数据的排序
.sort_index()方法在指定轴上根据索引进行排序，默认升序
.sort_index(axis=0, ascending=True）
axis=0 表示的是纵轴 ascending表示是否为递增排序，默认为true
axis为1
这个by是根据你哪个轴的索引进行排序
NaN统一放到排序末尾
数据的基本统计分析
我在学习时经常用到axis=0或1，那么axis=0或者1到底是什么意思呢？
axis=1为横向，axis=0为纵向
下面是运用
数据的累加统计分析
同理，给出前n的数的和，积，最大值，最小值
就是相邻元素的，也就是前w个元素之和
数据的相关分析
实例：房价增幅与M2增幅的相关性
数据准备
首先需要准备好房价增幅和M2增幅的数据，可以从数据源获取或手动输入。假设我们已经得到了一个包含每月房价增幅和M2增幅的CSV文件，可以使用pandas库读取数据：
import pandas as pd
df = pd.read_csv('data.csv', index_col=0)其中，data.csv是存储数据的文件名，index_col=0表示使用第一列作为索引。
计算相关系数
接下来，需要计算房价增幅和M2增幅的相关系数，可以使用numpy库中的corrcoef函数：
import numpy as np
price_increase = df['House price growth']
m2_increase = df['M2 increase']
corr = np.corrcoef(price_increase, m2_increase)[0, 1]
print('相关系数:', corr)其中，price_increase和m2_increase分别是房价增幅和M2增幅所在的列，corrcoef函数返回一个矩阵，取其第一行第二列的元素即为相关系数。
可视化展示
最后，可以使用matplotlib库将房价增幅和M2增幅的变化趋势可视化展示出来。以下是一个简单的例子：
import matplotlib.pyplot as plt
plt.plot(price_increase, label='House price growth')
plt.plot(m2_increase, label='M2 increase')
plt.legend()
plt.show()其中，plt.plot函数分别画出了房价增幅和M2增幅的曲线，plt.legend函数用于显示图例，plt.show函数将图像显示出来。
将上述代码整合在一起，可以得到完整的程序：
#!/usr/bin/env python
# -- coding: utf-8 --
# @Time : 2023/4/4 20:51
# @File : 实例：房价增幅与M2增幅的相关性.py
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
df = pd.read_csv('mac72-uber3.csv', index_col=0)
price_increase = df['House price growth']
m2_increase = df['M2 increase']
corr = np.corrcoef(price_increase, m2_increase)[0, 1]
print('相关系数:', corr)
plt.plot(price_increase, label='House price growth')
plt.plot(m2_increase, label='M2 increase')
plt.legend()
plt.show()以下是一个示例的data.csv文件内容：
date,House price growth,M2 increase
2023.1,0.02,0.038
2023.2,0.03,0.036
2023.3,0.04,0.034
2023.4,0.05,0.032
2023.5,0.06,0.03
2023.6,0.04,0.028
2023.7,0.03,0.026
2023.8,0.02,0.024
2023.9,0.01,0.022
2023.10,0.02,0.02
2023.11,0.03,0.018
2023.12,0.04,0.016
最终效果
