Python数据分析--pandas部分笔记

1、Series相关
Series类似于一个列向量，只是在其左侧加了索引，其包括values和index两个属性，Series.values和Series.index。Series对象本身以及其索引都有一个name属性，即Series.name和Series.index.name，能够对Series和其索引命名，与pandas其他功能联系紧密。
DataFrame类似于数组，只是对于行和列都有了索引。取行：frame.ix[i]；取列：frame[i]或者frame.i，其中i为行或者列的索引。

2、apply方法: apply(func())是调用func()函数，例如：
func函数是无参数时：

Input:      def say():                          
                print 'say in' 
            apply(say)
Output:     say in

func函数有参数时：

Input:      def say(a, b): 
                print a, b 
            apply(say, ('hello', 'zhangsan'))
Output:     hello zhangsan

在DataFrame中，如果需要对各行或者各列进行函数操作，可以利用apply函数来实现。如下例子中，apply()中默认axis是0，即将DataFrame的所有行带入函数进行操作，如果令apply(f, axis=1)意味着对所有列进行操作。

Input:      frame = DataFrame(np.random.randn(4, 3), columns=list('bde'),
                  index=['Utah', 'Ohio', 'Texas', 'Oregon'])
            f = lambda x: x.max() - x.min()
            print frame
            print frame.apply(f)
            print frame.apply(f, axis=1)
Output:                    b         d         e
                Utah   -0.613367 -0.689123  0.001532
                Ohio    0.835977  1.377497 -0.681188
                Texas  -1.865279 -0.587092  0.057747
                Oregon -0.770581  1.244155  0.060371          #frame

                b    2.701256
                d    2.066620
                e    0.741559                              
                dtype: float64                               #frame.apply(f)

                Utah      1.753016
                Ohio      2.443354
                Texas     0.760543
                Oregon    2.246665
                dtype: float64                               #frame.apply(f, axis=1)

3、排序
对于Series而言，使用sort_index()和sort_value()来实现对于行(索引)和列(值)的排序，其返回的是一个新对象。

Input:      obj = Series([4,