算數運算和數據對齊
pandas一個強大的功能是，它可以對不同索引的對象進行算數運算。
s1 = pd.Series([1,2,3,4],index=['a','b','c','d'])
s1
'''
a 1
b 2
c 3
d 4
dtype: int64
'''
s2 = pd.Series([4,78,32,89,61],index=['a','b','e','d','g'])
s2
'''
a 4
b 78
e 32
d 89
g 61
dtype: int64
'''
#將兩個Series相加
s1+s2
'''
a 5.0
b 80.0
c NaN
d 93.0
e NaN
g NaN
dtype: float64
'''可以看到，對於兩個對象相同的索引，值直接想加；對於不同的索引，引入了NaN值。
而對於DataFrame，只有當行索引和列索引都相同時，纔會執行算數操作，否則引入NaN值。
data1 = pd.DataFrame(np.arange(9).reshape((3,3)),columns = list('bcd'),index = ['one','two','three'])
print("data1:")
print(data1)
print('\n')
data2 = pd.DataFrame(np.arange(12).reshape((4,3)),columns = list('bed'),index = ['one','second','three','four'])
print("data2:")
print(data2)
print('\n')
#相加
print("data1+data2:")
print(data1+data2)
'''
結果:
data1:
b c d
one 0 1 2
two 3 4 5
three 6 7 8
data2:
b e d
one 0 1 2
second 3 4 5
three 6 7 8
four 9 10 11
data1+data2:
b c d e
four NaN NaN NaN NaN
one 0.0 NaN 4.0 NaN
second NaN NaN NaN NaN
three 12.0 NaN 16.0 NaN
two NaN NaN NaN NaN
'''但是往往我們希望能夠出現數值而非NaN，這時有以下兩種方法：
#採用add方法
data1 = pd.DataFrame(np.arange(9).reshape((3,3)),columns = list('bcd'),index = ['one','two','three'])
data2 = pd.DataFrame(np.arange(12).reshape((4,3)),columns = list('bed'),index = ['one','second','three','four'])
print(data1.add(data2,fill_value=0))
'''
結果：
b c d e
four 9.0 NaN 11.0 10.0
one 0.0 1.0 4.0 1.0
second 3.0 NaN 5.0 4.0
three 12.0 7.0 16.0 7.0
two 3.0 4.0 5.0 NaN
'''顯然地，這個結果沒有達到預期。原因是data1和data2兩個對象中，都有對方沒有的索引。換句話說，它們之間沒有包含關係。而add方法又是單向操作（姑且這麼描述吧），沒有辦法通過add方法對這兩個對象的索引進行全覆蓋。
data1 = pd.DataFrame(np.arange(9).reshape((3,3)),columns = list('bcd'),index = ['one','two','three'])
data2 = pd.DataFrame(np.arange(12).reshape((4,3)),columns = list('bed'),index = ['one','two','three','four'])
print(data2.reindex(columns = data1.columns,fill_value=0))
'''
b c d
one 0 0 2
two 3 0 5
three 6 0 8
four 9 0 11
'''通過重新索引可以對不同索引進行填充，但因爲是單向操作，所以有些索引會丟失。
Series和DataFrame之間的運算
基本上，它們之間的運算會根據Series的索引匹配到DataFrame的列，並且沿着行一直向下廣播，若存在不同索引，將會採用並集索引。
import pandas as pd
import numpy as np
data = pd.DataFrame(np.arange(16).reshape(4,4),
index=['one','two','three','four'],
columns=['first','second','third','forth'])
series = data.ix[0]
series
'''
first 0
second 1
third 2
forth 3
Name: one, dtype: int32
'''
data-series結果如下:
*這裏碰到一個之前沒有注意的問題:DataFrame中直接索引訪問的是列元素，訪問行元素要用.ix元素(這裏碰到報錯，具體原因未知)
排序和排名
一般使用sort_index方法進行索引排序。
obj =pd. Series(range(4),index=['d','b','a','c'])
obj.sort_index()
'''
a 2
b 1
c 3
d 0
dtype: int64
'''如果想要對值進行排序，則採用order方法：
*這裏嘗試的時候遇到一個問題，報錯總是提示Series沒有order屬性，實在是苦惱.....
DataFrame方法同理，可以根據行索引(axis=0)，也可通過列索引(axis=1)進行排序
上述默認排序爲升序，可以採用降序，引入其ascending值（默認值爲true，即升序）。
frame = pd.DataFrame(np.arange(8).reshape(2,4),index=['three','one'],columns=['d','a','b','c'])
frame
'''
d a b c
three 0 1 2 3
one 4 5 6 7
'''
frame.sort_index(axis=1,ascending=False)結果爲：
Data Frame按一個或多個列值排序引入by屬性：
frame = pd.DataFrame({'b':[1,2,4,3],'c':[24,56,95,3]})
print(frame)
print("引入by屬性：")
print(frame.sort_index(by='b'))
'''
b c
0 1 24
1 2 56
2 4 95
3 3 3
引入by屬性：
b c
0 1 24
1 2 56
3 3 3
2 4 95
'''Series和DataFrame的排名返回了一個Series或DataFrame，其中主要屬性是method(破壞平級關係)。默認的method屬性是取均值(對值相同的元素取排名均值)：
a = pd.Series([3,5,2,7,3,4,9])
a.rank()
'''
0 2.5
1 5.0
2 1.0
3 6.0
4 2.5
5 4.0
6 7.0
dtype: float64
'''也可以依照出現順序排名，不取均值：
a = pd.Series([3,5,2,7,3,4,9])
a.rank(method='first')
'''
0 2.0
1 5.0
2 1.0
3 6.0
4 3.0
5 4.0
6 7.0
dtype: float64
'''可以按照較大排名值排名：
a = pd.Series([3,5,2,7,3,4,9])
a.rank(method='max')
'''
0 3.0
1 5.0
2 1.0
3 6.0
4 3.0
5 4.0
6 7.0
dtype: float64
'''按較小值排名用法相同，只要把max改成min就可以。
帶有重複值的索引
python允許索引值相同，只是在選取時會將所有擁有這個索引的元素調用出來。
a = pd.Series([1,2,3,4],index=['a','b','a','d'])
a['a']
'''
a 1
a 3
dtype: int64
'''