1.(1)迭代
dataframe作为循环对象时，返回各个列名
array作为循环对象时，返回第一层各个元素
dict作为循环对象时，返回key
dict.items() 作为循环对象时，返回(key,values)
(2)删除
字典删除 dict.pop(key)
dataframe删除 pd.drop(labels, axis=0) 删除行：labels=index某个值，axis=0 删除列：labels=colums某个值，axis=1 dropna()
array删除 np.delete(arr,obj,axis=None) 删除整行/整列
arr:输入向量
obj:表明哪一个子向量应该被移除。可以为整数或一个int型的向量
axis:表明删除哪个轴的子向量，若默认，则返回一个被拉平的向量
list删除 del a[i] remove(values) pop(位置)
(3)
numpy.insert(arr,obj,value,axis=None)
同理，value为插入的数值
arr:为目标向量
obj:为目标位置
value:为想要插入的数值
axis:为插入的维度
numpu.append(arr,values,axis=None)
将values插入到目标arr的最后。
2. | for or, & for and, and ~for not
> < == !=
条件判断，返回的True False
3.
df.loc['a',:]
df.iloc[0,:]
df.ix['a',:]=a.ix[0,:]
df.iloc[0,:].values 返回array
4.
numpy.where(condition,x,y) 满足条件，赋值x，不满足条件，赋值y
df.where(condition,y) y是不满足条件，赋值
5.随机筛选
df.sample(n=3)
n和frac不能同时使用
df.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None)
n是要抽取的行数。（例如n=20000时，抽取其中的2W行）
frac是抽取的比列。（有一些时候，我们并对具体抽取的行数不关系，我们想抽取其中的百分比，这个时候就可以选择使用frac，例如frac=0.8，就是抽取其中80%）
replace抽样后的数据是否代替原DataFrame()
weights这个是每个样本的权重，具体可以看官方文档说明。
random_state: int或numpy.random.RandomState，可选
种子为随机数生成器（如果是int）或numpy RandomState对象。
axis是选择抽取数据的行还是列。axis=0的时是抽取行，axis=1时是抽取列（也就是说axis=1时，在列中随机抽取n列，在axis=0时，在行中随机抽取n行）
np.random.sample(Your_index)
random.sample(a,n=3) a必须是列表
6.去重
df.duplicated()
7.
concat()
pd.concat([df1,df2,df3],axis=0,join='outer',join_axes=None,ignore_index=False,keys=None,levels=None,names=None,verify_integrity=False,copy=True)
keys：序列，默认无。使用传递的键作为最外层来构造层次索引。
levels：指定用作层次化索引各级别（内层索引）上的索引，如果设置keys的话。
names：list，默认无。生成的分层索引中的级别的名称。
join_axes: 结果中的index。
ignore_index：忽略重复值。
merge()
8
set_index和reset_index（concat后一定要用这个）
9
（1）df.sample(frac=1) 打乱操作，相当于列表中的random.shuffle（）
df.sample(frac=1).reset_index(drop=True)
（2）sklearn中的shuffle方法
from sklearn.utils import shuffle
df = shuffle(df)