41. 合并两个Series生成一个DataFrame
np.random.seed(66)
s1 = pd.Series(np.random.rand(20))
s2 = pd.Series(np.random.randn(20))
df = pd.concat([s1, s2], axis=1)
df.columns = ["col1", "col2"]
print(df)
42. 使用多个条件复杂筛选DataFrame
print(df[(df["col2"] >= 0) & (df["col2"] <= 1)])
43. 根据现有列新增一个新的数据列
df["col3"] = df["col2"].map(lambda x: 1 if x>=0 else -1)
print(df)
44. 根据现有数据列新增截断数值数据列
df["col4"] = df["col2"].clip(-1.0, 1.0)
print(df)
45. 数据列最大和最小的5个数字
print(df["col2"].nlargest(5))
print()
print(df["col2"].nsmallest(5))
46. 计算数字的累积加和值
print(df.cumsum())
47. 计算一列数字的中位数
print(df["col2"].median())
print(df["col2"].quantile())
48. 使用query筛选数据
print(df[df["col2"] > 0])
print(df.query("col2 > 0"))
49. 将DF前几行转换成数据字典
print(df.head(5).to_dict())
50. 将df的前几行生成html
print(df.head(5).to_html())
51. 按列名筛选df使用loc方法
np.random.seed(66)
df = pd.DataFrame(np.random.rand(10, 4), columns=list("ABCD"))
print(df)
print(df.loc[df['C'] > 0.8])
52. 多条件组合筛选df
print(df[(df["C"] > 0.3) & (df["D"] < 0.7)])
53. for循环遍历df
for index, row in df.head(5).iterrows():
print(row)
54. 指定单元格设置df的值
df.iloc[3, 1] = np.nan
df.loc[8, 'D'] = np.nan
print(df)
55. 移除df中数据值为空的行
df2 = df.dropna()
print(df2)
56. 重新设置索引列
df2 = df2.reset_index(drop=True)
print(df2)
57. 统计每个数据列的缺失值
print(df.isnull().sum())
58. 使用数字填充缺失值
df = df.fillna(0)
print(df)
59. 修改df列的前后顺序
df = df[["D", "A", "B", "C"]]
print(df)
60. 删除df的一列或多列
print(df.drop("D", axis=1))
print(df.drop(["C", "D"], axis=1))
课程参考链接：https://ke.qq.com/course/4000626#term_id=104152097
