一、替换操作(replace)
- ?替换操作可以同步作用与Series和DataFrame中
df.replace(to_replace , value , replace , ...)? ?#将所有to_replace 替换成value
df.replace(to_replace={4:5},value='five' )? ? ?#将指定列的元素进行替换，re_place{列索引：被替换的值}
df.replace(to_replace={1:'one'} )? ? ? ? ? ? ? ? ? ?#字典形式的替换，将1替换成‘One’
二、映射操作(map)
- 概念：创建一个映射关系列表，把values元素和一个特定的标签或者字符串绑定（给一个元素值提供不同的表现形式）——字典形式的映射关系表
- 创建一个df，两列分别是姓名和薪资，然后给其名字起对应的英文名
Series_data. map( dic)? ? #只能给Series数据进行映射(dic)
map只能是Series的方法，只能被Series调用
?三、运算工具(map)
- 需求：超过3000部分的钱需要缴纳50%的税，计算每个人的税后薪资
?四、排序实现的随机抽样
take([隐式索引]，axis=1)? ? ? ?#将原始数据按隐式索引打乱（列打乱）
np.random.permutation(n)? ?#产生0~n的随机数
?1. 将原始数据的列打乱（axis=1）?
?2. 在此基础上将原始数据的行进行打乱（axis=0）
?3. 随机取样?
?五、数据的分类处理
- 数据分类处理的核心
- groupby(by , )函数
- groups属性查看分组情况?
?原始数据：
?1. 对原始数据的水果进行分类并查看分组情况
?2. 为什么要进行分组呢？ 为了进行聚合【分组聚合】——计算每一种说过的平均价格
?3. 将计算出的每种颜色的平均重量汇总到源数据，需要用到映射——map(dic),字典数据。
?
?六、高级数据聚合
?当我们分好组之后，想进行一个聚合操作，但是这个聚合操作并没有被pandas封装，那么就需要我们自己封装一个聚合操作，例如mean()。
- transform( )? ?#返回映射后的结果
- apply( )? ?#返回没有映射的结果
?七、数据加载
1. 读取type-.txt文件
?2. 将文件中每一个词作为元素存放到DataFrame中
?3. 读取数据库中的数据
?八、透视表
- 透视表是一种可以对数据动态排列并且 分类汇总 的表格格式。在Excel中常用，而在pandas中被称作pivot_table。
- 透视表优点：
- 灵活性高，可以随意定制你的分析计算要求
- 脉络清晰易于理解数据
- 操作性强，报表神器
1. 导入数据
2. 参数index
?3. 参数values
?4. 参数aggfunc
?5. 参数columns
?九、交叉表
- 是一种用于计算分组的特殊透视表，对数据进行汇总
- pd.crosstab(index,columns)
- index：分组数据，交叉表的行索引
- columns：交叉表的列索引
1. 原始数据
?2. 求出各个性别（列）抽烟（行）的人数
?3. 求出各个年龄段（行）抽烟（列）人的情况
