Python数据科学手册-Pandas:数值运算方法

Numpy 的基本能力之一是快速对每个元素进行运算

Pandas 继承了Numpy的功能，也实现了一些高效技巧。

• 对于1元运算，（函数，三角函数）保留索引和列标签
• 对于2元运算，（加法，乘法），Pandas 会自动对齐索引进行计算。

通用函数：保留索引

对ser对象或 df对象使用Numpy通用函数，生成的结果是另一个保留索引的Pandas对象。

通用函数： 索引对齐

当Series 或 DataFram对象进行二元计算，会对齐俩个对象的索引

当处理不完整的额数据时，这一点非常方便

Series索引对齐

俩个相除



结果数组索引是：俩个输入数组索引的并集，

对于确实位置的数据，Pandas会用NaN填充，表示此处无数。

DataFrame索引对齐

A + B

行列索引的顺序可以不同。结果的索引会自动按顺序排列。

可以通过fill_value 参数自定义缺失值，注意：fill_value填充在A上，然后与B相加，不是运算之后再填fill_value.

DataFrame 与 Series的运算

需要对一个DataFrame和一个Series运算，行列对齐方式与之前类似， 与Numpy 二维数组与一维数组的运算规则是一样的。

广播。

numpy 二维数组和一维数组计算



默认按行运算。

Pandas也是默认按行运算



按列计算，使用axis参数。

处理缺失值

缺失值三种形式：null NaN NA

识别缺失值的方法：

1）覆盖全局的掩码

2）用一个标签值

Pandas的缺失值

综合考量：Pandas最终选择标签方法表示缺失值。 浮点数据类型的NaN值，以及None对象。

• None: Python对象类型的缺失值
  
  由于None是一个Python对象，所以不能作为任何Numpy/Pandas数组类型的缺失值。
  
  Python中没有定义None和整数之间的加法运算
• NaN:数值类型的缺失值
  
  NaN: not a number. 任何系统中都兼容的特殊浮点数
  
  

NaN是一个数据类病毒，会同化和它接触的数据， 进行何种操作，结果都是NaN

Numpy也提供了特殊的累计函数，可以忽略缺失值的影响

np.nansum() nanmin() nanmax()

处理缺失值

• 发现缺失值 isnull() notnull()
  
  
  
  isnull() 创建一个布尔类型的掩码标签 缺失值
  
  
  
  notnull() 与 isnull()相反

布尔类型掩码数组可以直接作为Series或DataFrame的索引使用

• 剔除缺失值 dropna()
  
  
  
  DataFrame 不太一样哦。
  
  
  
  我们没法从datafram单独剔除一个值。要么是整行，要么是整列。
  
  dropna()会剔除任何包含缺失值的整行数据
  
  
  
  剔除列，axis=1 or axis = 'columns'
  
  
  
  行或列全部是缺失值 剔除使用how=any,
  
  
  
  根据缺失值的数量 使用thresh 参数， 行或列中非缺失值的最小数量
  
  

• 填充缺失值 fillna()
  
  
  
  使用0来填充缺失值
  
  
  
  从前往后填充
  
  
  
  从后往前填充
  
  

DataFrame一行。只是需要设置坐标轴参数

axis=1 代表行。

axis=0 代表列。 我去。。。。