Pandas入门

1 Pandas介绍

• 专门用于数据挖掘的开源python库
• 以Numpy为基础,借力Numpy模块在计算方面性能优势
• 基于matplotlib,能够简便的画图
• 独特的数据结构

Pandas 是一种数据处理工具，它是以下面三组词汇组成

panel + data + analysis

panel：面板数据是计量经济学中常用，一般表示三维数据

2 为什么使用Pandas

• 便捷的数据处理能力
• 读取文件方便
• 封装了Matplotlib、Numpy的画图和计算

3 DataFrame

从图中可以看到DataFrame由三部分组成

• column label即列标签
• index label即行标签
• data即数据

那么标记轴axis表示什么呢，axis有两种取值，分别是1和0，其中1表示横轴，方向从左到右；0表示纵轴，方向从上到下。

import numpy as np
#创建一个符合正态分布的10个股票5天的涨跌幅数据
stock_change =np.random.normal(0,1,(10,5))
stock_change

array([[ 0.55780125,  0.47366431,  0.58266456, -0.29946146, -0.03390217],
       [-0.24385523,  0.08817049,  1.38707642, -0.57688673, -0.34760394],
       [ 0.95549368,  0.9414475 , -1.25056314,  0.18178455, -0.29557978],
       [ 1.61507705,  1.99202826,  2.80758189,  0.03192688, -0.57838353],
       [ 1.4956878 , -1.23262134,  2.50024192, -0.58850329,  0.7102027 ],
       [-0.662319  ,  1.76285879,  1.51286286, -0.53192944, -0.47949495],
       [ 0.73735599,  0.48964047, -1.32854508, -0.07826431,  0.36766669],
       [ 0.79199457, -1.74662017, -0.334844  , -1.47935611, -0.12609656],
       [-1.77942406, -1.67284383, -0.90279781,  0.06015451,  0.66952752],
       [-1.93908274, -1.93232172,  0.8559445 ,  1.13113002,  1.33307564]])

import pandas as pd
pd.DataFrame(stock_change)

	0	1	2	3	4
0	0.557801	0.473664	0.582665	-0.299461	-0.033902
1	-0.243855	0.088170	1.387076	-0.576887	-0.347604
2	0.955494	0.941448	-1.250563	0.181785	-0.295580
3	1.615077	1.992028	2.807582	0.031927	-0.578384
4	1.495688	-1.232621	2.500242	-0.588503	0.710203
5	-0.662319	1.762859	1.512863	-0.531929	-0.479495
6	0.737356	0.489640	-1.328545	-0.078264	0.367667
7	0.791995	-1.746620	-0.334844	-1.479356	-0.126097
8	-1.779424	-1.672844	-0.902798	0.060155	0.669528
9	-1.939083	-1.932322	0.855944	1.131130	1.333076

给股票数据增加行列索引

pd.DataFrame(stock_change,行索引，列索引)

#  添加行索引 列表解析
stock = ["股票{}".format(i) for i in range(10)]

pd.DataFrame(stock_change,stock)

	0	1	2	3	4
股票0	0.557801	0.473664	0.582665	-0.299461	-0.033902
股票1	-0.243855	0.088170	1.387076	-0.576887	-0.347604
股票2	0.955494	0.941448	-1.250563	0.181785	-0.295580
股票3	1.615077	1.992028	2.807582	0.031927	-0.578384
股票4	1.495688	-1.232621	2.500242	-0.588503	0.710203
股票5	-0.662319	1.762859	1.512863	-0.531929	-0.479495
股票6	0.737356	0.489640	-1.328545	-0.078264	0.367667
股票7	0.791995	-1.746620	-0.334844	-1.479356	-0.126097
股票8	-1.779424	-1.672844	-0.902798	0.060155	0.669528
股票9	-1.939083	-1.932322	0.855944	1.131130	1.333076

#添加列索引(先行后列)
date = pd.date_range(start ="20180101",periods=5,freq="B")
data =pd.DataFrame(stock_change,stock,date)

