Pandas数据结构之间执行二进制操作，要注意下列两个关键点：
1.多维（DataFrame）与低维（Series）对象之间的广播机制
2.计算中的缺失值处理
这两个问题可以同时，但下面我们先介绍怎么分开处理。
匹配/广播机制
DataFrame支持add()、sub()、mul()、div()、radd()、rsub()等方法执行二进制操作。广播机制重点关注输入的Series，通过axis关键字，匹配index或columns即可调用这些函数。
还可以用Series对齐多层索引DataFrame的某一层次。
Series与Index还支持divmod()内置函数，该函数同时执行向下取整除与模运算，返回两个与左侧类型相同的元组。
divmod还支持元素级运算：
缺失值与填充缺失值
Series与DataFrame的算数函数支持fill_value选项，即用指定值替换某个位置的缺失值。比如，两个DataFrame相加，除非两个DataFrame里同一个位置都有缺失值，其相加的和仍为NaN，如果只有一个DataFrame里存在缺失值，则可用fill_value指定一个值来替代NaN，当然，也可以用fillna把NaN替换为想要的值。
比较操作
Series与DataFrame还支持eq、ne、lt、gt、le、ge等二进制比较操作的方法：
这些操作生成一个与左侧输入对象类型相同的Pandas对象，即dtype为bool。boolean对象可用于索引操作。
布尔简化
empty、any、all、bool可以把数据汇总简化至单个布尔值。
还可以进一步把上面的结果简化为单个布尔值。
通过empty属性，可以验证Pandas对象是否为空。
用bool方法验证单元素Pandas对象的布尔值
比较对象是否等效
一般情况下，多种方式都能得出相同的结构。以df+df与df*2为例。测试这两种计算方式的结构是否一致，大部分人都会用（df+df==df*2）.all()，但是这个表达式的结果时False。
布尔型DataFrame df+df==df*2中有False值是因为两个NaN值的比较结果为不相等：
为了验证数据是否等效，Series与DataFrame等N维框架提供了equals()方法，用这个方法验证NaN值的结果为相等。
但这里要注意Series与DataFrame索引的顺序必须一致，验证结果才能为True。
比较array型对象
用标量值与Pandas数据结构对比数据元素非常简单：
Pandas还能对比两个等长array对象里的数据元素：
对此不等长的Index或Series对象会触发valueError：
但是这里的操作与NumPy的广播机制不同：
NumPy无法执行广播操作时，返回False：
如果你想学习Python，但是找不到学习路劲和资源，欢迎上指尖编程。
在线交互式学Python，更快更好！
