pandas 基本使用方法

python中pandas的数据输出显示设置:https://blog.csdn.net/weixin_43553694/article/details/92798367
https://www.pypandas.cn/docs/getting_started/basics.html









Pandas 对象（Index， Series， DataFrame）相当于数组的容器，用于存储数据，并执行计算。大部分类型的底层数组都是 numpy.ndarray。
获取 Index 或 Series 里的数据，请用 .array 属性。

Series 与 Index 的类型是 ExtensionArray 时， to_numpy() 会复制数据，并强制转换值。
to_numpy() 可以控制 numpy.ndarray 生成的数据类型。以带时区的 datetime 为例，Numpy 未提供时区信息的 datetime 数据类型，pandas 则提供了两种表现形式：

一种是带 Timestamp 的 numpy.ndarray，提供了正确的 tz 信息。

另一种是 datetime64[ns]，这也是 numpy.ndarray，值被转换为 UTC，但去掉了时区信息。

获取 DataFrame 里的原数据略显复杂。DataFrame 里所有列的数据类型都一样时，DataFrame.to_numpy() 返回底层数据.


加速操作:借助 numexpr 与 bottleneck 支持库，pandas 可以加速特定类型的二进制数值与布尔操作.处理大型数据集时，这两个支持库特别有用，加速效果也非常明显。
pd.set_option(‘compute.use_bottleneck’, False)
pd.set_option(‘compute.use_numexpr’, False)

匹配/广播机制
DataFrame 支持 add()、sub()、mul()、div() 及 radd()、rsub() 等方法执行二进制操作。广播机制重点关注输入的 Series。通过 axis 关键字，匹配 index 或 columns 即可调用这些函数。

Series 与 Index 还支持 divmod() 内置函数，该函数同时执行向下取整除与模运算，返回两个与左侧类型相同的元组。
缺失值与填充缺失值操作
Series 与 DataFrame 的算数函数支持 fill_value 选项，即用指定值替换某个位置的缺失值。比如，两个 DataFrame 相加，除非两个 DataFrame 里同一个位置都有缺失值，其相加的和仍为 NaN，如果只有一个 DataFrame 里存在缺失值，则可以用 fill_value 指定一个值来替代 NaN，当然，也可以用 fillna 把 NaN 替换为想要的值。
df.add(df2, fill_value=0)
用常数填充：df1.fil