结构：既有行索引，又有列索引的二维数组

	2018-01-01 00:00:00	2018-01-02 00:00:00	2018-01-03 00:00:00	2018-01-04 00:00:00	2018-01-05 00:00:00
股票0	0.557801	0.473664	0.582665	-0.299461	-0.033902
股票1	-0.243855	0.088170	1.387076	-0.576887	-0.347604
股票2	0.955494	0.941448	-1.250563	0.181785	-0.295580
股票3	1.615077	1.992028	2.807582	0.031927	-0.578384
股票4	1.495688	-1.232621	2.500242	-0.588503	0.710203
股票5	-0.662319	1.762859	1.512863	-0.531929	-0.479495
股票6	0.737356	0.489640	-1.328545	-0.078264	0.367667
股票7	0.791995	-1.746620	-0.334844	-1.479356	-0.126097
股票8	-1.779424	-1.672844	-0.902798	0.060155	0.669528
股票9	-1.939083	-1.932322	0.855944	1.131130	1.333076

3.1 属性

• shape 形状
• index 行索引
• columns 列索引
• values NDARRAY数据
• T 转置

data.shape

(10, 5)

data.index

Index(['股票0', '股票1', '股票2', '股票3', '股票4', '股票5', '股票6', '股票7', '股票8', '股票9'], dtype='object')

data.values

array([[ 0.55780125,  0.47366431,  0.58266456, -0.29946146, -0.03390217],
       [-0.24385523,  0.08817049,  1.38707642, -0.57688673, -0.34760394],
       [ 0.95549368,  0.9414475 , -1.25056314,  0.18178455, -0.29557978],
       [ 1.61507705,  1.99202826,  2.80758189,  0.03192688, -0.57838353],
       [ 1.4956878 , -1.23262134,  2.50024192, -0.58850329,  0.7102027 ],
       [-0.662319  ,  1.76285879,  1.51286286, -0.53192944, -0.47949495],
       [ 0.73735599,  0.48964047, -1.32854508, -0.07826431,  0.36766669],
       [ 0.79199457, -1.74662017, -0.334844  , -1.47935611, -0.12609656],
       [-1.77942406, -1.67284383, -0.90279781,  0.06015451,  0.66952752],
       [-1.93908274, -1.93232172,  0.8559445 ,  1.13113002,  1.33307564]])

data.T

	股票0	股票1	股票2	股票3	股票4	股票5	股票6	股票7	股票8	股票9
2018-01-01	0.557801	-0.243855	0.955494	1.615077	1.495688	-0.662319	0.737356	0.791995	-1.779424	-1.939083
2018-01-02	0.473664	0.088170	0.941448	1.992028	-1.232621	1.762859	0.489640	-1.746620	-1.672844	-1.932322
2018-01-03	0.582665	1.387076	-1.250563	2.807582	2.500242	1.512863	-1.328545	-0.334844	-0.902798	0.855944
2018-01-04	-0.299461	-0.576887	0.181785	0.031927	-0.588503	-0.531929	-0.078264	-1.479356	0.060155	1.131130
2018-01-05	-0.033902	-0.347604	-0.295580	-0.578384	0.710203	-0.479495	0.367667	-0.126097	0.669528	1.333076

3.2 方法

• head() 数据量过大时，取前五行数据查看
• tail()数据量过大时，取最后五行数据

data.head()

	2018-01-01 00:00:00	2018-01-02 00:00:00	2018-01-03 00:00:00	2018-01-04 00:00:00	2018-01-05 00:00:00
股票0	0.557801	0.473664	0.582665	-0.299461	-0.033902
股票1	-0.243855	0.088170	1.387076	-0.576887	-0.347604
股票2	0.955494	0.941448	-1.250563	0.181785	-0.295580
股票3	1.615077	1.992028	2.807582	0.031927	-0.578384
股票4	1.495688	-1.232621	2.500242	-0.588503	0.710203

data.tail()

	2018-01-01 00:00:00	2018-01-02 00:00:00	2018-01-03 00:00:00	2018-01-04 00:00:00	2018-01-05 00:00:00
股票5	-0.662319	1.762859	1.512863	-0.531929	-0.479495
股票6	0.737356	0.489640	-1.328545	-0.078264	0.367667
股票7	0.791995	-1.746620	-0.334844	-1.479356	-0.126097
股票8	-1.779424	-1.672844	-0.902798	0.060155	0.669528
股票9	-1.939083	-1.932322	0.855944	1.131130	1.333076

4 DataFrame索引的设置

4.1 修改行列索引值

data.index

Index(['股票0', '股票1', '股票2', '股票3', '股票4', '股票5', '股票6', '股票7', '股票8', '股票9'], dtype='object')

data.index[2] = "22"

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-58-113c5bb5851a> in <module>
----> 1 data.index[2] = "22"

