028147	0.605402

df.tail(3)

	A	B	C	D
2019-01-04	-1.397557	0.426008	0.233861	-1.651887
2019-01-05	0.434026	0.459830	-0.095444	1.220302
2019-01-06	-0.133876	0.074500	-1.028147	0.605402

（3）查看总体信息

df.iloc[0, 3] = np.nan
df

	A	B	C	D
2019-01-01	-0.854043	0.412345	-2.296051	NaN
2019-01-02	1.371364	-0.121454	-0.299653	1.095375
2019-01-03	-0.714591	-1.103224	0.979250	0.319455
2019-01-04	-1.397557	0.426008	0.233861	-1.651887
2019-01-05	0.434026	0.459830	-0.095444	1.220302
2019-01-06	-0.133876	0.074500	-1.028147	0.605402

df.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 6 entries, 2019-01-01 to 2019-01-06
Freq: D
Data columns (total 4 columns):
A    6 non-null float64
B    6 non-null float64
C    6 non-null float64
D    5 non-null float64
dtypes: float64(4)
memory usage: 240.0 bytes

2、Numpy通用函数同样适用于Pandas

（1）向量化运算

x = pd.DataFrame(np.arange(4).reshape(1, 4))
x

	0	1	2	3
0	0	1	2	3

x+5

	0	1	2	3
0	5	6	7	8

np.exp(x)

	0	1	2	3
0	1.0	2.718282	7.389056	20.085537

y = pd.DataFrame(np.arange(4,8).reshape(1, 4))
y

	0	1	2	3
0	4	5	6	7

x\*y

	0	1	2	3
0	0	5	12	21

（2）矩阵化运算

np.random.seed(42)
x = pd.DataFrame(np.random.randint(10, size=(30, 30)))
x

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	6	3	7	4	6	9	2	6	7	4	…	4	0	9	5	8	0	9	2	6	3
1	8	2	4	2	6	4	8	6	1	3	…	2	0	3	1	7	3	1	5	5	9
2	3	5	1	9	1	9	3	7	6	8	…	6	8	7	0	7	7	2	0	7	2
3	2	0	4	9	6	9	8	6	8	7	…	0	2	4	2	0	4	9	6	6	8
4	9	9	2	6	0	3	3	4	6	6	…	9	6	8	6	0	0	8	8	3	8
5	2	6	5	7	8	4	0	2	9	7	…	2	0	4	0	7	0	0	1	1	5
6	6	4	0	0	2	1	4	9	5	6	…	5	0	8	5	2	3	3	2	9	2
7	2	3	6	3	8	0	7	6	1	7	…	3	0	1	0	4	4	6	8	8	2
8	2	2	3	7	5	7	0	7	3	0	…	1	1	5	2	8	3	0	3	0	4
9	3	7	7	6	2	0	0	2	5	6	…	4	2	3	2	0	0	4	5	2	8
10	4	7	0	4	2	0	3	4	6	0	…	5	6	1	9	1	9	0	7	0	8
11	5	6	9	6	9	2	1	8	7	9	…	6	5	2	8	9	5	9	9	5	0
12	3	9	5	5	4	0	7	4	4	6	…	0	7	2	9	6	9	4	9	4	6
13	8	4	0	9	9	0	1	5	8	7	…	5	8	4	0	3	4	9	9	4	6
14	3	0	4	6	9	9	5	4	3	1	…	6	1	0	3	7	1	2	0	0	2
15	4	2	0	0	7	9	1	2	1	2	…	6	3	9	4	1	7	3	8	4	8
16	3	9	4	8	7	2	0	2	3	1	…	8	0	0	3	8	5	2	0	3	8
17	2	8	6	3	2	9	4	4	2	8	…	6	9	4	2	6	1	8	9	9	0
18	5	6	7	9	8	1	9	1	4	4	…	3	5	2	5	6	9	9	2	6	2
19	1	9	3	7	8	6	0	2	8	0	…	4	3	2	2	3	8	1	8	0	0
20	4	5	5	2	6	8	9	7	5	7	…	3	5	0	8	0	4	3	2	5	1
21	2	4	8	1	9	7	1	4	6	7	…	0	1	8	2	0	4	6	5	0	4
22	4	5	2	4	6	4	4	4	9	9	…	1	7	6	9	9	1	5	5	2	1
23	0	5	4	8	0	6	4	4	1	2	…	8	5	0	7	6	9	2	0	4	3
24	9	7	0	9	0	3	7	4	1	5	…	3	7	8	2	2	1	9	2	2	4
25	4	1	9	5	4	5	0	4	8	9	…	9	3	0	7	0	2	3	7	5	9
26	6	7	1	9	7	2	6	2	6	1	…	0	6	5	9	8	0	3	8	3	9
27	2	8	1	3	5	1	7	7	0	2	…	8	0	4	5	4	5	5	6	3	7
28	6	8	6	2	2	7	4	3	7	5	…	1	7	9	2	4	5	9	5	3	2
29	3	0	3	0	0	9	5	4	3	2	…	1	3	0	4	8	0	8	7	5	6

30 rows × 30 columns

转置

z = x.T
z

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	6	8	3	2	9	2	6	2	2	3	…	4	2	4	0	9	4	6	2	6	3
1	3	2	5	0	9	6	4	3	2	7	…	5	4	5	5	7	1	7	8	8	0
2	7	4	1	4	2	5	0	6	3	7	…	5	8	2	4	0	9	1	1	6	3
3	4	2	9	9	6	7	0	3	7	6	…	2	1	4	8	9	5	9	3	2	0
4	6	6	1	6	0	8	2	8	5	2	…	6	9	6	0	0	4	7	5	2	0
5	9	4	9	9	3	4	1	0	7	0	…	8	7	4	6	3	5	2	1	7	9
6	2	8	3	8	3	0	4	7	0	0	…	9	1	4	4	7	0	6	7	4	5
7	6	6	7	6	4	2	9	6	7	2	…	7	4	4	4	4	4	2	7	3	4
8	7	1	6	8	6	9	5	1	3	5	…	5	6	9	1	1	8	6	0	7	3
9	4	3	8	7	6	7	6	7	0	6	…	7	7	9	2	5	9	1	2	5	2
10	3	8	7	1	3	5	3	0	7	5	…	4	0	2	6	4	1	9	9	1	0
11	7	1	4	0	6	7	6	8	3	5	…	7	5	0	5	1	0	5	8	3	5
12	7	9	1	6	2	8	7	8	5	5	…	9	0	4	1	2	9	2	4	3	1
13	2	8	4	6	5	3	0	1	7	2	…	3	1	8	5	8	8	2	5	5	7
14	5	9	7	7	1	0	5	6	3	5	…	9	0	0	1	6	9	8	3	5	9
15	4	4	9	4	9	0	7	9	2	7	…	7	4	2	1	6	8	6	9	0	4
16	1	1	8	2	8	9	4	2	8	1	…	9	9	3	1	5	8	4	1	7	6
17	7	3	8	7	4	3	3	6	2	4	…	1	8	0	2	7	5	9	7	5	9
18	5	6	0	5	5	6	1	9	8	0	…	4	5	0	1	3	7	6	5	2	1
19	1	7	8	2	3	1	5	8	1	0	…	8	0	7	3	7	0	8	4	8	7
20	4	2	6	0	9	2	5	3	1	4	…	3	0	1	8	3	9	0	8	1	1
21	0	0	8	2	6	0	0	0	1	2	…	5	1	7	5	7	3	6	0	7	3
22	9	3	7	4	8	4	8	1	5	3	…	0	8	6	0	8	0	5	4	9	0
23	5	1	0	2	6	0	5	0	2	2	…	8	2	9	7	2	7	9	5	2	4
24	8	7	7	0	0	7	2	4	8	0	…	0	0	9	6	2	0	8	4	4	8
25	0	3	7	4	0	0	3	4	3	0	…	4	4	1	9	1	2	0	5	5	0
26	9	1	2	9	8	0	3	6	0	4	…	3	6	5	2	9	3	3	5	9	8
27	2	5	0	6	8	1	2	8	3	5	…	2	5	5	0	2	7	8	6	5	7
28	6	5	7	6	3	1	9	8	0	2	…	5	0	2	4	2	5	3	3	3	5
29	3	9	2	8	8	5	2	2	4	8	…	1	4	1	3	4	9	9	7	2	6

