重新索引：
obj = pd.Series([1,2,3])
obj2 = obj.reindex(index=[3,3,1,4])
obj2 输出：
3    NaN
3    NaN
1    2.0
4    NaN
dtype: float64

重新索引的新索引在 obj 中不存在，就补NaN, 存在就使用，多余的就不要了，而且按照顺序
--------------------------------------------------------------------------------
如果指定的索引原索引中不存在，那么values 就会补充 NaN, 那能不能补充一点其他的呢
这时需要做一些插值处理。method选项即可达到此目的，例如，使用ffill可以实现前向值填充

obj = pd.Series([1,2,3])
obj2 = obj.reindex(range(8), method='ffill')
obj2 输出：
0    1
1    2
2    3
3    3
4    3
5    3
6    3
7    3
dtype: int64

ffill 如果当前没有值，那么使用前值填充本数据，索引3没有值，使用前值填充......
--------------------------------------------------------------------------------
import numpy as np
frame = pd.DataFrame(np.arange(9).reshape((3, 3)),index=['a', 'b', 'c'], 
                     columns=['col1', 'col2', 'col3'])
frame

# 可以对行索引 还能对 列索引进行重新索引呢
frame.reindex(index=['d', 'c', 'b', 'a'], columns=['col3', 'col2', 'col1', 'col4'])
--------------------------------------------------------------------------------
reindex 方法的参数：
index:      新的索引
method      插值(填充)方式
fill_value  缺失值时的替代值
limit       向前或者向后填充的最大填充量
tolerance   向前后填充值时，填充不准确匹配项的最大间距
level       在 MultilIndex的指定级别上匹配简单索引，否则选取其子集
copy        默认 True, 无论如何都复制，False 新旧相同就不复制
--------------------------------------------------------------------------------
删除数据：
obj = pd.Series([1,2,3,4,5,6])
obj.drop(1)
obj.drop([1,2])
#obj.drop([1,2, 10])   Error 因为没有 10 这个索引
删除 指定索引的数据，返回一个新的不包含被删数据的数据， 原数据不会变化
================================================================================
frame = pd.DataFrame(np.arange(9).reshape((3, 3)),index=['a', 'b', 'c'], 
                     columns=['col1', 'col2', 'col3'])
frame.drop(['b', 'c'], axis=0)   # axis=0 不指定默认是0， 即从索引上找
frame.drop(['col1'], axis=1)     # axis=1 在columns 上找删除的东西，
# frame.drop(['col1111'], axis=1)  # columns 上没有 col1111 ，报错， 即删除一个不存在就报错

不指定 axis=0 或者 1，不好记，可以这样，就是麻烦
frame.drop(['b', 'c'], axis='index')
frame.drop(['col1'], axis='columns')

删除数据改变了原数据的结构，所以返回一个新的数据，而之前的数据并没有改变，
如果想要在原数据上改，不是返回新的，可以重新赋值(不推荐)，也可以这样：
frame.drop(['col1'], axis='columns', inplace=True)   # 谨慎使用，会破坏原数据
--------------------------------------------------------------------------------
obj = pd.Series([1,2,3,4,5], index=[5,4,3,2,1])
obj2 = pd.Series([1,2,3,4,5], index=['a', 'b', 'c', 'd', 'e'])

索引是数字类型，那么 obj[1]  obj[[1,2]] obj[1:2] 就是按照索引查找
索引不是数字类型的。obj2[2]  obj2[[1,2]]  obj2[1:3]  数值是位置。 还能按索引： obj2[['a', 'd']]
这样的切片： obj2['a': 'd'] 输出：(注意是前后都包含的)
a    1
b    2
c    3
d    4
dtype: int64

按值索引：下面两个都是输出 值满足条件的数据
obj[obj>3]
obj2[obj2>3]
--------------------------------------------------------------------------------
frame = pd.DataFrame(np.arange(9).reshape((3, 3)),index=['r1', 'r2', 'r3'], 
                     columns=['c1', 'c2', 'c3'])
                     
frame['r1']  # ERROR 不能对行这样索引， 只能像下面那样对列获取
frame['c1']
frame[['c1', 'c2']]

但是对行的切片是可以的：
frame['r1':'r2']   # 对行索引，前闭 后也闭
frame[1:2]         # 对行的切片，因为索引现在不是数值，所以是位置切片， 前闭后开的

