1、Numpy
Numpy的核心对象：ndarray多维数组对象，数组允许使用类似于标量的操作语法在整块数据上进行数学计算（数组是一个矢量）。一个ndarray是一个通用的多维同类型数据容器，
它包含的每一个元素均为相同类型。
两个重要属性：shape，dtype，ndim
生成ndarray的方法：
(1)、array函数，可接收任意的序列型对象（包括数组），比如列表、元组、字符串、数组，生成一个新的包含传递数据的Numpy数组。
(2)、创建特殊数组：zeros，zeros_like，ones，ones_like,empty,empty_like,full,full_like,eye(或者identity)。其中full有几个重要参数：
shape,fill_value,dtype,order，fill_value指定元素值，order指定在内存中的存储方式，选项{'C','F'}，是否在内存中以行为主（C风格）或列为主（Fortran风格）
连续（行或列)顺序存储多维数据
(3)、其他：asarray,arange。
astype:转换数组的数据类型
算术运算：批量操作，无需循环
注意：Numpy的切片不复制数据，而只是原数组的视图。这话怎么理解呢？Python中对列表的切片是会自动进行复制的，也就是说你切片得到的数据与原列表已经没有关系了，
对切片得到的数据的任何操作不影响原列表，而Numpy不一样，对数组切片或者索引只是给出原数组的一个视图，如果你熟悉内存的存储原理的话，可以这样理解，
切片或者索引得到的数据依然指向原数组的内存地址，而不是重新开辟一块内存。通俗地讲，不论是索引还是切片，相当于打开了一个窗口，借此浏览原数组的全部或部分元素，
而不重新生成数据（开辟内存），所以对索引或者切片得到的数据的操作也就是对原数组的操作，不论是重新赋值给其他变量还是直接操作，都会反映到原数组上。
2、Pandas
a.过滤缺失值：dropna函数 参数：axis : {0 or ‘index’, 1 or ‘columns’} how : {‘any’, ‘all’}，默认值 any
any : 如果存在任何NA值，则放弃该标签
all : 如果所以的值NA值，则放弃该标签
thresh : int, 默认值 None
int value ：要求每排至少N个非NA值
subset : 类似数组
inplace : boolean, 默认值 False
如果为True，则进行操作并返回None。
返回：被删除的DataFrame
b.pandas中索引对象：索引对象不可变，可通过pandas中的Index函数事先单独构建索引对象
1 import numpy as np 2 import pandas as pd 3 4 lables = pd.Index(['a','b','c']) 5 obj1 = pd.Series(np.arange(3),index=lables)
b.pandas中的rank函数
1 obj2 = pd.Series(np.random.randint(-15,20,size=20)) 2 obj21 = obj.sort_values() 3 obj22 = obj.rank()
obj2 obj21 obj22
sort_values函数按元素大小排序，大小相同的按整数索引值排序，序号从1开始，以数据总个数结束，可以得到每个元素的唯一序号，rank函数以sort_values排序为基础，大小相同的元素以序号的平均值作为名次。
(1)pandas的两种数据类型之Series
1 mylist = list(['abcdefghijklmn'])2 myarr = np.arange(26) 3 mydict = {'a':1,'b':2,'c':3} 4 ser1 = pd.Series(mylist) 5 ser2 = pd.Series(myarr) 6 ser3 = pd.Series(mydict)
Series的属性与方法
属性：values,index,name(value的name)，index.name（索引的name）
方法：使用布尔索引过滤，使用numpy的函数或numpy风格的操作
检查是否有缺失值：使用pandas对象的实例方法isnull,notnull,这同时也是pandas的函数
(2)pandas的两种数据类型之DataFrame
3、一些好用容易忘的API
日期字符串转换为datetime类型：to_datetime()
datetime类型转换成字符串格式：dates.dt.strftime()