30 rows × 30 columns

np.random.seed(1)
y = pd.DataFrame(np.random.randint(10, size=(30, 30)))
y

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	5	8	9	5	0	0	1	7	6	9	…	1	7	0	6	9	9	7	6	9	1
1	0	1	8	8	3	9	8	7	3	6	…	9	2	0	4	9	2	7	7	9	8
2	6	9	3	7	7	4	5	9	3	6	…	7	7	1	1	3	0	8	6	4	5
3	6	2	5	7	8	4	4	7	7	4	…	0	1	9	8	2	3	1	2	7	2
4	6	0	9	2	6	6	2	7	7	0	…	1	5	4	0	7	8	9	5	7	0
5	9	3	9	1	4	4	6	8	8	9	…	1	8	7	0	3	4	2	0	3	5
6	1	2	4	3	0	6	0	7	2	8	…	4	3	3	6	7	3	5	3	2	4
7	4	0	3	3	8	3	5	6	7	5	…	1	7	3	1	6	6	9	6	9	6
8	0	0	2	9	6	0	6	7	0	3	…	6	7	9	5	4	9	5	2	5	6
9	6	8	7	7	7	2	6	0	5	2	…	7	0	6	2	4	3	6	7	6	3
10	0	6	4	7	6	2	9	5	9	9	…	4	9	3	9	1	2	5	4	0	8
11	2	3	9	9	4	4	8	2	1	6	…	0	5	9	8	6	6	0	4	7	3
12	0	1	6	0	6	1	6	4	2	5	…	8	8	0	7	2	0	7	1	1	9
13	5	1	5	9	6	4	9	8	7	5	…	2	4	3	2	0	0	4	2	5	0
14	0	3	8	5	3	1	4	7	3	2	…	8	5	5	7	5	9	1	3	9	3
15	3	3	6	1	3	0	5	0	5	2	…	7	1	7	7	3	8	3	0	6	3
16	0	6	5	9	6	4	6	6	2	2	…	3	6	8	6	5	1	3	2	6	3
17	6	7	2	8	0	1	8	6	0	0	…	5	6	2	5	4	3	0	6	2	1
18	9	4	4	0	9	8	7	7	6	1	…	7	9	9	7	1	1	4	6	5	6
19	4	1	1	5	1	2	6	2	3	3	…	0	0	0	9	8	5	9	3	4	0
20	9	8	6	3	9	9	0	8	1	6	…	2	9	0	1	3	9	4	8	8	8
21	2	8	6	4	9	0	5	5	6	1	…	6	7	5	6	8	7	4	2	4	0
22	0	3	5	9	0	3	6	5	1	1	…	6	2	5	3	9	3	9	5	1	9
23	7	7	0	8	6	1	2	0	4	4	…	1	9	6	0	2	8	3	7	2	5
24	6	0	4	2	3	1	0	5	7	0	…	1	1	2	7	5	2	9	4	7	3
25	5	0	2	1	4	9	4	6	9	3	…	5	5	3	5	9	2	7	4	1	6
26	9	8	1	8	1	6	2	6	1	8	…	2	5	1	2	5	3	3	6	1	8
27	1	8	6	4	6	9	5	4	7	2	…	9	3	1	5	1	1	7	1	2	6
28	0	7	7	4	3	2	7	8	5	2	…	0	2	8	3	7	3	9	2	3	8
29	8	0	2	6	8	3	6	4	9	7	…	6	7	8	5	7	2	5	3	4	5

30 rows × 30 columns

x.dot(y)

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	616	560	723	739	612	457	681	799	575	590	…	523	739	613	580	668	602	733	585	657	700
1	520	438	691	600	612	455	666	764	707	592	…	555	681	503	679	641	506	779	494	633	590
2	557	570	786	807	690	469	804	828	704	573	…	563	675	712	758	793	672	754	550	756	638
3	605	507	664	701	660	496	698	806	651	575	…	582	685	668	586	629	534	678	484	591	626
4	599	681	753	873	721	563	754	770	620	654	…	633	747	661	677	726	649	716	610	735	706
5	422	354	602	627	613	396	617	627	489	423	…	456	572	559	537	499	384	589	436	574	507
6	359	446	599	599	481	357	577	572	451	464	…	449	550	495	532	633	554	663	476	565	602
7	531	520	698	590	607	537	665	696	571	472	…	576	588	551	665	652	527	742	528	650	599
8	449	322	547	533	593	399	584	638	587	424	…	402	596	523	523	447	362	561	386	529	484
9	373	433	525	601	522	345	551	521	434	447	…	508	498	438	478	459	418	488	407	503	496
10	500	427	574	607	667	477	652	656	615	477	…	622	702	531	610	558	532	598	471	582	561
11	664	694	772	841	779	574	730	810	711	608	…	591	760	616	638	721	676	846	678	754	708
12	545	547	687	701	721	576	689	724	710	532	…	674	684	648	694	710	564	757	571	671	656
13	574	586	723	750	691	494	696	787	667	523	…	618	681	568	682	715	644	756	557	690	604
14	502	382	645	557	570	403	538	677	500	501	…	369	650	507	576	546	531	554	437	616	463
15	510	505	736	651	649	510	719	733	694	557	…	605	717	574	642	678	576	755	455	598	654
16	567	376	614	612	643	514	598	724	547	464	…	456	639	520	560	569	442	596	517	659	532
17	626	716	828	765	740	603	809	852	692	591	…	664	716	655	721	742	612	819	593	744	712
18	600	559	667	664	641	556	624	815	638	564	…	581	701	559	677	710	554	748	597	614	657
19	445	431	661	681	641	552	690	719	602	474	…	515	637	576	620	572	512	599	455	622	538
20	523	569	784	725	713	501	740	772	638	640	…	589	775	664	686	726	672	747	548	723	645
21	487	465	553	639	517	449	592	609	454	398	…	492	567	534	404	554	417	561	466	498	492
22	479	449	574	686	583	377	566	614	563	455	…	453	539	491	501	596	520	722	478	565	501
23	483	386	476	526	550	426	492	585	536	482	…	322	541	438	456	487	408	502	426	474	481
24	523	551	658	767	537	444	663	731	576	577	…	522	590	525	664	691	548	635	526	641	538
25	652	656	738	753	853	508	752	815	669	576	…	694	833	693	606	575	616	704	559	728	672
26	578	577	744	856	699	497	779	800	733	587	…	630	754	704	834	760	680	765	592	731	629
27	554	494	665	689	630	574	695	703	636	599	…	554	685	532	658	649	554	693	577	634	668
28	498	552	659	784	552	492	690	775	544	551	…	567	636	518	599	742	521	733	533	605	604
29	513	491	563	642	477	367	589	647	516	484	…	428	574	504	548	553	483	540	407	547	455

30 rows × 30 columns

%timeit x.dot(y)

218 µs ± 18.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit np.dot(x, y)

81.1 µs ± 2.85 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

执行相同运算，Numpy与Pandas的对比

x1 = np.array(x)
x1

y1 = np.array(y)
y1

%timeit x1.dot(y1)

22.1 µs ± 992 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

%timeit np.dot(x1, y1)

22.6 µs ± 766 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

%timeit np.dot(x.values, y.values)

42.9 µs ± 1.24 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

x2 = list(x1)
y2 = list(y1)
x3 = []
y3 = []
for i in x2:
    res = []
    for j in i:
        res.append(int(j))
    x3.append(res)
for i in y2:
    res = []
    for j in i:
        res.append(int(j))
    y3.append(res)

def f(x, y):
    res = []
    for i in range(len(x)):
        row = []
        for j in range(len(y[0])):
            sum_row = 0
            for k in range(len(x[0])):
                sum_row += x[i][k]\*y[k][j]
            row.append(sum_row)
        res.append(row)
    return res

%timeit f(x3, y3)

4.29 ms ± 207 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

一般来说，纯粹的计算在Numpy里执行的更快

Numpy更侧重于计算，Pandas更侧重于数据处理

（3）广播运算

np.random.seed(42)
x = pd.DataFrame(np.random.randint(10, size=(3, 3)), columns=list("ABC"))
x

	A	B	C
0	6	3	7
1	4	6	9
2	2	6	7

按行广播

x.iloc[0]

A    6
B    3
C    7
Name: 0, dtype: int32

x/x.iloc[0]

	A	B	C
0	1.000000	1.0	1.000000
1	0.666667	2.0	1.285714
2	0.333333	2.0	1.000000

按列广播

x.A

0    6
1    4
2    2
Name: A, dtype: int32

x.div(x.A, axis=0)             # add sub div mul

	A	B	C
0	1.0	0.5	1.166667
1	1.0	1.5	2.250000
2	1.0	3.0	3.500000

x.div(x.iloc[0], axis=1)

	A	B	C
0	1.000000	1.0	1.000000
1	0.666667	2.0	1.285714
2	0.333333	2.0	1.000000

3、新的用法

（1）索引对齐

A = pd.DataFrame(np.random.randint(0, 20, size=(2, 2)), columns=list("AB"))
A

	A	B
0	3	7
1	2	1

B = pd.DataFrame(np.random.randint(0, 10, size=(3, 3)), columns=list("ABC"))
B

	A	B	C
0	7	5	1
1	4	0	9
2	5	8	0

pandas会自动对齐两个对象的索引，没有的值用np.nan表示

A+B

	A	B	C
0	10.0	12.0	NaN
1	6.0	1.0	NaN
2	NaN	NaN	NaN

缺省值也可用fill_value来填充

A.add(B, fill_value=0)

