数据偏移：
1、shift函数：
- 在 Pandas 中，shift 函数用于将数组的数据向前或向后平移指定的步数。它可以应用于 Series 或 DataFrame 类型的数据中，并返回一个平移后的新数据结构，其中每个元素都被取代为原始序列中对应位置平移值。
- shift 函数接受一个整数类型的 periods 参数，表示要平移的步数，若该参数为正，则向下平移（即数据后移），若为负，则向上平移（即数据前移）
- 应用实例：求增长率
- 在pandas中求变化率还有一个函数pct_change函数
2、rolling函数：
- rolling 函数接受一个 window 参数，表示数据窗口大小，以及一个可选的 min_periods 参数，表示组窗口最小值而不会导致错误结果。然后可以使用许多方法来获得有关每个窗口内的统计信息，例如均值、中位数、和等等
- 注意：窗口每次就向下移动一行，所以前面的n个数据可能是没法满足窗口计算的数据量的，所以要设定最少可计算的行数，这样前面的数据就能够计算了。
- 应用实例：
数据切分
1、数据切分：
- 定义：数据切分其实就是让数据以某个列索引为依据，来按照某种规则划分整个数据。
- 注意：数据切分和数据分组不一样，数据分组本质是分类，而数据切分本质是分段。
2、数据切分会用到的函数总结：
- 函数名：cut
- 参数说明：
- x:必须是一维输入数组，一般就是dataframe数据中某一列数据；
- bins：整型或者列表，是切分的规则；
- right：True表示切分区间是左开右闭，否则是左闭右开；
- 其他参数：【labels，retbins，precision，include_lowest，duplicates，ordered】
- 举例：按照数据中成绩进行数据切分，等距分为10组：tb[‘等距分箱’] = pd.cut(x=tb[‘成绩’], bins=10, right=False)
- 函数名：qcut
- 参数说明：
- x:必须是一维输入数组，一般就是dataframe数据中某一列数据；
- q：整型或者列表，是切分的规则，是分位数，如果是列表的话，应该是0~1之间的数字组成的列表；
- right：True表示切分区间是左开右闭，否则是左闭右开；
- 其他参数：【labels，retbins，precision，dupliactes】
- 举例：按照数据中成绩进行数据切分，等频（每组中的数量基本一致）分为4组：tb[‘等频分箱’] = pd.qcut(x=tb[‘成绩’], q=4)
- 说明：上表中的参数说明中只对必要参数进行了说明，其他参数进行了记录，我也不是很了解，但不影响使用。
数据结构转换
1、字符串内容一列转多列
-
函数名称：str.split()
-
参数：第一个参数是切分标识字符，第二个参数是expand，为True则表示返回的是一个dataframe，为False表示返回的是一个series。
-
举例：
-
注意该方法是明确知道可以分为多少列的，下面一种是不确定可以分为多少列的方法，用到split和join
-
举例：
2、对元组/列表形式的字段进行拆分
- 说明：当然也可以通过字符串处理的方法来完成该任务，但是相对来说这种更简单。
- 举例：
3、数据透视与逆透视
- 数据透视函数名称：pivot()
- 参数：
- index：原来数据中哪个列索引作为新的透视表索引
- columns：原来数据中哪个列索中的所有类作为新的透视表的列名称
- values：原来数据中哪个列索引中的数据作为新的透视表中的值
- 举例：
- 数据逆透视函数名称：melt()
- 参数：
- frame：dataframe数据对象
- id_vars：位置保持不变的字段
- value_vars：列转为行的字段
- var_name：列转为行后，新字段的别名
- value_name：值列的别名
- 举例：
4、DataFrame转为字典或列表
- DataFrame转为字典函数名称：to_dict（）
- 举例：
- DataFrame转为列表函数名称：to_dict（）
- 说明：dataframe是没法直接转列表的，但是可以先转为数组array类型，然后再转列表
- 举例：
总结：
- 1、pandas是由numpy发展而来的，所以pandas中有很多非常便捷的函数，对于函数的学习无非就是了解其使用场景，掌握参数的意义。
- 2、pandas的很多数据处理工作和函数我自己的感受就是把excel中的功能放到了python中实现，其实在你excel工具使用到炉火纯青的地步也可以在excel中处理好数据，然后再传入python中进行计算分析。当然可能python中通过函数来处理数据的方法计算速度可能更快，同时也可以把所有数据分析的流程放到jupyter中统一完成，就避免了一次数据分析使用多种工具的尴尬。
