pandas 函数

pandas是基于numpy数组构建的，但二者最大的不同是pandas是专门为处理表格和混杂数据设计的，比较契合统计分析中的表结构，而numpy更适合处理统一的数值数组数据。pandas数组结构有一维Series和二维DataFrame。

Series的字符串表现形式为：索引在左边，值在右边。如果不为数据指定索引，则会默认创建一个0到n-1的整数型索引。  

DataFrame是一个表格型的数据结构，其中的数据是以一个或多个二维块存放的，而不是列表、字典或别的一维数据结构。它含有一组有序的列，每列可以是不同的数据类型，它既有行索引，也有列索引。       

• axis: 默认为0，表示按列求和；如果为1，则按行求和。

数据集通常以表格的形式呈现，其中每一行代表一个数据点（或称为样本），每一列代表一个变量（特征变量或目标变量）。

pandas：一维数据结构为series，多维是dataframe

shape()

shape返回的是hg的行数和列数
shape[0]返回的是hg的行数，有几行
shape[1]返回的是hg的列数，有几列

reshape()

在使用Pandas中的reshape()函数时，有两个非常重要的参数，分别是:

• index: 将某一列设置为行标签。
• columns: 将某些列设置为列标签。

melt()

在Pandas中，除了reshape()函数之外，还有一种更加方便的方法可以重新组织数据，那就是melt()函数。使用melt()函数可以将多列压缩成为一列，并将这些列标签转换成行中的某个变量

pivot()

除了使用melt()函数，我们还可以使用pivot()函数将长格式的数据框架变成宽格式的数据框架，和reshape()函数一样，pivot()函数也需要指定行和列标签。

方法名	函数功能
sum()	计算数据样本的总和（按列计算)
mean()	计算数据样本的算术平均数
var()	计算数据样本的方差
std()	计算数据样本的标准差
corr()	计算数据样本的Spearman (Pearson）相关系数矩阵
cov()	计算数据样本的协方差矩阵
skew()	样本值的偏度（三阶矩)
kurt()	样本值的峰度（四阶矩)
describe()	给出样本的基本描述（基本统计量如均值、标准差等)
cumsum（)	依次给出前1、2、…、n个数的和）
cumprod()	依次给出前1、2、…、n个数的积
cummax()	依次给出前1、2、…、n个数的max
cummin()	依次给出前1、2、…、n个数的min
rolling_sum()	计算数据样本的总和（按列计算)
rolling_mean()	计算数据样本的算术平均数
rolling_var()	计算数据样本的方差
rolling_std()	计算数据样本的标准差
rolling_corr()	计算数据样本的Spearman (Pearson）相关系数矩阵
rolling_cov()	计算数据样本的协方差矩阵
rolling_skew()	样本值的偏度（三阶矩)
rolling_kurt()	样本值的峰度（四阶矩)
plot()	绘制线性二维图，折线图
pie()	绘制饼状图
hist()	绘制二维条形直方图，可显示数据的分配情形
boxplot()	绘制样本数据的箱形图
plot(logy=True)	绘制y轴的对数图形
plot(yerr=True)	绘制误差条形图