	A	B	C
0	10.0	12.0	1.0
1	6.0	1.0	9.0
2	5.0	8.0	0.0

A\*B

	A	B	C
0	21.0	35.0	NaN
1	8.0	0.0	NaN
2	NaN	NaN	NaN

（2）统计相关

数据种类统计

y = np.random.randint(3, size=20)
y

array([2, 2, 2, 1, 2, 1, 1, 2, 1, 2, 2, 0, 2, 0, 2, 2, 0, 0, 2, 1])

np.unique(y)

array([0, 1, 2])

用Counter方法统计数据

from collections import Counter
Counter(y)

Counter({2: 11, 1: 5, 0: 4})

y1 = pd.DataFrame(y, columns=["A"])
y1

	A
0	2
1	2
2	2
3	1
4	2
5	1
6	1
7	2
8	1
9	2
10	2
11	0
12	2
13	0
14	2
15	2
16	0
17	0
18	2
19	1

np.unique(y1)

有value counter的方法

y1["A"].value_counts()

2    11
1     5
0     4
Name: A, dtype: int64

产生新的结果，并进行排序

population_dict = {"BeiJing": 2154,
                   "ShangHai": 2424,
                   "ShenZhen": 1303,
                   "HangZhou": 981 }
population = pd.Series(population_dict) 

GDP_dict = {"BeiJing": 30320,
            "ShangHai": 32680,
            "ShenZhen": 24222,
            "HangZhou": 13468 }
GDP = pd.Series(GDP_dict)

city_info = pd.DataFrame({"population": population,"GDP": GDP})
city_info

	population	GDP
BeiJing	2154	30320
ShangHai	2424	32680
ShenZhen	1303	24222
HangZhou	981	13468

city_info["per\_GDP"] = city_info["GDP"]/city_info["population"]
city_info

	population	GDP	per_GDP
BeiJing	2154	30320	14.076137
ShangHai	2424	32680	13.481848
ShenZhen	1303	24222	18.589409
HangZhou	981	13468	13.728848

递增排序

city_info.sort_values(by="per\_GDP")

	population	GDP	per_GDP
ShangHai	2424	32680	13.481848
HangZhou	981	13468	13.728848
BeiJing	2154	30320	14.076137
ShenZhen	1303	24222	18.589409

递减排序

city_info.sort_values(by="per\_GDP", ascending=False)

	population	GDP	per_GDP
ShenZhen	1303	24222	18.589409
BeiJing	2154	30320	14.076137
HangZhou	981	13468	13.728848
ShangHai	2424	32680	13.481848

按轴进行排序

data = pd.DataFrame(np.random.randint(20, size=(3, 4)), index=[2, 1, 0], columns=list("CBAD"))
data

	C	B	A	D
2	3	13	17	8
1	1	19	14	6
0	11	7	14	2

行排序

data.sort_index()

	C	B	A	D
0	11	7	14	2
1	1	19	14	6
2	3	13	17	8

列排序

data.sort_index(axis=1)

	A	B	C	D
2	17	13	3	8
1	14	19	1	6
0	14	7	11	2

data.sort_index(axis=1, ascending=False)

	D	C	B	A
2	8	3	13	17
1	6	1	19	14
0	2	11	7	14

统计方法

df = pd.DataFrame(np.random.normal(2, 4, size=(6, 4)),columns=list("ABCD"))
df

	A	B	C	D
0	1.082198	3.557396	-3.060476	6.367969
1	13.113252	6.774559	2.874553	5.527044
2	-2.036341	-4.333177	5.094802	-0.152567
3	-3.386712	-1.522365	-2.522209	2.537716
4	4.328491	5.550994	5.577329	5.019991
5	1.171336	-0.493910	-4.032613	6.398588

非空个数

df.count()

A    6
B    6
C    6
D    6
dtype: int64

求和

df.sum()

A    14.272224
B     9.533497
C     3.931385
D    25.698741
dtype: float64

df.sum(axis=1)

0     7.947086
1    28.289408
2    -1.427283
3    -4.893571
4    20.476806
5     3.043402
dtype: float64

最大值最小值

df.min()

A   -3.386712
B   -4.333177
C   -4.032613
D   -0.152567
dtype: float64

df.max(axis=1)

0     6.367969
1    13.113252
2     5.094802
3     2.537716
4     5.577329
5     6.398588
dtype: float64

df

	A	B	C	D
0	1.082198	3.557396	-3.060476	6.367969
1	13.113252	6.774559	2.874553	5.527044
2	-2.036341	-4.333177	5.094802	-0.152567
3	-3.386712	-1.522365	-2.522209	2.537716
4	4.328491	5.550994	5.577329	5.019991
5	1.171336	-0.493910	-4.032613	6.398588

df.idxmax()

A    1
B    1
C    4
D    5
dtype: int64

均值

df.mean()

A    2.378704
B    1.588916
C    0.655231
D    4.283124
dtype: float64

方差

df.var()

A    34.980702
B    19.110656
C    18.948144
D     6.726776
dtype: float64

标准差

df.std()

A    5.914449
B    4.371574
C    4.352947
D    2.593603
dtype: float64

中位数

df.median()

A    1.126767
B    1.531743
C    0.176172
D    5.273518
dtype: float64

众数

data = pd.DataFrame(np.random.randint(5, size=(10, 2)), columns=list("AB"))
data

	A	B
0	4	2
1	3	2
2	2	0
3	2	4
4	2	0
5	4	1
6	2	0
7	1	1
8	3	4
9	2	0

data.mode()

	A	B
0	2	0

75%分位数

df.quantile(0.75)

A    3.539202
B    5.052594
C    4.539740
D    6.157738
Name: 0.75, dtype: float64

用describe()可以获取所有属性

df.describe()

	A	B	C	D
count	6.000000	6.000000	6.000000	6.000000
mean	2.378704	1.588916	0.655231	4.283124
std	5.914449	4.371574	4.352947	2.593603
min	-3.386712	-4.333177	-4.032613	-0.152567
25%	-1.256706	-1.265251	-2.925910	3.158284
50%	1.126767	1.531743	0.176172	5.273518
75%	3.539202	5.052594	4.539740	6.157738
max	13.113252	6.774559	5.577329	6.398588

data_2 = pd.DataFrame([["a", "a", "c", "d"],
                       ["c", "a", "c", "b"],
                       ["a", "a", "d", "c"]], columns=list("ABCD"))
data_2

	A	B	C	D
0	a	a	c	d
1	c	a	c	b
2	a	a	d	c

字符串类型的describe

data_2.describe()

	A	B	C	D
count	3	3	3	3
unique	2	1	2	3
top	a	a	c	d
freq	2	3	2	1

11.4 缺失值处理

1、发现缺失值

import pandas as pd
import numpy as np

data = pd.DataFrame(np.array([[1, np.nan, 2],
                              [np.nan, 3, 4],
                              [5, 6, None]]), columns=["A", "B", "C"])
data

	A	B	C
0	1	NaN	2
1	NaN	3	4
2	5	6	None

注意：有None、字符串等，数据类型全部变为object，它比int和float更消耗资源

np.nan是一个特殊的浮点数，类型是浮点类型，所以表示缺失值时最好使用NaN。

data.dtypes

A    object
B    object
C    object
dtype: object

data.isnull()

	A	B	C
0	False	True	False
1	True	False	False
2	False	False	True

data.notnull()

	A	B	C
0	True	False	True
1	False	True	True
2	True	True	False

2、删除缺失值

data = pd.DataFrame(np.array([[1, np.nan, 2, 3],
                              [np.nan, 4, 5, 6],
                              [7, 8, np.nan, 9],
                              [10, 11 , 12, 13]]), columns=["A", "B", "C", "D"])
data

	A	B	C	D
0	1.0	NaN	2.0	3.0
1	NaN	4.0	5.0	6.0
2	7.0	8.0	NaN	9.0
3	10.0	11.0	12.0	13.0

注意：np.nan是一种特殊的浮点数

data.dtypes

A    float64
B    float64
C    float64
D    float64
dtype: object

（1）删除整行

data.dropna()

	A	B	C	D
3	10.0	11.0	12.0	13.0

（2）删除整列

data.dropna(axis="columns")

	D
0	3.0
1	6.0
2	9.0
3	13.0

data["D"] = np.nan
data

	A	B	C	D
0	1.0	NaN	2.0	NaN
1	NaN	4.0	5.0	NaN
2	7.0	8.0	NaN	NaN
3	10.0	11.0	12.0	NaN

data.dropna(axis="columns", how="all")