D:\ANACONDA\lib\site-packages\pandas\core\indexes\base.py in __setitem__(self, key, value)
   3936 
   3937     def __setitem__(self, key, value):
-> 3938         raise TypeError("Index does not support mutable operations")
   3939 
   3940     def __getitem__(self, key):

TypeError: Index does not support mutable operations

由结果可以看出，报错了，这是因为不能直接使用数字索引修改个别索引字段，在pandas中必须全部重新设定索引

# 索引只能全部重新设定
new_index = ["股票_{}".format(n)for n in range(10,20)]
new_index
data.index = new_index
data

	2018-01-01 00:00:00	2018-01-02 00:00:00	2018-01-03 00:00:00	2018-01-04 00:00:00	2018-01-05 00:00:00
股票_10	0.557801	0.473664	0.582665	-0.299461	-0.033902
股票_11	-0.243855	0.088170	1.387076	-0.576887	-0.347604
股票_12	0.955494	0.941448	-1.250563	0.181785	-0.295580
股票_13	1.615077	1.992028	2.807582	0.031927	-0.578384
股票_14	1.495688	-1.232621	2.500242	-0.588503	0.710203
股票_15	-0.662319	1.762859	1.512863	-0.531929	-0.479495
股票_16	0.737356	0.489640	-1.328545	-0.078264	0.367667
股票_17	0.791995	-1.746620	-0.334844	-1.479356	-0.126097
股票_18	-1.779424	-1.672844	-0.902798	0.060155	0.669528
股票_19	-1.939083	-1.932322	0.855944	1.131130	1.333076

4.2 设置新索引

#设新索引
df = pd.DataFrame({'month': [1, 4, 7, 10],
                    'year': [2012, 2014, 2013, 2014],
                    'sale':[55, 40, 84, 31]})

	month	year	sale
0	1	2012	55
1	4	2014	40
2	7	2013	84
3	10	2014	31

# 将列索引设为行索引，并且抛弃原来的列
df.set_index("month",drop=True)

	year	sale
month
1	2012	55
4	2014	40
7	2013	84
10	2014	31

5 Series

Series是一维对象，包含数组数据（任何numpy类型的数据）和与数组关联的索引，与list结构差不多，但是我们可以自定义索引

s1 = pd.Series([100,24,"asd",np.nan])
s1

0    100
1     24
2    asd
3    NaN
dtype: object

#添加索引需要index传递一个包含index的数组name表示这个索引的统称
s2 = pd.Series([20,30,50],index = ['2015','2016','23321'],name = 'product')
s2

2015     20
2016     30
23321    50
Name: product, dtype: int64

我们也可以将DataFrame理解为Series的容器，或者说DataFrame相当于用胶水把一堆series给粘了起来

• pd.date_range函数:

  这个函数用于生成一个固定频率的时间索引，在调用构造方法时，必须指定start、end、periods中的任两个参数值，否则会报错

  下面用pd.date_range函数生成以周为频率的时间索引

time = pd.date_range('20190606',periods=6,freq='W')
time

DatetimeIndex(['2019-06-09', '2019-06-16', '2019-06-23', '2019-06-30',
               '2019-07-07', '2019-07-14'],
              dtype='datetime64[ns]', freq='W-SUN')

给freq参数传递值 W 表示频率为周，freq也可以取M,H,S，分别表示频率为月，小时，秒

6 使用索引和切片

6.1 对Series

对Series的处理比较简单

s2 = pd.Series([30,35,40],["2015",'2016','2017'],name = "product")
s2

2015    30
2016    35
2017    40
Name: product, dtype: int64

s2[0:2]

2015    30
2016    35
Name: product, dtype: int64

s2['2015':'2017']
#用字段索引能取到最后一位

2015    30
2016    35
2017    40
Name: product, dtype: int64

也可以实用布尔索引

s2[s2>10]

2015    30
2016    35
2017    40
Name: product, dtype: int64

6.2 切片

#只能对行标签切片
data['股票_10':"股票_16"]

	2018-01-01 00:00:00	2018-01-02 00:00:00	2018-01-03 00:00:00	2018-01-04 00:00:00	2018-01-05 00:00:00
股票_10	0.557801	0.473664	0.582665	-0.299461	-0.033902
股票_11	-0.243855	0.088170	1.387076	-0.576887	-0.347604
股票_12	0.955494	0.941448	-1.250563	0.181785	-0.295580
股票_13	1.615077	1.992028	2.807582	0.031927	-0.578384
股票_14	1.495688	-1.232621	2.500242	-0.588503	0.710203
股票_15	-0.662319	1.762859	1.512863	-0.531929	-0.479495
股票_16	0.737356	0.489640	-1.328545	-0.078264	0.367667

