---

前言

---

一、df.max()

计算每列最大值

二、df.apply()

1.可以传函数

代码如下（示例）：

# lambda  匿名函数自定义 
f = lambda x:x.max()-x.min()  # x参数  冒号后是返回值
df.apply(f)  # 默认axis=0,所以这里是按列求最大值-最小值

2.可以直接写内置函数

代码如下（示例）：

df2.apply(np.sum,axis=0) 
df2.apply(np.sqrt,axis=0)
# 求每列的最大值和最小值
def func(x):
    return pd.Series([x.min(),x.max()],index=['min','max'])

df.apply(func)

3.新增列

# 新增"税额"列
df3['税额']=df3['销售价格'].apply(lambda x:x*0.1)
df3

三、map

1.map能够对Series进行映射 

format = lambda x:'%.2f'%x   # 返回的还是x，但是保留2位小数
df['e'].map(format)
format = lambda x:round(x,2)   # 返回的还是x，但是保留2位小数
df['e'].map(format)

2.map可以直接映射字典

s = pd.Series(['apple', 'banana', 'carrot', 'apple', 'banana', 'carrot'])
price = {'apple': 5.0, 'banana': 2.5, 'carrot': 1.2} 
s.map(price)
s2['price']= s2['水果'].map(price)

四、idxmax()和idxmin()

# 每科的最高分是谁
df4.idxmax()   # 返回的是最大值对应的标签索引
# 每科的最低分是谁
df4.idxmin()

五、相关性corr

查看字段之间是否存在相关性，相关的程度大不大
df4['Temperature'].corr(df4['IceCreamSales'])  

六、空值处理

1.查看空值

df5.isnull()

2.删除空值

df5.dropna() # axis=0  如果是删除的话，axis=0表示按行删除,axis=1 表示按列删除

只有整行数据为空才进行删除
df5.dropna(how='all')

3.填充 fillna()

df5.fillna({'水电费':10,'食品':20,'交通':30})  # 每列填充不同的值
df5.fillna(0)  # 所有空值都填充为0
df5.fillna(df5.mean())  # 每列填充平均值
df5.ffill()  # 向上填充
df5.bfill() # 向下填充

4.去重

sales_data.duplicated().sum()
sales_data.drop_duplicates()

5.str属性

data = {  
    'name': ['John', 'Jack', 'Rose', 'Bob'],  
    'Order Date': ['2023-07-01', '2023-07-02', '2023-07-03', '2023-07-04'],  
    'Order Details': ['2杯卡布奇诺, 1杯拿铁', '1杯浓缩咖啡, 1杯摩卡', '3杯拿铁', '2杯卡布奇诺, 1杯浓缩咖啡']  
}
df = pd.DataFrame(data)
df
# str属性使用的前提是该列单元格数据是字符串
# 多少人点了卡布奇诺
df['Order Details'].str.count('卡布奇诺').sum()
# 把name列全部变成大写
df['name'].str.upper()
# 把name列全部变成小写
df['name'].str.lower()
df['name'].str.len()  # 求长度

s.str.split(',',expand=True)
df[['地点','经验','学历']] = df['要求'].str.split('-',expand=True)  # 展开为多列

---