	A	B	C
0	1.0	NaN	2.0
1	NaN	4.0	5.0
2	7.0	8.0	NaN
3	10.0	11.0	12.0

all表示都是缺失值时才删除。

data.dropna(axis="columns", how="any")


0
—
1
2
3

data.loc[3] = np.nan
data

	A	B	C	D
0	1.0	NaN	2.0	NaN
1	NaN	4.0	5.0	NaN
2	7.0	8.0	NaN	NaN
3	NaN	NaN	NaN	NaN

data.dropna(how="all")

	A	B	C	D
0	1.0	NaN	2.0	NaN
1	NaN	4.0	5.0	NaN
2	7.0	8.0	NaN	NaN

3、填充缺失值

data = pd.DataFrame(np.array([[1, np.nan, 2, 3],
                              [np.nan, 4, 5, 6],
                              [7, 8, np.nan, 9],
                              [10, 11 , 12, 13]]), columns=["A", "B", "C", "D"])
data

	A	B	C	D
0	1.0	NaN	2.0	3.0
1	NaN	4.0	5.0	6.0
2	7.0	8.0	NaN	9.0
3	10.0	11.0	12.0	13.0

data.fillna(value=5)

	A	B	C	D
0	1.0	5.0	2.0	3.0
1	5.0	4.0	5.0	6.0
2	7.0	8.0	5.0	9.0
3	10.0	11.0	12.0	13.0

用均值进行替换

fill = data.mean()
fill

A    6.000000
B    7.666667
C    6.333333
D    7.750000
dtype: float64

data.fillna(value=fill)

	A	B	C	D
0	1.0	7.666667	2.000000	3.0
1	6.0	4.000000	5.000000	6.0
2	7.0	8.000000	6.333333	9.0
3	10.0	11.000000	12.000000	13.0

全部数据的平均值，先进行摊平，再进行填充即可。

fill = data.stack().mean()
fill

7.0

data.fillna(value=fill)

	A	B	C	D
0	1.0	7.0	2.0	3.0
1	7.0	4.0	5.0	6.0
2	7.0	8.0	7.0	9.0
3	10.0	11.0	12.0	13.0

11.5 合并数据

构造一个生产DataFrame的函数

import pandas as pd
import numpy as np

def make\_df(cols, ind):
    "一个简单的DataFrame"
    data = {c: [str(c)+str(i) for i in ind]  for c in cols}
    return pd.DataFrame(data, ind)

make_df("ABC", range(3))

	A	B	C
0	A0	B0	C0
1	A1	B1	C1
2	A2	B2	C2

垂直合并

df_1 = make_df("AB", [1, 2])
df_2 = make_df("AB", [3, 4])
print(df_1)
print(df_2)

    A   B
1  A1  B1
2  A2  B2
    A   B
3  A3  B3
4  A4  B4

pd.concat([df_1, df_2])

	A	B
1	A1	B1
2	A2	B2
3	A3	B3
4	A4	B4

水平合并

df_3 = make_df("AB", [0, 1])
df_4 = make_df("CD", [0, 1])
print(df_3)
print(df_4)

    A   B
0  A0  B0
1  A1  B1
    C   D
0  C0  D0
1  C1  D1

pd.concat([df_3, df_4], axis=1)

	A	B	C	D
0	A0	B0	C0	D0
1	A1	B1	C1	D1

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	6	3	7	4	6	9	2	6	7	4	…	4	0	9	5	8	0	9	2	6	3
1	8	2	4	2	6	4	8	6	1	3	…	2	0	3	1	7	3	1	5	5	9
2	3	5	1	9	1	9	3	7	6	8	…	6	8	7	0	7	7	2	0	7	2
3	2	0	4	9	6	9	8	6	8	7	…	0	2	4	2	0	4	9	6	6	8
4	9	9	2	6	0	3	3	4	6	6	…	9	6	8	6	0	0	8	8	3	8
5	2	6	5	7	8	4	0	2	9	7	…	2	0	4	0	7	0	0	1	1	5
6	6	4	0	0	2	1	4	9	5	6	…	5	0	8	5	2	3	3	2	9	2
7	2	3	6	3	8	0	7	6	1	7	…	3	0	1	0	4	4	6	8	8	2
8	2	2	3	7	5	7	0	7	3	0	…	1	1	5	2	8	3	0	3	0	4
9	3	7	7	6	2	0	0	2	5	6	…	4	2	3	2	0	0	4	5	2	8
10	4	7	0	4	2	0	3	4	6	0	…	5	6	1	9	1	9	0	7	0	8
11	5	6	9	6	9	2	1	8	7	9	…	6	5	2	8	9	5	9	9	5	0
12	3	9	5	5	4	0	7	4	4	6	…	0	7	2	9	6	9	4	9	4	6
13	8	4	0	9	9	0	1	5	8	7	…	5	8	4	0	3	4	9	9	4	6
14	3	0	4	6	9	9	5	4	3	1	…	6	1	0	3	7	1	2	0	0	2
15	4	2	0	0	7	9	1	2	1	2	…	6	3	9	4	1	7	3	8	4	8
16	3	9	4	8	7	2	0	2	3	1	…	8	0	0	3	8	5	2	0	3	8
17	2	8	6	3	2	9	4	4	2	8	…	6	9	4	2	6	1	8	9	9	0
18	5	6	7	9	8	1	9	1	4	4	…	3	5	2	5	6	9	9	2	6	2
19	1	9	3	7	8	6	0	2	8	0	…	4	3	2	2	3	8	1	8	0	0
20	4	5	5	2	6	8	9	7	5	7	…	3	5	0	8	0	4	3	2	5	1
21	2	4	8	1	9	7	1	4	6	7	…	0	1	8	2	0	4	6	5	0	4
22	4	5	2	4	6	4	4	4	9	9	…	1	7	6	9	9	1	5	5	2	1
23	0	5	4	8	0	6	4	4	1	2	…	8	5	0	7	6	9	2	0	4	3
24	9	7	0	9	0	3	7	4	1	5	…	3	7	8	2	2	1	9	2	2	4
25	4	1	9	5	4	5	0	4	8	9	…	9	3	0	7	0	2	3	7	5	9
26	6	7	1	9	7	2	6	2	6	1	…	0	6	5	9	8	0	3	8	3	9
27	2	8	1	3	5	1	7	7	0	2	…	8	0	4	5	4	5	5	6	3	7
28	6	8	6	2	2	7	4	3	7	5	…	1	7	9	2	4	5	9	5	3	2
29	3	0	3	0	0	9	5	4	3	2	…	1	3	0	4	8	0	8	7	5	6

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	6	8	3	2	9	2	6	2	2	3	…	4	2	4	0	9	4	6	2	6	3
1	3	2	5	0	9	6	4	3	2	7	…	5	4	5	5	7	1	7	8	8	0
2	7	4	1	4	2	5	0	6	3	7	…	5	8	2	4	0	9	1	1	6	3
3	4	2	9	9	6	7	0	3	7	6	…	2	1	4	8	9	5	9	3	2	0
4	6	6	1	6	0	8	2	8	5	2	…	6	9	6	0	0	4	7	5	2	0
5	9	4	9	9	3	4	1	0	7	0	…	8	7	4	6	3	5	2	1	7	9
6	2	8	3	8	3	0	4	7	0	0	…	9	1	4	4	7	0	6	7	4	5
7	6	6	7	6	4	2	9	6	7	2	…	7	4	4	4	4	4	2	7	3	4
8	7	1	6	8	6	9	5	1	3	5	…	5	6	9	1	1	8	6	0	7	3
9	4	3	8	7	6	7	6	7	0	6	…	7	7	9	2	5	9	1	2	5	2
10	3	8	7	1	3	5	3	0	7	5	…	4	0	2	6	4	1	9	9	1	0
11	7	1	4	0	6	7	6	8	3	5	…	7	5	0	5	1	0	5	8	3	5
12	7	9	1	6	2	8	7	8	5	5	…	9	0	4	1	2	9	2	4	3	1
13	2	8	4	6	5	3	0	1	7	2	…	3	1	8	5	8	8	2	5	5	7
14	5	9	7	7	1	0	5	6	3	5	…	9	0	0	1	6	9	8	3	5	9
15	4	4	9	4	9	0	7	9	2	7	…	7	4	2	1	6	8	6	9	0	4
16	1	1	8	2	8	9	4	2	8	1	…	9	9	3	1	5	8	4	1	7	6
17	7	3	8	7	4	3	3	6	2	4	…	1	8	0	2	7	5	9	7	5	9
18	5	6	0	5	5	6	1	9	8	0	…	4	5	0	1	3	7	6	5	2	1
19	1	7	8	2	3	1	5	8	1	0	…	8	0	7	3	7	0	8	4	8	7
20	4	2	6	0	9	2	5	3	1	4	…	3	0	1	8	3	9	0	8	1	1
21	0	0	8	2	6	0	0	0	1	2	…	5	1	7	5	7	3	6	0	7	3
22	9	3	7	4	8	4	8	1	5	3	…	0	8	6	0	8	0	5	4	9	0
23	5	1	0	2	6	0	5	0	2	2	…	8	2	9	7	2	7	9	5	2	4
24	8	7	7	0	0	7	2	4	8	0	…	0	0	9	6	2	0	8	4	4	8
25	0	3	7	4	0	0	3	4	3	0	…	4	4	1	9	1	2	0	5	5	0
26	9	1	2	9	8	0	3	6	0	4	…	3	6	5	2	9	3	3	5	9	8
27	2	5	0	6	8	1	2	8	3	5	…	2	5	5	0	2	7	8	6	5	7
28	6	5	7	6	3	1	9	8	0	2	…	5	0	2	4	2	5	3	3	3	5
29	3	9	2	8	8	5	2	2	4	8	…	1	4	1	3	4	9	9	7	2	6

