1. pandas.DataFrame.rank
DataFrame.rank(axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False)
功能：计算沿着轴的数值数据（1到n）。 等值的排名是这些值的排名的平均值。返回从小到大排序的下标。
参数：axis : {0 or ‘index’, 1 or ‘columns’}, 默认值0 按照哪个轴进行排序
method : {‘average’, ‘min’, ‘max’, ‘first’} 默认值 average
average ：在相等分组中，为各个值分配平均排名
min ：使用整个分组的最小排名
max ：使用整个分组的最大排名
first ： 按值在原始数据中的出现顺序分配排名
numeric_only : boolean, 默认值 None 仅包含float，int和boolean数据。 仅对DataFrame或Panel对象有效
na_option : {‘keep’, ‘top’, ‘bottom’}
keep：将NA值保留在原来的位置
top ： 如果升序，将NA值排名第一
bottom ：如果降序，将NA值排名第一
ascending : boolean, 默认值 True
True 为升序排名 False为降序排名
pct : boolean, 默认值 False
计算数据的百分比等级
返回 ：ranks : 与调用者类型相同
2. DataFrame.corr(method='pearson', min_periods=1)
Compute pairwise correlation of columns, excluding NA/null values，列的相关系数
| Parameters: | method : {‘pearson’, ‘kendall’, ‘spearman’}
min_periods : int, optional
|
|---|---|
| Returns: |
|
3. DataFrame.corrwith(other, axis=0, drop=False) 计算DataFrame的列（axis=0，默认）或行（axis=1)跟另外一个Series或DataFrame之间的相关系数：
Compute pairwise correlation between rows or columns of two DataFrame objects.
| Parameters: | other : DataFrame axis : {0 or ‘index’, 1 or ‘columns’}, default 0
drop : boolean, default False
|
|---|---|
| Returns: | correls : Series |
4. numpy 中的 maximum~fmax，max
- np.max：(a, axis=None, out=None, keepdims=False)
- 求序列的最值
- 最少接收一个参数
- axis：默认为列向（也即 axis=0），axis = 1 时为行方向的最值；
- np.maximum：(X, Y, out=None)
- X 与 Y 逐位比较取其大者；
- 最少接收两个参数
maximum, fmax返回两个数组中较大值组成的数组。fmax忽略NaN。
5. DataFrame.shift(periods=1, freq=None, axis=0)
periods：类型为int，表示移动的幅度，可以是正数，也可以是负数，默认值是1,1就表示移动一次，注意这里移动的都是数据，而索引是不移动的，移动之后没有对应值的，就赋值为NaN。如：
| index | value1 |
|---|---|
| A | 0 |
| B | 1 |
| C | 2 |
| D | 3 |
那么如果执行以下代码：
df.shift()就会变成如下：
| index | value1 |
|---|---|
| A | NaN |
| B | 0 |
| C | 1 |
| D | 2 |
执行：
df.shift(-1)会得到：
| index | value1 |
|---|---|
| A | 1 |
| B | 2 |
| C | 3 |
| D | NaN |
- freq： DateOffset, timedelta, or time rule string，可选参数，默认值为None，只适用于时间序列，如果这个参数存在，那么会按照参数值移动时间索引，而数据值没有发生变化。例如现在有df1如下：
| index | value1 |
|---|---|
| 2016-06-01 | 0 |
| 2016-06-02 | 1 |
| 2016-06-03 | 2 |
| 2016-06-04 | 3 |
执行：
df1.shift(periods=1,freq=datetime.timedelta(1))会得到：
index | value1
—-|—-
2016-06-02 | 0
2016-06-03 | 1
2016-06-04 | 2
2016-06-05 | 3
-
- axis：{0, 1, ‘index’, ‘columns’}，表示移动的方向，如果是0或者’index’表示上下移动，如果是1或者’columns’，则会左右移动。
6. python | pandas | 移动窗口函数rolling
pandas.rolling_count(arg, window, freq=None, center=False, how=None)
arg : DataFrame 或 numpy的ndarray 数组格式
window : 指移动窗口的大小，为整数
freq :
center : 布尔型，默认为False, 指取中间的
how : 字符串，默认为“mean”,为down- 或re-sampling
pandas.rolling_sum(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs)
pandas.rolling_mean(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs)
pandas.rolling_median(arg, window, min_periods=None, freq=None, center=False, how='median', **kwargs)
pandas.rolling_var(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs)
pandas.rolling_std(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs)
pandas.rolling_min(arg, window, min_periods=None, freq=None, center=False, how='min', **kwargs)
pandas.rolling_min(arg, window, min_periods=None, freq=None, center=False, how='min', **kwargs)
pandas.rolling_corr(arg1, arg2=None, window=None, min_periods=None, freq=None, center=False, pairwise=None, how=None)
pandas.rolling_cov(arg1, arg2=None, window=None, min_periods=None, freq=None, center=False, pairwise=None, how=None, ddof=1)