Pandas（三）数据高阶处理

1、数据连接-merge()函数

1. merge只能进行横向连接，也就是将左表和右表按照key进行拼接。
2. merge函数只能操作两张表。
3. 典型应用场景：针对同一个键存在两张不同字段的表，根据键整合到一张表里面。
4. 在连接的过程中，merge方法会默认寻找两个表中的公共列，并将找到的公共列作为连接键进行连接。
5. merge的默认的表连接方式是内连接，也就是左表中的公共列的值都可以在右表对应的公共列找到，右表公共列的值也可以在左表中对应的公共列找到。
6. 内连接（inner）/左连接（left）/右连接（right）/外连接（outer）。

2、数据合并-concat

1. concat函数既可以实现横向拼接也可以实现纵向拼接，默认纵向连接。
2. concat函数可以对多表进行操作。
3. concat函数只能单纯的表拼接，只按索引拼接不查公共列。

3、数据分组-groupby

3.1 groupby()函数

3.2 agg()函数

1. agg()函数，提供的聚合功能允许在一次计算中按组计算多个统计数据，也就是可以选择多种聚合计算方式。
2. groupby函数可以调用agg函数，实现在一次计算中按组计算多个统计数据。

4、数据透视表

4.1 Pivot_table()函数

1. pivot_table()透视功能，最基本的就是将普通列的内容转换为索引或者列名，并进行各种汇总计算。

4.2 stack()函数 & unstack()函数

1. 将DataFrame的columns和index进行相互转换。因为DataFrame的计算是分axis（轴）的，有时候将index和columns转换后，计算会更方便。
2. 使用Unstack()函数是stack()函数的逆操作。

5、Pandas中的高阶函数

5.1 map()函数

1. 根据提供的函数对指定序列做逐一映射（同python内置的map函数一样）。
2. 语法：Series.map(function or dict)。

5.2 apply()函数-重要

5.2.1 Series.apply()语法

5.2.2 DataFrame.apply()语法&axis

5.3 applymap()函数

1. 会对DataFrame中每个元素执行指定的方法（函数或lambda表达式）的操作。
2. 语法：DataFrame.applymap(func)。
3. 应用在DataFrame的每个元素中。