对内容索引：
frame[frame['c1'] > 3]

修改内容：
frame = pd.DataFrame(np.arange(9).reshape((3, 3)),index=['r1', 'r2', 'r3'], 
                     columns=['c1', 'c2', 'c3'])
frame> 4 输出：
      c1	c2	c3
r1	False	False	False
r2	False	False	True
r3	True	True	True   

frame[frame > 4] = 99       
frame 输出：
    c1	c2	c3
r1	0	1	2
r2	3	4	99
r3	99	99	99
--------------------------------------------------------------------------------
对于DataFrame的行的标签索引，引入了特殊的标签运算符loc和iloc
使用轴标签（loc）或整数索引（iloc）

frame.loc['r1', ['c1', 'c3']]
frame.loc[['r1', 'r2'], ['c1', 'c3']]

# 前面两个是 index 的位置索引， 后面是 columns 的位置索引
frame.iloc[[0,2], [1, 2]]

使用切片：
frame.loc['c1':'c2']                # 返回了 空，因为没有选择行
frame.loc[:, 'c1':'c2']             # 所有行的指定列
frame.loc['r1':'r2', 'c1':'c2']     # 指定行的指定列
frame.loc['r1':]                    # 不指定列，就是全部列

frame.loc['r1':'r2', 'c1':'c2'][frame.c3 > 2]    # 内容再次检索，会有警告，因为数据可能不同型了
--------------------------------------------------------------------------------
DateFrame df 的方法
df[x]
df.loc
df.iloc
df.at
df.iat
df.reindex
df.get_value
df.set_value
================================================================================
算术运算和数据对齐
--------------------------------------------------------------------------------
Series 相加， index 相同的会相加，取并集， 一个 series 有某个index, 另一个没有，
取并集，时相加 就是一个数据和 NAN 相加，结果是 NAN

s1 = pd.Series([1,2,3], index=('a', 'b', 'c'))
s2 = pd.Series([1,2,3], index=( 'b', 'c', 'd'))
s1 + s2 输出：
a    NaN
b    3.0
c    5.0
d    NaN
dtype: float64

但是相减为什么是这样呢？相减也是索引取并集，相同索引的相减，数组和 NA运算得到NA
s1 - s2 输出：个人理解是 s1 的index 保留，s2 不在s1中的索引不应该出现，但不是这样的。 为什么这样
a    NaN
b    1.0
c    1.0
d    NaN
dtype: float64
--------------------------------------------------------------------------------
DataFrame 相加时 index 和 column 都是这样的处理
--------------------------------------------------------------------------------
df1 = pd.DataFrame(np.arange(12.).reshape((3, 4)),columns=list('abcd'))
df2 = pd.DataFrame(np.arange(20.).reshape((4, 5)),columns=list('abcde'))
df2.loc[1,'b'] = np.nan
df1 + df2 输出：
     a	  b	     c	    d	    e
0	   0.0	2.0	   4.0	 6.0	  NaN
1	   9.0	NaN	   13.0	 15.0	  NaN
2	   18.0	20.0	 22.0	 24.0	  NaN
3	   NaN	NaN	   NaN	 NaN	  NaN

只要没有对的上的数就是 NAN， 和 NAN 运输的还是 NAN
这时可以指定如果没有对应上的，不再是 NAN, 而是指定默认值，让存在和数据和默认值计算

df2.add(df1, fill_value=0)   # 连我们故意设置成 NAN 的也有默认值计算
输出：
  a	    b	   c	  d	     e
0	0.0	  2.0	 4.0	 6.0	 4.0
1	9.0	  5.0	 13.0	 15.0	 9.0
2	18.0	20.0	22.0	24.0	14.0
3	15.0	16.0	17.0	18.0	19.0
--------------------------------------------------------------------------------
这样的方法还有：r 表示反转，  a.add(b) => a+b      相当于  b.radd(a) => a + b
add       radd
sub       rsub
div       rdiv
floordiv  rfloordiv   除法，得到整数
mul       rmul        乘法
pow       rpow        指数 x**y
--------------------------------------------------------------------------------
df1.reindex(columns=df2.columns, fill_value=0)
输出：
	a	b	c	d	e
0	0.0	1.0	2.0	3.0	0
1	4.0	5.0	6.0	7.0	0
2	8.0	9.0	10.0	11.0	0
--------------------------------------------------------------------------------

>> 目录 <<