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	5	8	9	5	0	0	1	7	6	9	…	1	7	0	6	9	9	7	6	9	1
1	0	1	8	8	3	9	8	7	3	6	…	9	2	0	4	9	2	7	7	9	8
2	6	9	3	7	7	4	5	9	3	6	…	7	7	1	1	3	0	8	6	4	5
3	6	2	5	7	8	4	4	7	7	4	…	0	1	9	8	2	3	1	2	7	2
4	6	0	9	2	6	6	2	7	7	0	…	1	5	4	0	7	8	9	5	7	0
5	9	3	9	1	4	4	6	8	8	9	…	1	8	7	0	3	4	2	0	3	5
6	1	2	4	3	0	6	0	7	2	8	…	4	3	3	6	7	3	5	3	2	4
7	4	0	3	3	8	3	5	6	7	5	…	1	7	3	1	6	6	9	6	9	6
8	0	0	2	9	6	0	6	7	0	3	…	6	7	9	5	4	9	5	2	5	6
9	6	8	7	7	7	2	6	0	5	2	…	7	0	6	2	4	3	6	7	6	3
10	0	6	4	7	6	2	9	5	9	9	…	4	9	3	9	1	2	5	4	0	8
11	2	3	9	9	4	4	8	2	1	6	…	0	5	9	8	6	6	0	4	7	3
12	0	1	6	0	6	1	6	4	2	5	…	8	8	0	7	2	0	7	1	1	9
13	5	1	5	9	6	4	9	8	7	5	…	2	4	3	2	0	0	4	2	5	0
14	0	3	8	5	3	1	4	7	3	2	…	8	5	5	7	5	9	1	3	9	3
15	3	3	6	1	3	0	5	0	5	2	…	7	1	7	7	3	8	3	0	6	3
16	0	6	5	9	6	4	6	6	2	2	…	3	6	8	6	5	1	3	2	6	3
17	6	7	2	8	0	1	8	6	0	0	…	5	6	2	5	4	3	0	6	2	1
18	9	4	4	0	9	8	7	7	6	1	…	7	9	9	7	1	1	4	6	5	6
19	4	1	1	5	1	2	6	2	3	3	…	0	0	0	9	8	5	9	3	4	0
20	9	8	6	3	9	9	0	8	1	6	…	2	9	0	1	3	9	4	8	8	8
21	2	8	6	4	9	0	5	5	6	1	…	6	7	5	6	8	7	4	2	4	0
22	0	3	5	9	0	3	6	5	1	1	…	6	2	5	3	9	3	9	5	1	9
23	7	7	0	8	6	1	2	0	4	4	…	1	9	6	0	2	8	3	7	2	5
24	6	0	4	2	3	1	0	5	7	0	…	1	1	2	7	5	2	9	4	7	3
25	5	0	2	1	4	9	4	6	9	3	…	5	5	3	5	9	2	7	4	1	6
26	9	8	1	8	1	6	2	6	1	8	…	2	5	1	2	5	3	3	6	1	8
27	1	8	6	4	6	9	5	4	7	2	…	9	3	1	5	1	1	7	1	2	6
28	0	7	7	4	3	2	7	8	5	2	…	0	2	8	3	7	3	9	2	3	8
29	8	0	2	6	8	3	6	4	9	7	…	6	7	8	5	7	2	5	3	4	5

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	616	560	723	739	612	457	681	799	575	590	…	523	739	613	580	668	602	733	585	657	700
1	520	438	691	600	612	455	666	764	707	592	…	555	681	503	679	641	506	779	494	633	590
2	557	570	786	807	690	469	804	828	704	573	…	563	675	712	758	793	672	754	550	756	638
3	605	507	664	701	660	496	698	806	651	575	…	582	685	668	586	629	534	678	484	591	626
4	599	681	753	873	721	563	754	770	620	654	…	633	747	661	677	726	649	716	610	735	706
5	422	354	602	627	613	396	617	627	489	423	…	456	572	559	537	499	384	589	436	574	507
6	359	446	599	599	481	357	577	572	451	464	…	449	550	495	532	633	554	663	476	565	602
7	531	520	698	590	607	537	665	696	571	472	…	576	588	551	665	652	527	742	528	650	599
8	449	322	547	533	593	399	584	638	587	424	…	402	596	523	523	447	362	561	386	529	484
9	373	433	525	601	522	345	551	521	434	447	…	508	498	438	478	459	418	488	407	503	496
10	500	427	574	607	667	477	652	656	615	477	…	622	702	531	610	558	532	598	471	582	561
11	664	694	772	841	779	574	730	810	711	608	…	591	760	616	638	721	676	846	678	754	708
12	545	547	687	701	721	576	689	724	710	532	…	674	684	648	694	710	564	757	571	671	656
13	574	586	723	750	691	494	696	787	667	523	…	618	681	568	682	715	644	756	557	690	604
14	502	382	645	557	570	403	538	677	500	501	…	369	650	507	576	546	531	554	437	616	463
15	510	505	736	651	649	510	719	733	694	557	…	605	717	574	642	678	576	755	455	598	654
16	567	376	614	612	643	514	598	724	547	464	…	456	639	520	560	569	442	596	517	659	532
17	626	716	828	765	740	603	809	852	692	591	…	664	716	655	721	742	612	819	593	744	712
18	600	559	667	664	641	556	624	815	638	564	…	581	701	559	677	710	554	748	597	614	657
19	445	431	661	681	641	552	690	719	602	474	…	515	637	576	620	572	512	599	455	622	538
20	523	569	784	725	713	501	740	772	638	640	…	589	775	664	686	726	672	747	548	723	645
21	487	465	553	639	517	449	592	609	454	398	…	492	567	534	404	554	417	561	466	498	492
22	479	449	574	686	583	377	566	614	563	455	…	453	539	491	501	596	520	722	478	565	501
23	483	386	476	526	550	426	492	585	536	482	…	322	541	438	456	487	408	502	426	474	481
24	523	551	658	767	537	444	663	731	576	577	…	522	590	525	664	691	548	635	526	641	538
25	652	656	738	753	853	508	752	815	669	576	…	694	833	693	606	575	616	704	559	728	672
26	578	577	744	856	699	497	779	800	733	587	…	630	754	704	834	760	680	765	592	731	629
27	554	494	665	689	630	574	695	703	636	599	…	554	685	532	658	649	554	693	577	634	668
28	498	552	659	784	552	492	690	775	544	551	…	567	636	518	599	742	521	733	533	605	604
29	513	491	563	642	477	367	589	647	516	484	…	428	574	504	548	553	483	540	407	547	455

	A	B	C	D
A	1.000000	0.831063	0.331060	0.510821
B	0.831063	1.000000	0.179244	0.719112
C	0.331060	0.179244	1.000000	-0.450365
D	0.510821	0.719112	-0.450365	1.000000

	A	B	C	D
0	1.082198	4.639594	1.579117	7.947086
1	13.113252	19.887811	22.762364	28.289408
2	-2.036341	-6.369518	-1.274717	-1.427283
3	-3.386712	-4.909077	-7.431287	-4.893571
4	4.328491	9.879485	15.456814	20.476806
5	1.171336	0.677427	-3.355186	3.043402

