def get_not_null_data(data, col):
    data = data[(data[col].notnull()) & (data[col] != "")]
    return data

obj = Series([1,2,3,4],index = [‘a(chǎn)','b','c','d'])  #通過(guò) index 參數(shù)顯示指定索引
obj.index obj.values        #單獨(dú)獲取 Series 對(duì)象的索引或者數(shù)組內(nèi)容

obj*2 obj+1 obj[obj>10]#對(duì)Series對(duì)象的運(yùn)算（索引不變）

DataFrame(data,columns = [‘col0','col1','col2'])#傳入columns參數(shù)指定列的順序

date_index = pd.date_range('11/19/2017', periods=10, freq='D')

e.gobj1 = obj.reindex([‘a(chǎn)','b','c'],fill_value = 0)

#fill_value 會(huì)讓所有的缺失值都填充為同一個(gè)值，如果不想這樣而是用相鄰的元素（左或者右）的值填充，則可以用 method 參數(shù)，可選的參數(shù)值為 ffill 和 bfill，分別為用前值填充和用后值填充。
e.g obj2 = obj.reindex(range(6),method = ‘ffill')

data.drop([‘idx1','idx2'])#刪除行
data.drop([‘col1','col2'],axis = 1) #添加axis參數(shù)刪除列

df.loc[index,column_names]#知道column names 和index,且兩者都很好輸入
df.iloc[index,col_index]#column_name太長(zhǎng)；index是時(shí)間序列不好輸入 i_index

data.ix[‘idx',[‘col1','col2']]
data.ix[2] #第2行
data.ix[data.col1<5,:3] # data.col1<5的前2列

df1+df2    #會(huì)出現(xiàn)NaN
df1.add(df2,fill_value = 0)#無(wú)NaN

df1.astype(np.int32)
df2.apply(f)  #f = lambda x:x+1

df.sort_index(ascending = False)frame.sort_index(axis = 1)
Series: obj.sort_values()obj.sort_index()

obj.rank(ascending = False) #索引位上的數(shù)的排名

obj.index.is_unique#False

df.sum()  #縱向匯總（行求和） aixs=1為橫向匯總
df.cumsum()  #縱向匯總_累計(jì)匯總
df.idxmax()  #獲取最大值對(duì)應(yīng)的索引
obj.unique()  #返回?cái)?shù)據(jù)里的唯一值array
obj. value_counts()#統(tǒng)計(jì)各值出現(xiàn)的頻率,返回Series索引為值
obj. isin([‘c'])#判斷成員資格，在原表基礎(chǔ)上修正為bool

data.dropna()  #返回一個(gè)包含非空數(shù)據(jù)和索引值的表，等價(jià)于data[data.notnull()]
data.dropna(how = ‘a(chǎn)ll')  #只有行里的數(shù)據(jù)全部為空時(shí)才丟棄,axis=1按列丟棄

df.fillna(0)  #用默認(rèn)值填充缺失數(shù)據(jù)
df.fillna({0:10,1:20,2:200})#可以傳入字典對(duì)不同的列填充不同的值(鍵表示列)

data[‘a(chǎn)'] #以外層索引的方式選擇數(shù)據(jù)子集
data[:,2] #以內(nèi)層索引的方式選擇數(shù)據(jù)
data.unstack() #多重索引Series轉(zhuǎn)換為DataFrame，第二層索引為列

df. swaplevel(‘idx1_name', ‘idx2_name')#將兩個(gè)級(jí)別的數(shù)據(jù)進(jìn)行交換
df. sortlevel(0,ascending = False)#以行按第一層(0)進(jìn)行排序
df. sortlevel(1,ascending = False，axis=1)#列按第二層(1)進(jìn)行排序

df.sum(level='idx1_name')

pd.merge(df1,df2,on='col_coname') #以col_coname列當(dāng)作鍵，默認(rèn)內(nèi)連接（inner）,即鍵的交集
pd.merge(df1,df2,on='col_coname',how=‘left')#左連接(left)，右連接(right)和外連接[并集](outer)
left.join(right) #以索引作為連接鍵

pd.concat([s1,s2,s3]) #默認(rèn)concat在豎軸(axis=0)上連接，即產(chǎn)生新的Series。

s1.combine_first(s2) #等價(jià)于np.where(pd.isnull(s1),s2,s1)

df.pivot(‘col1','col2','col3') 

df.duplicated() #檢測(cè)各行是否重復(fù)，默認(rèn)判斷全部列，默認(rèn)保留第一個(gè)出現(xiàn)的值
df.duplicated([‘col1'])   #判斷指定列
df.drop_duplicates() #丟棄重復(fù)行
df.drop_duplicates(keep=‘lost') #或傳入take_last=True保留最后一個(gè)值

data[‘new_col'] = data[‘col1'].map(col1_to_new_col)#map到一個(gè)dict
data[‘col1'].map(lambda x: col1_to_new_col[x]) #等價(jià)于使用函數(shù)

data.replace(value,np.nan)
data.replace([value1, value2],[ np.nan,0])

data.rename(index=str.title,columns=str.upper)

scores=[40,54,60,85,87,81]
score_levels=[0,60,80,95]
cats = pd.cut(scores,score_levels) #輸出內(nèi)容為區(qū)間的列表
pd.value_counts(cats) #統(tǒng)計(jì)區(qū)間個(gè)數(shù)

data.decsribe() #產(chǎn)生數(shù)據(jù)的count,mean,std,min…
data[np.abs(data)>2] #找出絕對(duì)值大于2的值,不滿足的為nan
data[np.abs(data)>2.any(1)] #找出絕對(duì)值大于2的行
data[np.abs(data)>2]=0 #將異常值設(shè)置為0