前言
本章内容主要记录了4周内的Quiz遇到的一些值得注意的点。
一、Quiz1
??本题需要注意的点是，在np的array矩阵中，我们发现reshape中，加不加第二个参数是有区别的，我们来看一下：
??可以发现，np中(400,)和(400,1)存在较大的区别，后者就在运算时产生广播效应，前者不会，这是因为，在(400,)中，意思是一维数组，共400个元素，而在(400,1)中，是二维数组，每一行有一个元素，共400行。也可以从形成的角度来看为什么是这样：
??这里要注意随机数生成中第二个参数表示产生的列数，且np.linspace的第三个参数是整个数组元素的个数，而np.array的第三个参数是数字元素之间的差，第二个元素是不好包含在内的就可以了
??'^’在开头是Anchors位置符，在正则规则中是否定符
??贪婪模式下会匹配尽可能多的字段
??\s不仅仅包含空格，它也可以用于识别文本末尾的不间断空白符号\xa0，或者全角空白符等等，例如：
??区分’?=’ ‘?<=’ ‘?!’ ‘?<!=’，正则规则可见本文第三章
二、Quiz2
??np.nan不等于np.nan,np.nan也不等于None,np.nan is None也是错误的，nan只能用np.isnan()来判断
3.
??这里是要选错误的，rename返回的是df的一个副本，记得要’保存’或者用inplace=True
??df.where不会删除nan的行，会输出nan
??类数组对象 (array-like object)可以用于创建Series，dict、array、Series可以创建DataFrame
??drop函数默认的参数是index，如果要删除columns需要写axis=1
??loc查询的是index的值，iloc查询index的位置
??区分method（意思是功能或函数，一般后面会加括号，可以传入参数）和attribute(属性，不能传入参数)
??boolean mask操作符是&(和)或者|(或)，这里第三项只能得到boolean mask，不能得到df矩阵
如果要查询DataFrame中某行的数据，可以用.loc或者直接转置过来后当列名来直接取，可见本文2.3章
三、Quiz3
merge函数的使用可见本文1.1章
apply函数的使用可见本文第2章
3.
4.
数据透视表可见本文第5章
11.29日周四，月末11月30日周五
分组后用每一组的平均值来填充平均值。
用dict实现对不同列进行不同的聚合函数
9
10.
??groupby()内的参数可以是单一列名或者列名的list，默认值axis=0，按一列中不同的行属性分组
四、Final Quiz
??re.split()分割后不会保留用于分割的值，长度为3，re.match()和re.search()返回re.Match object，多用于做bool值，也可以在上面找到匹配值和所在位置span，这个object不可以作用len()函数，也不是boolean值，但可以放在if语句中直接充当boolean值：
import re
s = 'ABCAC'
if re.match('A', s) :
print(1)
--Outputs:
1
??正则规则中.表示匹配所有字符，?=表示匹配后面的字符但不保存A{3}表示只匹配AAA
??Series的省略模式可以直接表示index位置或者index值。
??例如，df[0]既可以匹配第0位置上的值，也可以匹配index为0的值，但当index为数字时，pandas会匹配index的值而不是位置，如下，我们看到a[1]在其中无法再匹配1这个位置上的值，二a[0]也只能匹配index为0的值。
??df.index得到的是df的index属性，第0个就是‘d’
??pandas 中add函数的参数如下：
??DataFrame.add(other, axis='columns', level=None, fill_value=None)
??fill_value表示对NaN值的填充，默认是无填充，所以两个数据相加如果一个是NaN，那结果就是NaN
??df.set_index()会将index删除，reset_index则会保留原index并生成一个正整数列index
??apply默认对行进行操作，即传入apply中的参数是df中的每一列
??每一次.stack()是把最细分的列变量放到最细分的索引变量中，unstack()则相反，而你可以对所有的df或者Series进行unstack()操作，但不能对Series进行stack()操作（见这篇文章5.4更换数据透视表的形状），这说明行列完全互换，只能用多个unstack()叠加，而不能用多个stack()叠加。