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	6	3	7	4	6	9	2	6	7	4	…	4	0	9	5	8	0	9	2	6	3
1	8	2	4	2	6	4	8	6	1	3	…	2	0	3	1	7	3	1	5	5	9
2	3	5	1	9	1	9	3	7	6	8	…	6	8	7	0	7	7	2	0	7	2
3	2	0	4	9	6	9	8	6	8	7	…	0	2	4	2	0	4	9	6	6	8
4	9	9	2	6	0	3	3	4	6	6	…	9	6	8	6	0	0	8	8	3	8
5	2	6	5	7	8	4	0	2	9	7	…	2	0	4	0	7	0	0	1	1	5
6	6	4	0	0	2	1	4	9	5	6	…	5	0	8	5	2	3	3	2	9	2
7	2	3	6	3	8	0	7	6	1	7	…	3	0	1	0	4	4	6	8	8	2
8	2	2	3	7	5	7	0	7	3	0	…	1	1	5	2	8	3	0	3	0	4
9	3	7	7	6	2	0	0	2	5	6	…	4	2	3	2	0	0	4	5	2	8
10	4	7	0	4	2	0	3	4	6	0	…	5	6	1	9	1	9	0	7	0	8
11	5	6	9	6	9	2	1	8	7	9	…	6	5	2	8	9	5	9	9	5	0
12	3	9	5	5	4	0	7	4	4	6	…	0	7	2	9	6	9	4	9	4	6
13	8	4	0	9	9	0	1	5	8	7	…	5	8	4	0	3	4	9	9	4	6
14	3	0	4	6	9	9	5	4	3	1	…	6	1	0	3	7	1	2	0	0	2
15	4	2	0	0	7	9	1	2	1	2	…	6	3	9	4	1	7	3	8	4	8
16	3	9	4	8	7	2	0	2	3	1	…	8	0	0	3	8	5	2	0	3	8
17	2	8	6	3	2	9	4	4	2	8	…	6	9	4	2	6	1	8	9	9	0
18	5	6	7	9	8	1	9	1	4	4	…	3	5	2	5	6	9	9	2	6	2
19	1	9	3	7	8	6	0	2	8	0	…	4	3	2	2	3	8	1	8	0	0
20	4	5	5	2	6	8	9	7	5	7	…	3	5	0	8	0	4	3	2	5	1
21	2	4	8	1	9	7	1	4	6	7	…	0	1	8	2	0	4	6	5	0	4
22	4	5	2	4	6	4	4	4	9	9	…	1	7	6	9	9	1	5	5	2	1
23	0	5	4	8	0	6	4	4	1	2	…	8	5	0	7	6	9	2	0	4	3
24	9	7	0	9	0	3	7	4	1	5	…	3	7	8	2	2	1	9	2	2	4
25	4	1	9	5	4	5	0	4	8	9	…	9	3	0	7	0	2	3	7	5	9
26	6	7	1	9	7	2	6	2	6	1	…	0	6	5	9	8	0	3	8	3	9
27	2	8	1	3	5	1	7	7	0	2	…	8	0	4	5	4	5	5	6	3	7
28	6	8	6	2	2	7	4	3	7	5	…	1	7	9	2	4	5	9	5	3	2
29	3	0	3	0	0	9	5	4	3	2	…	1	3	0	4	8	0	8	7	5	6

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	6	8	3	2	9	2	6	2	2	3	…	4	2	4	0	9	4	6	2	6	3
1	3	2	5	0	9	6	4	3	2	7	…	5	4	5	5	7	1	7	8	8	0
2	7	4	1	4	2	5	0	6	3	7	…	5	8	2	4	0	9	1	1	6	3
3	4	2	9	9	6	7	0	3	7	6	…	2	1	4	8	9	5	9	3	2	0
4	6	6	1	6	0	8	2	8	5	2	…	6	9	6	0	0	4	7	5	2	0
5	9	4	9	9	3	4	1	0	7	0	…	8	7	4	6	3	5	2	1	7	9
6	2	8	3	8	3	0	4	7	0	0	…	9	1	4	4	7	0	6	7	4	5
7	6	6	7	6	4	2	9	6	7	2	…	7	4	4	4	4	4	2	7	3	4
8	7	1	6	8	6	9	5	1	3	5	…	5	6	9	1	1	8	6	0	7	3
9	4	3	8	7	6	7	6	7	0	6	…	7	7	9	2	5	9	1	2	5	2
10	3	8	7	1	3	5	3	0	7	5	…	4	0	2	6	4	1	9	9	1	0
11	7	1	4	0	6	7	6	8	3	5	…	7	5	0	5	1	0	5	8	3	5
12	7	9	1	6	2	8	7	8	5	5	…	9	0	4	1	2	9	2	4	3	1
13	2	8	4	6	5	3	0	1	7	2	…	3	1	8	5	8	8	2	5	5	7
14	5	9	7	7	1	0	5	6	3	5	…	9	0	0	1	6	9	8	3	5	9
15	4	4	9	4	9	0	7	9	2	7	…	7	4	2	1	6	8	6	9	0	4
16	1	1	8	2	8	9	4	2	8	1	…	9	9	3	1	5	8	4	1	7	6
17	7	3	8	7	4	3	3	6	2	4	…	1	8	0	2	7	5	9	7	5	9
18	5	6	0	5	5	6	1	9	8	0	…	4	5	0	1	3	7	6	5	2	1
19	1	7	8	2	3	1	5	8	1	0	…	8	0	7	3	7	0	8	4	8	7
20	4	2	6	0	9	2	5	3	1	4	…	3	0	1	8	3	9	0	8	1	1
21	0	0	8	2	6	0	0	0	1	2	…	5	1	7	5	7	3	6	0	7	3
22	9	3	7	4	8	4	8	1	5	3	…	0	8	6	0	8	0	5	4	9	0
23	5	1	0	2	6	0	5	0	2	2	…	8	2	9	7	2	7	9	5	2	4
24	8	7	7	0	0	7	2	4	8	0	…	0	0	9	6	2	0	8	4	4	8
25	0	3	7	4	0	0	3	4	3	0	…	4	4	1	9	1	2	0	5	5	0
26	9	1	2	9	8	0	3	6	0	4	…	3	6	5	2	9	3	3	5	9	8
27	2	5	0	6	8	1	2	8	3	5	…	2	5	5	0	2	7	8	6	5	7
28	6	5	7	6	3	1	9	8	0	2	…	5	0	2	4	2	5	3	3	3	5
29	3	9	2	8	8	5	2	2	4	8	…	1	4	1	3	4	9	9	7	2	6

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	5	8	9	5	0	0	1	7	6	9	…	1	7	0	6	9	9	7	6	9	1
1	0	1	8	8	3	9	8	7	3	6	…	9	2	0	4	9	2	7	7	9	8
2	6	9	3	7	7	4	5	9	3	6	…	7	7	1	1	3	0	8	6	4	5
3	6	2	5	7	8	4	4	7	7	4	…	0	1	9	8	2	3	1	2	7	2
4	6	0	9	2	6	6	2	7	7	0	…	1	5	4	0	7	8	9	5	7	0
5	9	3	9	1	4	4	6	8	8	9	…	1	8	7	0	3	4	2	0	3	5
6	1	2	4	3	0	6	0	7	2	8	…	4	3	3	6	7	3	5	3	2	4
7	4	0	3	3	8	3	5	6	7	5	…	1	7	3	1	6	6	9	6	9	6
8	0	0	2	9	6	0	6	7	0	3	…	6	7	9	5	4	9	5	2	5	6
9	6	8	7	7	7	2	6	0	5	2	…	7	0	6	2	4	3	6	7	6	3
10	0	6	4	7	6	2	9	5	9	9	…	4	9	3	9	1	2	5	4	0	8
11	2	3	9	9	4	4	8	2	1	6	…	0	5	9	8	6	6	0	4	7	3
12	0	1	6	0	6	1	6	4	2	5	…	8	8	0	7	2	0	7	1	1	9
13	5	1	5	9	6	4	9	8	7	5	…	2	4	3	2	0	0	4	2	5	0
14	0	3	8	5	3	1	4	7	3	2	…	8	5	5	7	5	9	1	3	9	3
15	3	3	6	1	3	0	5	0	5	2	…	7	1	7	7	3	8	3	0	6	3
16	0	6	5	9	6	4	6	6	2	2	…	3	6	8	6	5	1	3	2	6	3
17	6	7	2	8	0	1	8	6	0	0	…	5	6	2	5	4	3	0	6	2	1
18	9	4	4	0	9	8	7	7	6	1	…	7	9	9	7	1	1	4	6	5	6
19	4	1	1	5	1	2	6	2	3	3	…	0	0	0	9	8	5	9	3	4	0
20	9	8	6	3	9	9	0	8	1	6	…	2	9	0	1	3	9	4	8	8	8
21	2	8	6	4	9	0	5	5	6	1	…	6	7	5	6	8	7	4	2	4	0
22	0	3	5	9	0	3	6	5	1	1	…	6	2	5	3	9	3	9	5	1	9
23	7	7	0	8	6	1	2	0	4	4	…	1	9	6	0	2	8	3	7	2	5
24	6	0	4	2	3	1	0	5	7	0	…	1	1	2	7	5	2	9	4	7	3
25	5	0	2	1	4	9	4	6	9	3	…	5	5	3	5	9	2	7	4	1	6
26	9	8	1	8	1	6	2	6	1	8	…	2	5	1	2	5	3	3	6	1	8
27	1	8	6	4	6	9	5	4	7	2	…	9	3	1	5	1	1	7	1	2	6
28	0	7	7	4	3	2	7	8	5	2	…	0	2	8	3	7	3	9	2	3	8
29	8	0	2	6	8	3	6	4	9	7	…	6	7	8	5	7	2	5	3	4	5