#对位置切片也是对行切片等价
data[0:3]

	2018-01-01 00:00:00	2018-01-02 00:00:00	2018-01-03 00:00:00	2018-01-04 00:00:00	2018-01-05 00:00:00
股票_10	0.557801	0.473664	0.582665	-0.299461	-0.033902
股票_11	-0.243855	0.088170	1.387076	-0.576887	-0.347604
股票_12	0.955494	0.941448	-1.250563	0.181785	-0.295580

# len返回多少行
data[0:len(data)-1]

	2018-01-01 00:00:00	2018-01-02 00:00:00	2018-01-03 00:00:00	2018-01-04 00:00:00	2018-01-05 00:00:00
股票_10	0.557801	0.473664	0.582665	-0.299461	-0.033902
股票_11	-0.243855	0.088170	1.387076	-0.576887	-0.347604
股票_12	0.955494	0.941448	-1.250563	0.181785	-0.295580
股票_13	1.615077	1.992028	2.807582	0.031927	-0.578384
股票_14	1.495688	-1.232621	2.500242	-0.588503	0.710203
股票_15	-0.662319	1.762859	1.512863	-0.531929	-0.479495
股票_16	0.737356	0.489640	-1.328545	-0.078264	0.367667
股票_17	0.791995	-1.746620	-0.334844	-1.479356	-0.126097
股票_18	-1.779424	-1.672844	-0.902798	0.060155	0.669528

6.3 按照字段和数字索引

上面的方法是有很大的局限，使用起来并不方便，那么pandas库有没有更加简便的方法对DataFrame和Series进行选择和索引呢?

下面介绍两种方法：

• .loc 字段索引

• .iloc 数字索引

• ix 数字 字段混合索引ix方法，不过此方法已经过期，在未来会被移除，如果使用的话会出现warning

还是实用前面的df进行操作

	month	year	sale
0	1	2012	55
1	4	2014	40
2	7	2013	84
3	10	2014	31

df.loc[0,'year']

2012

df.loc[1,'sale']

40

df.loc[0:2]

	month	year	sale
0	1	2012	55
1	4	2014	40
2	7	2013	84

#列索引
df.loc[:,'month':'year']

	month	year
0	1	2012
1	4	2014
2	7	2013
3	10	2014

stock_data = pd.read_csv("./stock_day.csv")
stock_data

总结：

直接索引必须先列后行进行索引
new_data['open']['2018-02-26']

用loc索引既可先行后列，但必须按照名字索引

new_data.loc['2018-02-26','open']

一定要数字索引 使用iloc

new_data.iloc[1,0]

7 赋值操作

将open列数据全部赋值改变

new_data.open =100

new_data.iloc[1,0]=233

open	high	close	low	volume	price_change	p_change	turnover
2018-02-27	100	25.88	24.16	23.53	95578.03	0.63	2.68	2.39
2018-02-26	233	23.78	23.53	22.80	60985.11	0.69	3.02	1.53
2018-02-23	100	23.37	22.82	22.71	52914.01	0.54	2.42	1.32

8 排序

排序有对内容排序和对索引排序

8.1 对内容排序

使用df.sort_values(key=,ascending=)对内容进行排序

• 单个键或者多个键进行排序，默认升序

• ascending=False:降序

• ascending=True:升序

new_data.sort_values("high",ascending=False)

