Pandas的运算方法及缺失值

Pandas基于Numpy，相应的运算也是基于Numpy的运算，只不过多了⼀些Pandas的内容，比如运算
结果保留索引和列标签，传递通用函数的时候会自动对齐索引等。

对通用函数保留索引和列标签

import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randint(100, size=(3,5)), columns=["A", "B", "C",
"D", "E"])
print("df=\n", df)
#如果对df使⽤通用函数，成成的结果是保留索引和列标签的
df2 = np.exp(df)
print("df2 \n", df2)

df=
 A B C D E
0 77 86 86 53 98
1 56 92 27 0 83
2 6 66 7 54 44
df2
 A B C D E
0 2.758513e+33 2.235247e+37 2.235247e+37 1.041376e+23 3.637971e+42
1 2.091659e+24 9.017628e+39 5.320482e+11 1.000000e+00 1.112864e+36
2 4.034288e+02 4.607187e+28 1.096633e+03 2.830753e+23 1.285160e+19

自动对齐索引

在对Series或者DataFrame进行二元运算的时候， Pandas会在计算过程中对齐两边索引，这对于不完
整数据的处理极其重要。
在运算⼯程中，对于缺失值的处理采用默认缺失值处理方法，⼀般是添加NaN。如果想指定缺失值的填充内容，需要：

• 采用Pandas的运算方法，而不是使用运算符
• fill_value参数代表填充的内容
  在指定fill_value的时候，需要注意点是，此时是先对参与运算的数据进⾏缺省值处理，然后才运算，这
  样很多因为一方是NaN而最终结果也是NaN的运算因为换了缺省值而能够正常运算。而不是先运算，得
  到缺省值后再处理。
  最终结果的索引内容是两个运算索引的并集。

Series的索引自动对齐

# 此处对于缺失值的处理采⽤默认⽅法，即对于⼆元运算⽅法
# 只要由⼀⽅没有数据，则⽤NaN填充，任何数据与NaN运算结果都是NaN
s1 = pd.Series({
   "A": 1, "B":2, "C":3, "D":4, "E":5}, name="ONE")
s2 = pd.Series({
    "D":4, "E":5, "F":6, "G":7}, name="TWO")
# 采⽤运算符，此时缺失值只能使⽤默认的值
print("s1 + s2 =\n", s1 + s2)
# 想更换缺失值的处理内容，需要⽤到pandas的运算⽅法和fill—value参数
print(