NumPy/Pandas-目前接触到要用的方法

Numpy：

1. astype:显式转换成其他dtype类型

   arr.array([1,2,3,4,5])
   # int --> float64
   folat_arr = arr.astype(np.float64)  # arr.astype(float64) , numpy会自动映射到等价dtype上  

2. np.nan : 手动设定NaN
   

Pandas:

1. 数据读入：pd.read_csv('目标文件.csv') ;读取指定列数据  data = pd.read_csv('data.csv',usecols=[0,1,2,3])
   
2. 看前十条数据：df.head(10)
3. 维度：df.shape
   
4. Series.name = '自定义名字' ：Series重命名

5. # Series --> DataFrame
   average_price,profit_day = average_price.to_frame(name=u'每日均价'),profit_day.to_frame(name=u'每日利润')

6. 模糊匹配并筛选出相关数据：

   r = r'%s' % sku_name
   data = df[df.index.str.contains(r, na=True)]  # 分别筛选各个系列的详细数据

7. 统计非NA值的数量：df.count()
8. 针对Series或各DataFrame列计算汇总统计：df.describe()

9. print df[(df['PCTL']<0.95) & (df['PCTL']>0.05)]
   
   如果是要对element-wise作判断,考虑用df.map
   
   如果是运算考虑用df.apply + lambda

10. 比如有一个DF，有三列：姓名，金额，电话。如何把名字相同的金额合计成一行，电话保持不变,  索引不变？
    Df.groupby（姓名，as_index = False）[金额].unique（）