open	high	close	low	volume	price_change	p_change	turnover
2015-06-10	100	36.35	33.85	32.23	269033.12	0.51	1.53	9.21
2015-06-12	100	35.98	35.21	34.01	159825.88	0.82	2.38	5.47
2017-10-31	100	35.22	34.44	32.20	361660.88	2.38	7.42	9.05
2015-06-15	100	34.99	31.69	31.69	199369.53	-3.52	-10.00	6.82
2015-06-11	100	34.98	34.39	32.51	173075.73	0.54	1.59	5.92
2017-10-30	100	34.40	32.06	31.85	337772.31	-1.05	-3.17	8.45
2017-11-01	100	34.34	33.83	33.10	232325.30	-0.61	-1.77	5.81
2015-06-16	100	33.48	32.35	29.61	153130.61	0.66	2.08	5.24
2015-06-09	100	33.34	33.34	30.46	204438.47	3.03	10.00	7.00
2017-10-27	100	33.20	33.11	31.45	333824.31	0.70	2.16	8.35
2015-06-18	100	32.89	31.20	30.38	86382.05	-0.12	-0.38	2.96
2017-10-26	100	32.70	32.41	28.92	501915.41	2.68	9.01	12.56
2015-06-17	100	32.20	31.33	29.80	90811.36	-1.03	-3.18	3.11
2017-11-02	100	31.80	30.45	30.45	312481.06	-3.38	-9.99	7.82
2017-10-23	100	31.16	29.79	28.90	466494.47	1.46	5.15	11.68
2015-05-22	100	30.99	29.54	28.53	209382.62	1.32	4.68	7.17
2015-06-19	100	30.98	28.07	28.07	76310.31	-3.12	-10.00	2.61
2015-06-08	100	30.90	30.31	28.40	179868.05	2.12	7.52	6.16
2017-10-25	100	30.45	29.73	27.54	328947.31	1.68	5.99	8.23
2015-05-25	100	30.30	29.92	28.10	151819.52	0.38	1.29	5.20
2015-05-26	100	30.30	29.66	28.70	198210.12	-0.26	-0.87	6.78
2017-11-14	100	29.89	29.34	27.68	243773.23	1.10	3.90	6.10
2017-10-20	100	29.83	28.33	27.85	411570.12	1.17	4.31	10.30

当遇到有多个数据相同不好排序的时候，同时给两个条件这样当遇到相同时候看第二个索引比大小
new_data.sort_values(by=["high","p_change"],ascending=False)

open	high	close	low	volume	price_change	p_change	turnover
2015-06-10	100	36.35	33.85	32.23	269033.12	0.51	1.53	9.21
2015-06-12	100	35.98	35.21	34.01	159825.88	0.82	2.38	5.47
2017-10-31	100	35.22	34.44	32.20	361660.88	2.38	7.42	9.05
2015-06-15	100	34.99	31.69	31.69	199369.53	-3.52	-10.00	6.82
2015-06-11	100	34.98	34.39	32.51	173075.73	0.54	1.59	5.92
2017-10-30	100	34.40	32.06	31.85	337772.31	-1.05	-3.17	8.45
2017-11-01	100	34.34	33.83	33.10	232325.30	-0.61	-1.77	5.81
2015-06-16	100	33.48	32.35	29.61	153130.61	0.66	2.08	5.24
2015-06-09	100	33.34	33.34	30.46	204438.47	3.03	10.00	7.00
2017-10-27	100	33.20	33.11	31.45	333824.31	0.70	2.16	8.35
2015-06-18	100	32.89	31.20	30.38	86382.05	-0.12	-0.38	2.96
2017-10-26	100	32.70	32.41	28.92	501915.41	2.68	9.01	12.56
2015-06-17	100	32.20	31.33	29.80	90811.36	-1.03	-3.18	3.11
2017-11-02	100	31.80	30.45	30.45	312481.06	-3.38	-9.99	7.82
2017-10-23	100	31.16	29.79	28.90	466494.47	1.46	5.15	11.68
2015-05-22	100	30.99	29.54	28.53	209382.62	1.32	4.68	7.17
2015-06-19	100	30.98	28.07	28.07	76310.31	-3.12	-10.00	2.61
2015-06-08	100	30.90	30.31	28.40	179868.05	2.12	7.52	6.16
2017-10-25	100	30.45	29.73	27.54	328947.31	1.68	5.99	8.23
2015-05-25	100	30.30	29.92	28.10	151819.52	0.38	1.29	5.20
2015-05-26	100	30.30	29.66	28.70	198210.12	-0.26	-0.87	6.78
2017-11-14	100	29.89	29.34	27.68	243773.23	1.10	3.90	6.10
2017-10-20	100	29.83	28.33	27.85	411570.12	1.17	4.31	10.30

8.2 对索引改变为从小到大

new_data.sort_index().head()

	open	high	close	low	volume	price_change	p_change	turnover
2015-03-02	100	12.67	12.52	12.20	96291.73	0.32	2.62	3.30
2015-03-03	100	13.06	12.70	12.52	139071.61	0.18	1.44	4.76
2015-03-04	100	12.92	12.90	12.61	67075.44	0.20	1.57	2.30
2015-03-05	100	13.45	13.16	12.87	93180.39	0.26	2.02	3.19
2015-03-06	100	14.48	14.28	13.13	179831.72	1.12	8.51	6.16

