1頭のパンダインデックス
：のような、直接インデックス値によってアクセスすることができるシリーズ、用
S =のpd.Series（np.array（[1,2,3,4]）、インデックス= [ 'A'、 'B'、 'A'、 'B']）
S [ 'A']
データフレームの場合は、次のような、LOCを使用する必要があります。
S = pd.DataFrame（np.array（[1,2]、[3,4]、[5,6]、インデックス= [ 'A'、 'B'、 'A']）
s.loc [ 'B']
2、繰り返しインデックス
決意：彼らは重複したインデックスを含むかどうかを決定するために、is_unique機能が使用されてもよい、など。
s.is_unique
重複したインデックスを取得することは、ユニークな機能は、次のような、使用することができます。
S1 = s.unique（）
インデックス処理は、以下のような、使用されてもよいGROUPBYにより、繰り返されます。
S2 = s.groupby（s.index）.SUM（）
図3に示すように、マルチレベルインデックス
3.1シリーズ
マルチ・レベル・インデックスは、マルチインデックス機能を使用することができる作る、など。
A1 = [ 'A'、 'B'、 ''、 'C'、 'B'、 'B']、[1,2,2,3,1,2]
A2 =リスト（ZIP（* A1））
インデックス= pd.MultiIndex.from_tuples（A2、名前= 'LEVEL1'、 'レベル2']）
3.2データフレーム
以下のような、わずかに異なるとのシリーズ：
DF = pd.DataFrame（np.random.randint（1,10、（6,3））、インデックス= [ 'A'、 'B'、 ''、 'C'、 'B'、 'B' ]、[1,2,2,3,1,2]、列= [ '1'、 '2'、 '1']、[、 '赤' '青'、 '赤']]）
3.3マルチレベルのインデックス間の交流
df.swaplevel（0）
3.4ソート指数によると、
df.sortlevel（1）
3.5は、指数を算出し、
df.sum（レベル= 0）
3.6列のインデックスを変換します
df.set_index（1列名、列名、2 ...）
また、（）などdf.reset_indexとして、インデックスに戻ることができます
4グループ化計算
基本的なプロセス：スプリット - アプリケーション - マージ
リストをグループ化することにより、4.1
例：df.groupby（1つのカラム名、カラム名2、...）.SUM（）
辞書をグループ化して4.2
DF = pd.DataFrame（np.random.randint（1,10、（6,4））、列= [ 'A'、 'B'、 'C'、 'D']）
マッピング= { 'A'：赤、 'B'：青、 'C'：赤、 'D'：青}
DF1 = df.groupby（マッピング、軸= 1）
機能をグループ化することにより、4.3
インデックスに基づいて、パケットの関数の戻り値
デフ_group（IDX）：
リターンIDX
df.groupby（_group）
以上4.4レベルインデックスグルーピング
次のようなインデックス名にグループ化する、異なるレベルの
df.groupby（レベル=索引名、軸= 1）
5集計演算
組み込み関数の重合5.1
合計、平均値、最小値、最大値、describle
5.2カスタム集計関数
デフ_group（S）：
リターンs.max（） - s.min（）
df1.agg（_group）
注意：DF1は、グループ化の結果であります
5.3法を適用
デフトップ（G、N = 2、列= 'DATA1'）：
（偽=カラム、ascengding =による）戻りg.sort_value [:, N]
DF2 = df.groupby（列名）.apply（上）
6データのインポートとエクスポート
6.1データのインポート
6.1.1インポート方法
pd.read_csv（ファイルパス）
pd.read_table（ファイルパス、9月= ''）
その9月のいくつかよりも柔軟pd.read_table pd.read_csvは、正規表現をサポートしています。
6.1.2インポート設定
ファイルを読み込むときなど、列ラベル、列の一部が、行ラベルとして指定することができるが、存在する場合、あなたが設定できます。
DF = pd.read_csv（パス、ヘッダ=なし、index_col = [1カラム名、カラム名2、...]）
6.1.3欠損値
：失われたデータ、pd.read_csv自動的に空席の場合、欠損値などのNAは、またなど、カスタマイズすることができます
DF = pd.read_csv（パス、na_valuesは= [ 'NA'、 'NULL'、 'FOO']）
さえ方法は、個別に各列に設けられた辞書を使用することができ
6.1.4読み出したデータブロック
CHUNKSIZEブロックが計算されるようなキー値の数などのパラメータによってデータを読み出します。
DF = pd.read_csv（パス、チャンク= 1000）
結果= pd.Series（[]）
DFでのチャンクのための：
結果= result.add（チャンク[キー] .value_counts（）、fill_value = 0）
ディスクへのデータのエクスポート6.2
pd.to_csv（パス）
pd.to_csv（パス、インデックス=偽）：これは、のような、インデックスを保持することなく、提供することができます
7時系列
7.1つの共通ライブラリ
日時インポート日時から
日時輸入はtimedeltaから
7.2時間の定義
T1 =日時（2019,9,23）
7.3時間の変換
時間変更の文字列：
T1 =日時（2019,7,23）
t1.strftime（ '％Y /％M /％d個の％のH：％のM：％のS'）
文字列の変更時刻：
datetime.strptime（ '2019年7月12日9時20分'、 '％Y-％M-％D％H：％のM'）
7.4時系列を生成します
DATE_RANGEを使用します。
pd.date_range（ '20190620'、 '20190628'）
pd.date_range（ '20190620'、期間= 10、FREQ = 'M'）
期間を使用します。
pd.period_range（ '2016から10'、期間= 10、FREQ = 'M'）
期間の7.5タイムスタンプ変換
タイムスタンプは、期間を変換します：
如：S = pd.Series（np.random.randint（5）、インデックス= pd.date_range（ '2016年4月1日'、期間は= 5、FREQ = 'D'））
s.to_periodを（）、また、パラメータを追加することができ、s.to_period（FREQ = 'M'）：コール
同様に、期間S1のためのデータは、s1.to_timestamp（）は、タイムスタンプに変換することができます。
注意：一つは、ピリオド、1時間です！
7.6時間リサンプリング
7.6.1ダウンサンプリング：高頻度に低周波
ts.resample（サンプリング期間、実施形態では、時間値）、例えば：
ts.resample（ '5分'、どのように= '合計'、ラベル= '右'）
また、GROUPBY機能を使用することができます。
ts.groupby（ラムダX：x.month）.SUM（）
ts.groupby（ts.index.to_period（ 'M'））。合計（）
7.6.2アップサンプリング：高いものへ
タイムスタンプ：ts.resample（ 'D'、fill_method = 'ffill'）
期間：ts.resamle（ 'A-DEC'、どのように= '合計'）
7.7に対処するための時間に時間を解析したファイルを
DF = pd.read_csv（路径、parse_dates =真）
8データの可視化
ビデオ折れ線グラフ：ts.plot（figsize =タプル、スタイル=色と線の種類、タイトル=図名）
ビデオ散布：ts.plot.scatter（X = ''、Y = ''）
ヒストグラムを描く：ts.plot.bar（= Trueの積み重ね）
ヒストグラムを描く：ts.plot.hist（ビン= 20）
図の自身：ts.plot.pie（）