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	616	560	723	739	612	457	681	799	575	590	…	523	739	613	580	668	602	733	585	657	700
1	520	438	691	600	612	455	666	764	707	592	…	555	681	503	679	641	506	779	494	633	590
2	557	570	786	807	690	469	804	828	704	573	…	563	675	712	758	793	672	754	550	756	638
3	605	507	664	701	660	496	698	806	651	575	…	582	685	668	586	629	534	678	484	591	626
4	599	681	753	873	721	563	754	770	620	654	…	633	747	661	677	726	649	716	610	735	706
5	422	354	602	627	613	396	617	627	489	423	…	456	572	559	537	499	384	589	436	574	507
6	359	446	599	599	481	357	577	572	451	464	…	449	550	495	532	633	554	663	476	565	602
7	531	520	698	590	607	537	665	696	571	472	…	576	588	551	665	652	527	742	528	650	599
8	449	322	547	533	593	399	584	638	587	424	…	402	596	523	523	447	362	561	386	529	484
9	373	433	525	601	522	345	551	521	434	447	…	508	498	438	478	459	418	488	407	503	496
10	500	427	574	607	667	477	652	656	615	477	…	622	702	531	610	558	532	598	471	582	561
11	664	694	772	841	779	574	730	810	711	608	…	591	760	616	638	721	676	846	678	754	708
12	545	547	687	701	721	576	689	724	710	532	…	674	684	648	694	710	564	757	571	671	656
13	574	586	723	750	691	494	696	787	667	523	…	618	681	568	682	715	644	756	557	690	604
14	502	382	645	557	570	403	538	677	500	501	…	369	650	507	576	546	531	554	437	616	463
15	510	505	736	651	649	510	719	733	694	557	…	605	717	574	642	678	576	755	455	598	654
16	567	376	614	612	643	514	598	724	547	464	…	456	639	520	560	569	442	596	517	659	532
17	626	716	828	765	740	603	809	852	692	591	…	664	716	655	721	742	612	819	593	744	712
18	600	559	667	664	641	556	624	815	638	564	…	581	701	559	677	710	554	748	597	614	657
19	445	431	661	681	641	552	690	719	602	474	…	515	637	576	620	572	512	599	455	622	538
20	523	569	784	725	713	501	740	772	638	640	…	589	775	664	686	726	672	747	548	723	645
21	487	465	553	639	517	449	592	609	454	398	…	492	567	534	404	554	417	561	466	498	492
22	479	449	574	686	583	377	566	614	563	455	…	453	539	491	501	596	520	722	478	565	501
23	483	386	476	526	550	426	492	585	536	482	…	322	541	438	456	487	408	502	426	474	481
24	523	551	658	767	537	444	663	731	576	577	…	522	590	525	664	691	548	635	526	641	538
25	652	656	738	753	853	508	752	815	669	576	…	694	833	693	606	575	616	704	559	728	672
26	578	577	744	856	699	497	779	800	733	587	…	630	754	704	834	760	680	765	592	731	629
27	554	494	665	689	630	574	695	703	636	599	…	554	685	532	658	649	554	693	577	634	668
28	498	552	659	784	552	492	690	775	544	551	…	567	636	518	599	742	521	733	533	605	604
29	513	491	563	642	477	367	589	647	516	484	…	428	574	504	548	553	483	540	407	547	455

Python基础（十一） 超详细的Pandas库三万字总结_gdp_data

11.2 DataFrame性质

11.3 数值运算及统计分析

11.4 缺失值处理

11.5 合并数据

一、Python所有方向的学习路线

二、学习软件

三、全套PDF电子书

四、入门学习视频

四、实战案例

五、面试资料

Python基础（十一）超详细的Pandas库三万字总结_gdp_data

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	6	3	7	4	6	9	2	6	7	4	…	4	0	9	5	8	0	9	2	6	3
1	8	2	4	2	6	4	8	6	1	3	…	2	0	3	1	7	3	1	5	5	9
2	3	5	1	9	1	9	3	7	6	8	…	6	8	7	0	7	7	2	0	7	2
3	2	0	4	9	6	9	8	6	8	7	…	0	2	4	2	0	4	9	6	6	8
4	9	9	2	6	0	3	3	4	6	6	…	9	6	8	6	0	0	8	8	3	8
5	2	6	5	7	8	4	0	2	9	7	…	2	0	4	0	7	0	0	1	1	5
6	6	4	0	0	2	1	4	9	5	6	…	5	0	8	5	2	3	3	2	9	2
7	2	3	6	3	8	0	7	6	1	7	…	3	0	1	0	4	4	6	8	8	2
8	2	2	3	7	5	7	0	7	3	0	…	1	1	5	2	8	3	0	3	0	4
9	3	7	7	6	2	0	0	2	5	6	…	4	2	3	2	0	0	4	5	2	8
10	4	7	0	4	2	0	3	4	6	0	…	5	6	1	9	1	9	0	7	0	8
11	5	6	9	6	9	2	1	8	7	9	…	6	5	2	8	9	5	9	9	5	0
12	3	9	5	5	4	0	7	4	4	6	…	0	7	2	9	6	9	4	9	4	6
13	8	4	0	9	9	0	1	5	8	7	…	5	8	4	0	3	4	9	9	4	6
14	3	0	4	6	9	9	5	4	3	1	…	6	1	0	3	7	1	2	0	0	2
15	4	2	0	0	7	9	1	2	1	2	…	6	3	9	4	1	7	3	8	4	8
16	3	9	4	8	7	2	0	2	3	1	…	8	0	0	3	8	5	2	0	3	8
17	2	8	6	3	2	9	4	4	2	8	…	6	9	4	2	6	1	8	9	9	0
18	5	6	7	9	8	1	9	1	4	4	…	3	5	2	5	6	9	9	2	6	2
19	1	9	3	7	8	6	0	2	8	0	…	4	3	2	2	3	8	1	8	0	0
20	4	5	5	2	6	8	9	7	5	7	…	3	5	0	8	0	4	3	2	5	1
21	2	4	8	1	9	7	1	4	6	7	…	0	1	8	2	0	4	6	5	0	4
22	4	5	2	4	6	4	4	4	9	9	…	1	7	6	9	9	1	5	5	2	1
23	0	5	4	8	0	6	4	4	1	2	…	8	5	0	7	6	9	2	0	4	3
24	9	7	0	9	0	3	7	4	1	5	…	3	7	8	2	2	1	9	2	2	4
25	4	1	9	5	4	5	0	4	8	9	…	9	3	0	7	0	2	3	7	5	9
26	6	7	1	9	7	2	6	2	6	1	…	0	6	5	9	8	0	3	8	3	9
27	2	8	1	3	5	1	7	7	0	2	…	8	0	4	5	4	5	5	6	3	7
28	6	8	6	2	2	7	4	3	7	5	…	1	7	9	2	4	5	9	5	3	2
29	3	0	3	0	0	9	5	4	3	2	…	1	3	0	4	8	0	8	7	5	6

