pandas基本功能（续2）

函数应用和映射

NumPy的ufuncc（元素级数组方法）也可用于操作pandas对象:

另一个常见的操作是，将函数应用到由各列或行所形成的一维数组上。DataFrame的apply方法即可实现此功能：

许多最为常见的数组统计功能都能被实现成DataFrame的方法（如sum和mean），因此无需使用apply方法。
除标量值外，传递给apply的函数换可以返回由多个值组成的Series:

此外，元素级的Python函数也是可以用的。下面是得到frame中各个浮点值得格式化字符串，使用applymap即可：

之所以叫做applymap，是因为Series有一个用于应用元素级函数的map方法：

排序和排名

根据条件对数据集排序（sorting）也是一种重要的内置运算。要对行或列索引进行排序（按字典顺序），可使用sort_index方法，它将返回一个已排序的新对象：

面对于DataFrame，则可以根据任意一个轴上的索引进行排序：

数据默认是按升序排序的，但也可以降序排序：

在DataFrame中，可以对一个多个列中的值进行排序。将一个或多个列的名字传递给by选项即可达到该目的：

要根据多个列进行排序，传入名称的列表即可：

排序（ranking）跟排序关系密切，且它会增设一个排名值（从1开始，一直到数组中有效数据的数量）。它跟numpy.argsort产生的间接排序索引差不多，只不过它可以根据某种规则破坏平级关系。接下来介绍Series和DataFrame的rank方法。默认情况下，rank是通过“为各组分配一个平均排名”的方式破坏平级关系：

也可以根据值在原数据中出现的顺序给出排名：
obj.rank(method='first')
也可以进行降序进行排名：
obj.rank(ascending=False,method='max')

DataFrame可以在行或列上计算排名：

排名时用于破坏平级关系的method选项
method	说明
average	在相等分组中，为各个值分配平均排名
min	使用整个分组的最小排名
max	使用整个分组的最大排名
first	按值在原始数据中的出现顺序分配排名

带有重复值的轴索引

虽然许多pandas函数都要求标签统一，但这并不是强制性的。

索引的is_unique属性可以告诉你它的值是否唯一的：
obj.index.is_unique

对于带有重复值的索引，数据选取的行为将会有些不同。如果某个索引值对应多个值，则返回一个Series，而对应单个值的，则返回一个标量值。

对DataFrame的行进行索引时也是如此：