Pyhton - 数据分析之pandas模块一览总表( 四 ) _索引

对列中每种不同的值进行计数。【返回的结果以（系列）的形式表示，其中包括数值和它的计数值。这个对象拥有叫做 index 的属性，包含了每个不同数值，可以用 index.() 获取所有数值。而每个数值出现的计数值则是对象中的数值部分，可以通过 () 函数将其转换为一个列表对象。】#= data[‘’].()，= pd.({‘value’: .index.(), ‘count’: .()})
df.isin()
判断某个值是否在数据中出现过。#data.isin([2, 4]判断了数据中是否包含了2和4两个值
df.(axis)
，和Panel都有，计算百分数变化，将每个元素与其前一个元素进行比较，并计算变化百分比。【axis默认情况下0对列进行操作，1对行进行操作。】
df.cov()
协方差。对象时计算序列对象之间的协方差，NA将被自动排除。当应用于时计算所有列之间的协方差(cov)值。# frame[‘a’].cov(frame[‘b’])，frame.cov()第一个语句中a和b列之间的cov结果值，与由上的cov返回的值相同。
df.corr()
相关系数。显示了任何两个数值()之间的线性关系。【方法来计算(默认)，和之间的相关性。】#frame[‘a’].corr(frame[‘b’])，frame.corr()如果中存在任何非数字列，则会自动排除。
s.rank()
数据排名，为元素数组中的每个元素生成排名，在相同的情况下，分配平均等级。【默认为true的升序参数，当设置为false时数据按照降序排序。tie-方法：默认值，相同数据分配平均数；min相同数据分配最小等级；max相同数据分配最大等级；first 相同数据根据出现在数组的顺序分配等级。】
.cut(x, bins, right=True, =None, =False, =3, =False, =‘raise’, =True)
将数值数据转换为分类数据。将数据均匀划分成n等份，每份的间距相等，返回的是一个特殊的对象，一组表示面元名称的字符串。等宽法即是将属性值分为具有相同宽度的区间，区间的个数k根据实际情况来决定，比如属性值在[0，60]之间，最小值为0，最大值为60，我们要将其分为3等分，则区间被划分为[0,20] 、[21,40] 、[41，60]，每个属性值对应属于它的那个区间。【x要传入和切分的一维数组，需要离散化的数组、、对象。bins分组数据，输入整数(x宽度范围内的等宽面元数量，x的范围在每个边上被延长1%，以保证包括x的最小值或最大值)、序列尺度(允许非均匀bin宽度的bin边缘，在这种情况下没有x的范围的扩展)、或间隔索引。right为True时表示分组区间是包含右边，不包含左边即(]，False代表[)分组左边闭合。标签参数，表示分组的自定义标签，必须与结果箱相同长度，如果FALSE只返回整数指标面元。是否返回面元，为True返回用浮点数填充的N维数组(bin的具体范围值)，当bins是单个数值时很有用(因为bin是数字的话，划分组具体数值我们是不知道的) 。返回面元的小数点几位，存储和显示 bin 标签的精度，整数默认为3 。第一个区间是否应该是左包含的。如果bin列表里有重复，raise报错/drop直接删除至保留一个。标签是否有序，适用于返回的类型和（使用dtype），为 True则将对生成的分类进行排序，为 False则生成的分类将是无序的（必须提供标签）。】按值切割，即根据数据值的大小范围等分成n组，落入这个范围的分别进入到该组。
.qcut(x, q, =None, =False, =3, =’raise’)
以相同数量的记录放进每个区间，是按照分位数对样本进行划分的，这样划分的结果是的每个区间的大小基本相同，但不一定完全相同，例如把a列分成4等份，就是按照四分位数划分的。等频法即是将属性值分为具有相同宽度的区间，区间的个数k根据实际情况来决定。比如有60个样本，我们要将其分为k=3部分，则每部分的长度为20个样本。【x要进行分组的数据，数据类型为一维数组，或对象。q整数或分位数组成的数组，即要将数据分成几组。可以理解为组标签，这里注意标签个数要和组数相等。】等频切割，即基本保证每个组里的元素个数是相等的。