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	6	8	3	2	9	2	6	2	2	3	…	4	2	4	0	9	4	6	2	6	3
1	3	2	5	0	9	6	4	3	2	7	…	5	4	5	5	7	1	7	8	8	0
2	7	4	1	4	2	5	0	6	3	7	…	5	8	2	4	0	9	1	1	6	3
3	4	2	9	9	6	7	0	3	7	6	…	2	1	4	8	9	5	9	3	2	0
4	6	6	1	6	0	8	2	8	5	2	…	6	9	6	0	0	4	7	5	2	0
5	9	4	9	9	3	4	1	0	7	0	…	8	7	4	6	3	5	2	1	7	9
6	2	8	3	8	3	0	4	7	0	0	…	9	1	4	4	7	0	6	7	4	5
7	6	6	7	6	4	2	9	6	7	2	…	7	4	4	4	4	4	2	7	3	4
8	7	1	6	8	6	9	5	1	3	5	…	5	6	9	1	1	8	6	0	7	3
9	4	3	8	7	6	7	6	7	0	6	…	7	7	9	2	5	9	1	2	5	2
10	3	8	7	1	3	5	3	0	7	5	…	4	0	2	6	4	1	9	9	1	0
11	7	1	4	0	6	7	6	8	3	5	…	7	5	0	5	1	0	5	8	3	5
12	7	9	1	6	2	8	7	8	5	5	…	9	0	4	1	2	9	2	4	3	1
13	2	8	4	6	5	3	0	1	7	2	…	3	1	8	5	8	8	2	5	5	7
14	5	9	7	7	1	0	5	6	3	5	…	9	0	0	1	6	9	8	3	5	9
15	4	4	9	4	9	0	7	9	2	7	…	7	4	2	1	6	8	6	9	0	4
16	1	1	8	2	8	9	4	2	8	1	…	9	9	3	1	5	8	4	1	7	6
17	7	3	8	7	4	3	3	6	2	4	…	1	8	0	2	7	5	9	7	5	9
18	5	6	0	5	5	6	1	9	8	0	…	4	5	0	1	3	7	6	5	2	1
19	1	7	8	2	3	1	5	8	1	0	…	8	0	7	3	7	0	8	4	8	7
20	4	2	6	0	9	2	5	3	1	4	…	3	0	1	8	3	9	0	8	1	1
21	0	0	8	2	6	0	0	0	1	2	…	5	1	7	5	7	3	6	0	7	3
22	9	3	7	4	8	4	8	1	5	3	…	0	8	6	0	8	0	5	4	9	0
23	5	1	0	2	6	0	5	0	2	2	…	8	2	9	7	2	7	9	5	2	4
24	8	7	7	0	0	7	2	4	8	0	…	0	0	9	6	2	0	8	4	4	8
25	0	3	7	4	0	0	3	4	3	0	…	4	4	1	9	1	2	0	5	5	0
26	9	1	2	9	8	0	3	6	0	4	…	3	6	5	2	9	3	3	5	9	8
27	2	5	0	6	8	1	2	8	3	5	…	2	5	5	0	2	7	8	6	5	7
28	6	5	7	6	3	1	9	8	0	2	…	5	0	2	4	2	5	3	3	3	5
29	3	9	2	8	8	5	2	2	4	8	…	1	4	1	3	4	9	9	7	2	6

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	5	8	9	5	0	0	1	7	6	9	…	1	7	0	6	9	9	7	6	9	1
1	0	1	8	8	3	9	8	7	3	6	…	9	2	0	4	9	2	7	7	9	8
2	6	9	3	7	7	4	5	9	3	6	…	7	7	1	1	3	0	8	6	4	5
3	6	2	5	7	8	4	4	7	7	4	…	0	1	9	8	2	3	1	2	7	2
4	6	0	9	2	6	6	2	7	7	0	…	1	5	4	0	7	8	9	5	7	0
5	9	3	9	1	4	4	6	8	8	9	…	1	8	7	0	3	4	2	0	3	5
6	1	2	4	3	0	6	0	7	2	8	…	4	3	3	6	7	3	5	3	2	4
7	4	0	3	3	8	3	5	6	7	5	…	1	7	3	1	6	6	9	6	9	6
8	0	0	2	9	6	0	6	7	0	3	…	6	7	9	5	4	9	5	2	5	6
9	6	8	7	7	7	2	6	0	5	2	…	7	0	6	2	4	3	6	7	6	3
10	0	6	4	7	6	2	9	5	9	9	…	4	9	3	9	1	2	5	4	0	8
11	2	3	9	9	4	4	8	2	1	6	…	0	5	9	8	6	6	0	4	7	3
12	0	1	6	0	6	1	6	4	2	5	…	8	8	0	7	2	0	7	1	1	9
13	5	1	5	9	6	4	9	8	7	5	…	2	4	3	2	0	0	4	2	5	0
14	0	3	8	5	3	1	4	7	3	2	…	8	5	5	7	5	9	1	3	9	3
15	3	3	6	1	3	0	5	0	5	2	…	7	1	7	7	3	8	3	0	6	3
16	0	6	5	9	6	4	6	6	2	2	…	3	6	8	6	5	1	3	2	6	3
17	6	7	2	8	0	1	8	6	0	0	…	5	6	2	5	4	3	0	6	2	1
18	9	4	4	0	9	8	7	7	6	1	…	7	9	9	7	1	1	4	6	5	6
19	4	1	1	5	1	2	6	2	3	3	…	0	0	0	9	8	5	9	3	4	0
20	9	8	6	3	9	9	0	8	1	6	…	2	9	0	1	3	9	4	8	8	8
21	2	8	6	4	9	0	5	5	6	1	…	6	7	5	6	8	7	4	2	4	0
22	0	3	5	9	0	3	6	5	1	1	…	6	2	5	3	9	3	9	5	1	9
23	7	7	0	8	6	1	2	0	4	4	…	1	9	6	0	2	8	3	7	2	5
24	6	0	4	2	3	1	0	5	7	0	…	1	1	2	7	5	2	9	4	7	3
25	5	0	2	1	4	9	4	6	9	3	…	5	5	3	5	9	2	7	4	1	6
26	9	8	1	8	1	6	2	6	1	8	…	2	5	1	2	5	3	3	6	1	8
27	1	8	6	4	6	9	5	4	7	2	…	9	3	1	5	1	1	7	1	2	6
28	0	7	7	4	3	2	7	8	5	2	…	0	2	8	3	7	3	9	2	3	8
29	8	0	2	6	8	3	6	4	9	7	…	6	7	8	5	7	2	5	3	4	5

	0	1	2	3	4	5	6	7	8	9	…	20	21	22	23	24	25	26	27	28	29
0	616	560	723	739	612	457	681	799	575	590	…	523	739	613	580	668	602	733	585	657	700
1	520	438	691	600	612	455	666	764	707	592	…	555	681	503	679	641	506	779	494	633	590
2	557	570	786	807	690	469	804	828	704	573	…	563	675	712	758	793	672	754	550	756	638
3	605	507	664	701	660	496	698	806	651	575	…	582	685	668	586	629	534	678	484	591	626
4	599	681	753	873	721	563	754	770	620	654	…	633	747	661	677	726	649	716	610	735	706
5	422	354	602	627	613	396	617	627	489	423	…	456	572	559	537	499	384	589	436	574	507
6	359	446	599	599	481	357	577	572	451	464	…	449	550	495	532	633	554	663	476	565	602
7	531	520	698	590	607	537	665	696	571	472	…	576	588	551	665	652	527	742	528	650	599
8	449	322	547	533	593	399	584	638	587	424	…	402	596	523	523	447	362	561	386	529	484
9	373	433	525	601	522	345	551	521	434	447	…	508	498	438	478	459	418	488	407	503	496
10	500	427	574	607	667	477	652	656	615	477	…	622	702	531	610	558	532	598	471	582	561
11	664	694	772	841	779	574	730	810	711	608	…	591	760	616	638	721	676	846	678	754	708
12	545	547	687	701	721	576	689	724	710	532	…	674	684	648	694	710	564	757	571	671	656
13	574	586	723	750	691	494	696	787	667	523	…	618	681	568	682	715	644	756	557	690	604
14	502	382	645	557	570	403	538	677	500	501	…	369	650	507	576	546	531	554	437	616	463
15	510	505	736	651	649	510	719	733	694	557	…	605	717	574	642	678	576	755	455	598	654
16	567	376	614	612	643	514	598	724	547	464	…	456	639	520	560	569	442	596	517	659	532
17	626	716	828	765	740	603	809	852	692	591	…	664	716	655	721	742	612	819	593	744	712
18	600	559	667	664	641	556	624	815	638	564	…	581	701	559	677	710	554	748	597	614	657
19	445	431	661	681	641	552	690	719	602	474	…	515	637	576	620	572	512	599	455	622	538
20	523	569	784	725	713	501	740	772	638	640	…	589	775	664	686	726	672	747	548	723	645
21	487	465	553	639	517	449	592	609	454	398	…	492	567	534	404	554	417	561	466	498	492
22	479	449	574	686	583	377	566	614	563	455	…	453	539	491	501	596	520	722	478	565	501
23	483	386	476	526	550	426	492	585	536	482	…	322	541	438	456	487	408	502	426	474	481
24	523	551	658	767	537	444	663	731	576	577	…	522	590	525	664	691	548	635	526	641	538
25	652	656	738	753	853	508	752	815	669	576	…	694	833	693	606	575	616	704	559	728	672
26	578	577	744	856	699	497	779	800	733	587	…	630	754	704	834	760	680	765	592	731	629
27	554	494	665	689	630	574	695	703	636	599	…	554	685	532	658	649	554	693	577	634	668
28	498	552	659	784	552	492	690	775	544	551	…	567	636	518	599	742	521	733	533	605	604
29	513	491	563	642	477	367	589	647	516	484	…	428	574	504	548	553	483	540	407	547	455