8.3 对Series排序

取其中一列

s2 =new_data["price_change"]
s2

简单一点，因为直接就只有一values
s2.sort_values(ascending=False)

s2.sort_index()

9 DataFrame运算与统计

9.1 使用describe完成综合统计

new_data.describe()

	open	high	close	low	volume	price_change	p_change	turnover
count	643.000000	643.000000	643.000000	643.000000	643.000000	643.000000	643.000000	643.000000
mean	100.206843	21.900513	21.336267	20.771835	99905.519114	0.018802	0.190280	2.936190
std	5.245008	4.077578	3.942806	3.791968	73879.119354	0.898476	4.079698	2.079375
min	100.000000	12.670000	12.360000	12.200000	1158.120000	-3.520000	-10.030000	0.040000
25%	100.000000	19.500000	19.045000	18.525000	48533.210000	-0.390000	-1.850000	1.360000
50%	100.000000	21.970000	21.450000	20.980000	83175.930000	0.050000	0.260000	2.500000
75%	100.000000	24.065000	23.415000	22.850000	127580.055000	0.455000	2.305000	3.915000
max	233.000000	36.350000	35.210000	34.010000	501915.410000	3.030000	10.030000	12.560000

9.2 使用idxmin、idxmax完成最大值最小值的索引

返回最大值和最小值位置

new_data.idxmax()

open            2018-02-26
high            2015-06-10
close           2015-06-12
low             2015-06-12
volume          2017-10-26
price_change    2015-06-09
p_change        2015-08-28
turnover        2017-10-26
dtype: object

9.3 使用cumsum等实现累计分析

#累计统计函数 计算前面几行累加结果
new_data["p_change"].sort_index().cumsum().plot()

new_data.plot("p_change","turnover","scatter")

9.4 算术运算

new_data["open"]+10

2018-02-27    110
2018-02-26    243
2018-02-23    110
2018-02-22    110
2018-02-14    110
2018-02-13    110
2018-02-12    110
2018-02-09    110
2018-02-08    110
2018-02-07    110
2018-02-06    110

9.5 逻辑运算函数 query() isin()

应用query实现数据的筛选

应用isin实现数据的筛选

• query() 查找满足条件的元素
• isin() 判断某元素是否在数列中

#直接输入条件字符串
new_data.query("high>24")

open	high	close	low	volume	price_change	p_change	turnover
2018-02-27	100	25.88	24.16	23.53	95578.03	0.63	2.68	2.39
2018-01-30	100	24.08	23.83	23.70	32420.43	0.05	0.21	0.81
2018-01-29	100	24.63	23.77	23.72	65469.81	-0.73	-2.98	1.64
2018-01-26	100	24.74	24.49	24.22	50601.83	0.11	0.45	1.27
2018-01-25	100	24.99	24.37	24.23	104097.59	-0.93	-3.68	2.61

new_data["turnover"].isin([4.19])

2018-02-27    False
2018-02-26    False
2018-02-23    False
2018-02-22    False
2018-02-14    False
2018-02-13    False
2018-02-12    False
2018-02-09    False
2018-02-08    False
2018-02-07    False
2018-02-06    False

9.6 布尔索引

应用逻辑运算符号实现数据的逻辑筛选

布尔索引

new_data[new_data["open"]>100]

	open	high	close	low	volume	price_change	p_change	turnover
2018-02-26	233	23.78	23.53	22.8	60985.11	0.69	3.02	1.53

9.7 min max

1. 使用max完成最大值计算

#按列
new_data.max()

open               233.00
high                36.35
close               35.21
low                 34.01
volume          501915.41
price_change         3.03
p_change            10.03
turnover            12.56
dtype: float64

2-09 False
2018-02-08 False
2018-02-07 False
2018-02-06 False

### 9.6 布尔索引 

应用逻辑运算符号实现数据的逻辑筛选

布尔索引

`new_data[new_data["open"]>100]`

|            | open |  high | close |  low |   volume | price_change | p_change | turnover |
| ---------: | ---: | ----: | ----: | ---: | -------: | -----------: | -------: | -------: |
| 2018-02-26 |  233 | 23.78 | 23.53 | 22.8 | 60985.11 |         0.69 |     3.02 |     1.53 |

### 9.7 min max 

1. 使用max完成最大值计算 

#按列
new_data.max()

open 233.00
high 36.35
close 35.21
low 34.01
volume 501915.41
price_change 3.03
p_change 10.03
turnover 12.56
dtype: float64