pd.cut
max_vakue=df["market_value"].max()
min_vakue=df["market_value"].min()
bins1=[min_vakue,500,1000,1500,max_vakue]
df["占有率"]=pd.cut(df["market_value"],bins=bins1,labels=["无存在度","占有率-低","占有率-中","占有率-高"])
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/557b5f60c5724280e00688646323eb01.png)
pd.qcut() --平均划分
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/47087109bddc1b2e78c3564030d96f76.png)
.value_counts() 每个值得分组统计(groupbykey)
df["占有率"].value_counts()
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/12263db17b3543069898da4989d3c8b1.png)
长宽表转换–【方法一】将数据进行堆叠后压平处理
df1 =pd.read_excel(r"F:\数据挖掘\内容\第0章 课时 1 学员须知\课时 2 课程讲义及学习资料\data\2015_2017年A股公司净利润增长率.xlsx",skipfooter=2)
df1=df1.set_index(["code","name"])
df1.stack().reset_index()
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/aad1968a454eaec19b75c940b5312625.png)
长宽表转换–【方法2】melt 函数
df1.melt(id_vars=["code","name"])
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/5e414d35eddb5f059977a11a728d836b.png)
错位相减求增长率–pct_change()
df.set_index("日期").pct_change()
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/251abf2d462a8dcd34e0fc0fe32715ba.png)
移动平均/求和 --rolling(X)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/ed1e46b52b738a48523c712e286815b5.png)