1.Excel 时间转化原理（时间戳：指的是1900/1/1 0:00:00之后过了多少秒）
分两种表现形式：
a. 时间戳是1377216000000这种格式，指的是1900/1/1 0:00:00之后过了多少秒。
-----------------
b. 时间戳是42016.6582060185这种格式，指的是1900/1/1 0:00:00之后过了多少天。
eg. 2015/1/12 15:47:49，文本格式为42016.6582060185****文本格式时间单位是天，距离1900年0点的天数，小数点后面是0点到15:47:49的天数，换算成小时乘24，换算成分钟再乘60
2. numpy中的随机数
numpy中有一些常用的用来产生随机数的函数，randn()和rand()就属于这其中。
numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。
numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中。
3.区分numpy和pandas
Pandas里面最基本的对象叫做Series。Series 和 np 有很多相类点，例如position 索引、切片、循环（for）,以及一些基础函数X.mean(),X.max(),X.argmax()。用法几乎是一致的。要说最大的不同点，我认为就是索引。Pandas的索引有两种模式：
【1】一种是位置索引（列表），例如a[0]、或者是a.iloc[0],iloc的意思是integer-location based indexing for selection by position ，
【2】一种是key索引（字典属性），例如a.loc['title'] ，loc的意思是 label-location based indexer for selection by label。这两种不同的索引暴露了Series的本质，就是pandas对象本质上是字典和列表的混合，这点很重要。
pandas常用的属性基本都是数据操作类的；
而numpy基本上都是数据基础运算的；
神级Scipy 里面的常用函数是统计&优化类的。
分组统计、缺失值处理都是pd的管辖，生成随机数等是numpy的管辖。
数组维度： b.ndim
数组元素类型: b.dtype
.zeros .ones
array(深拷贝)
asarray(浅拷贝)
矩阵拼接
矩阵垂直拼接 : vstack()
矩阵水平拼接: hstack()
矩阵运算np.dot()（非常重要) 因为np的计算是点乘
4.数据分析方法
(1)描述性统计分析
.describe() ： 返回count\ mean\ sts\ 四分位数； 以及统计指标函数的单独调用。
(2)分组分析
是指将客体（问卷、特征、现实）按研究要求进行分类编组，使得同组客体之间的差别小于各种客体之间的差别，进而进行分析研究的方法。
result = groupby(by=[分组列名1，分组列名2...]），[指标1，指标2...] .agg({统计列别名1：统计函数，统计列别名2：统计函数})
统计结果
返回值检测：result.index(行名)； result.column(列名)；result["指标1"]["指标2"]；result.reset()
(3)分布分析（频率分布直方图）
定义： 分布分析用来解释数据的分布特征和分布类型，显示其分布情况。分布分析主要分为两种：对定量数据的分布分析和对定性数据的分布分析。
针对参数进行区间划分pandas.cut(); 然后按照划分结果进行分组分析groupby()。
(4)交叉分析
pilot_table(values, index, columns, aggfunc, fill_value)
分析方式类似于EXCEL中的数据透视分析：
values：数据透视表中的 “值”
index： 数据透视表中的“列”
column：数据透视表中的“行”
aggfunc: 统计函数，作用于“value”
fill_value : NA值的处理
数据透视表
(5)结构分析(瀑布图)
比重分析：各项组成部分占总体的比重，分析其内容构成的变化，从结构分析中，掌握事物的特点和变化趋势的统计分析方法
依照行列添加数据分析函数（asix=0/1）；eg: 当函数为sum时就是添加行列总计
(6)相关分析
相关分析分为两类： 数据集和系列
DataFrame.corr()数据集是计算两两之间的相关系数，返回的是一个数据表
Series.corr(other)序列，需要传入另一个序列，返回相关系数计算数值（一个数）
拓展：5种常用的相关分析方法
1.图表相关分析（折线图及散点图）；2，协方差及协方差矩阵（无法）度量密切程度；3，相关系数；
4，一元回归及多元回归；5，信息熵及互信息--决策树与预测算法的原理及实现（ID3的实现)
信息熵Entropy，条件熵E(T,x)，互信息Gain(T,x)
