参考链接：http://blog.csdn.net/yhb315279058/article/details/50226027
DataFrame类：
DataFrame有四个重要的属性：
index：行索引。
columns：列索引。
values：值的二维数组。
name：名字。
这个类是Pandas最重要的类之一。
| 构建方法，DataFrame(sequence)，通过序列构建，序列中的每个元素是一个字典。 | |
| frame=DateFrame构建完之后，假设frame中有'name','age','addr'三个属性，可以使用fame['name']查看属性列内容，也可以fame.name这样直接查看。 | |
| frame按照'属性提取出来的每个列是一个Series类。 | |
| DataFrame类可以使用布尔型索引。 | |
groupby(str|array...)函数：可以使用frame中对应属性的str或者和frame行数相同的array作为参数还可以使用一个会返回和frame长度相同list的函数作为参数，如果使用函数做分组参数，这个用做分组的函数传入的参数将会是fame的index，参数个数任意。使用了groupby函数之后配合,size()函数就可以对groupby结果进行统计。
| |
| reindex(index,column,method)：用来重新命名索引，和插值。 | |
| size()：会返回一个frame，这个frame是groupby后的结果。 | |
sum(n).argsort()：如果frame中的值是数字，可以使用sum函数计算frame中摸个属性，各个因子分别求和，并返回一个Series，这个Series可以做为frame.take的参数，拿到frame中对应的行。 | |
| pivot_table(操作str1,index=str2,columns=str3,aggfunc=str4)透视图函数： str1：是给函数str4作为参数的部分。 str2：是返回frame的行名。 str3：是返回frame的列名。 str4：是集合函数名，有'mean','sum'这些，按照str2，str3分组。 使用透视图函数之后，可以使用.sum()这类型函数，使用后会按照index和columns的分组求和。 | |
| order_index(by,ascending): 返回一个根据by排序，asceding=True表示升序，False表示降序的frame | |
| concat(list)：将一个列表的frame行数加起来。 | |
| ix[index]：就是行索引，DataFrame的普通下标是列索引。 | |
| take(index)：作用和ix差不多，都是查询行，但是ix传入行号，take传入行索引。 | |
| unstack()：将行信息变成列信息。 | |
| apply(func，axis=0)和applymap(func)：apply用在DataFrame会默认将func用在每个列上，如果axis=1表示将func用在行上。applymap表示func用在每个元素上。 | |
| combine_first(frame2)：combine_first会把frame中的空值用frame1中对应位置的数据进行填充。Series方法也有相同的方法。 | |
| stack()函数，可以将DataFrame的列转化成行，原来的列索引成为行的层次索引。（stack和unstack方法是两个互逆的方法，可以用来进行Series和DataFrame之间的转换） | |
| duplicated()：返回一个布尔型Series，表示各行是否重复。 | |
| drop_duplicates()：返回一个移除了重复行后的DataFrame | |
| pct_change()：Series也有这个函数，这个函数用来计算同colnums两个相邻的数字之间的变化率。 | |
| corr()：计算相关系数矩阵。 | |
| cov()：计算协方差系数矩阵。 | |
| corrwith(Series|list,axis=0)：axis=0时计算frame的每列和参数的相关系数。 |
Series类：
两个重要的属性：
value：存放series值的一个数组。
index：Series的下标索引。
name：就是Series的名字
index有一个name属性。
| 可以通过Series(list,index=None)的形式来创建一个Series类，index表示的是用下标访问对应的数据。 也可以直接使用字典创建Series(dict) |
| value_counts()：该方法可以用来统计series类中各因子出现的次数，返回一个带统计结果的series。 |
| fillna(str)：给series中的空值赋值。 |
| plot()函数：可以用来给带统计结果的函数画图。但是要配合matplotlib使用 |
| notnull()：返回一个判断series位置是否空值的布尔型索引。 |
| sum()：如果是数字型Series，可以求和。 |
| cumsum()：如果是数字型Series，可以返回一个累加的Series。 |
| searchsorted()：在数字Series中定位一个数字的位置，这个数字不完全相同，但接近。 |
| map(func)：将Series中的元素，每个都当做func的参数使用一遍，返回执行结果组成的Series |
| unique()：类似于sql中的distinct |
| isnull()/notnull()：返回一个布尔型索引 |
| order()：对值进行排序。 |
| order_value()：对索引进行排序。 |
| unstack()方法：将Series的层次索引转换成列索引，变成一个DataFrame。 |
| replace()：可以用list或dict作为参数，替换需要替换的值 |
| str属性：Series.str后会将Series单做一个字符串的集合，这个集合能够使用字符串的操作，例如： data=Series(['abc','bcd','cde']) data.str[1] 输出; 1 b 2 c 3 d |
read_table()函数：读dat文件。
import pandas as pd
mnames=['movie_id','title','genres']
movies=pd.read_table(r'C:\Users\Administrator\Desktop\python for
data analysis
data\pydata-book-master\ch02\movielens\movies.dat',sep='::',header=None,names=mnames)
data analysis
data\pydata-book-master\ch02\movielens\movies.dat',sep='::',header=None,names=mnames)
read_csv()函数：可以将frame文件直接读成frame。
movies=pd.read_csv(r'names\job1880.txt',names=column)
read_csv函数有一个sep参数，设置分隔符，可以给这个参数传入正则表达式。
skiprows参数，参数是一个list，表示读取文件的时候，跳过list中的几行，第一行为0
read_excel()函数
可以直接读取excel文件为DataFrame
merge(frame1,frame2)：
根据两个frame列的名字自动合并，返回一个frame。
此函数可以通过on，left_on，right_on三个属性来设置怎么frame1和frame2通过什么属性来进行连接。
concat函数：
可以将DataFrame或者Series按照axis的方向堆积起来。
cut函数和qcut函数：
可以将一些离散值分箱，cut函数用的是数值区间将数值分箱，qcut用的是分位数。
cut用在长度相等的桶，qcut用在大小相等的桶。
to_datetime(str):
解析常用的时间格式。
date_range函数：
产生时间序列。