1. 写入csv

pd.to_csv('x.csv',index=False,header=True,encoding='utf-8')

2. 创建矩阵，初始为0

np.zeros((row_num,col_num))

3. 排序

pd.sort_values(by='col_name').reset_index(drop=True)

4. 遍历df

for index,row in df.iterrows():#生成器

     for col in df.columns:

         row[col]=#row-一行

 

#迭代中，不要修改行，根据数据类型不同，迭代器返回一个副本而不是一个视图。写入它将不起作用。改用df.apply(func)

5. #查找

df[df.index[x],'col']

#df.loc---根据标签进行

#df.iloc---根据行号

#df.ix--混合版

6. #class 类的装饰器：

    class student(object):

      @property

         def score(self):

       @score.setter

        def score(self,score):

           #判断score值是否在范围内

7. #枚举类

from enum import Enum,unique

mom=Enum('m',('J','F'))

m.J

8. 调用其他py的函数：

 import a

  a.func

或

import a

from a import func

  func()

9. 调用其他py的类：

from A import A

a=A(2,3)

a.add()

或

import A

a=A.A(2,3)

a.add()

10. 调用不同文件下py

import sys

sys.path.append(r'D:\')

import A

..........

11. 调用其他py的变量

from d import demo#(demo直接可用)

from d      d.demo

from d import *#可调用d所有对象

12. apply,applymap,map:

apply-作用在df，对row或col进行计算

applymap-作用在df，对元素进行操作

map-作用在series上，是元素级别的操作

13. 双端对列

from collection import deque

append()

appendleft(x)

clear()

copy()--浅拷贝

count(value)--value出现几次

extend([.....])-使用可迭代的元素扩展对列的右侧

extendleft([......])

index(value,[start,[stop]])--返回值的第一个索引

insert(index,object)--在索引之前插入

maxlen-----建立队列时设定的最大长度

pop()

popleft()

remove(value)--删除查找到的第一个值

release()--队列中所有元素都反转

rotate(n)--向右旋转队列n步，负数-向左

14. set--无序且不重复的元素集合

集合成员可以做dict中的键，不可以为集合创建索引或行切片操作。也没有键可以用来获取集合中元素的值。

15.list

for k,v in enumerate(list):

list.append()

list.insert(index,value)

list+=[]

list.count(value)

list.index(value)

list.extend(list)

list.sort()

list.reverse()

16. 拷贝

浅拷贝--L1=L#L1为L的别名

L1=L[:：]#两个变量

17. GroupBy:

from itertools import groupby

#默认axis=0

df['C'].groupby(df['key'])

#对分组进行迭代

groupby对象支持迭代操作，会产生一个由分量变量名和数据块组成的二元元祖

for name,group in df.groupby('key'):#可转为list或dict查看

#通过dict分组

dict={k:v}

df.groupby(dict,axis=1)

#通过函数分组

df.groupby(fun).count()

#聚合

count,sum,mean,median,    std,var   min,max,prod(非NA值的积)

#对不同的列应用不同的函数

col.agg({'col_1':np.max,'col_2':sum})

#tranform:将一个函数应用到各个分组，传入的参数只能产生两种结果：可以广播的标量。一个相同大小的结果数组

df.groupby(key).transform(np.mean)

df.groupby('col').apply(func)