Numpy 的基本能力之一是快速对每个元素进行运算
Pandas 继承了Numpy的功能，也实现了一些高效技巧。
- 对于1元运算，（函数，三角函数）保留索引和列标签
- 对于2元运算，（加法，乘法），Pandas 会自动对齐索引进行计算。
通用函数：保留索引
对ser对象或 df对象使用Numpy通用函数，生成的结果是另一个保留索引的Pandas对象。
通用函数： 索引对齐
当Series 或 DataFram对象进行二元计算，会对齐俩个对象的索引
当处理不完整的额数据时，这一点非常方便
Series索引对齐
俩个相除
结果数组索引是：俩个输入数组索引的并集，
对于确实位置的数据，Pandas会用NaN填充，表示此处无数。
DataFrame索引对齐
A + B
行列索引的顺序可以不同。结果的索引会自动按顺序排列。
可以通过fill_value 参数自定义缺失值，注意：fill_value填充在A上，然后与B相加，不是运算之后再填fill_value.
DataFrame 与 Series的运算
需要对一个DataFrame和一个Series运算，行列对齐方式与之前类似， 与Numpy 二维数组与一维数组的运算规则是一样的。
广播。
numpy 二维数组和一维数组计算
默认按行运算。
Pandas也是默认按行运算
按列计算，使用axis参数。
处理缺失值
缺失值三种形式：null NaN NA
识别缺失值的方法：
1）覆盖全局的掩码
2）用一个标签值
Pandas的缺失值
综合考量：Pandas最终选择标签方法表示缺失值。 浮点数据类型的NaN值，以及None对象。
- None: Python对象类型的缺失值
由于None是一个Python对象，所以不能作为任何Numpy/Pandas数组类型的缺失值。
Python中没有定义None和整数之间的加法运算 - NaN:数值类型的缺失值
NaN: not a number. 任何系统中都兼容的特殊浮点数
NaN是一个数据类病毒，会同化和它接触的数据， 进行何种操作，结果都是NaN
Numpy也提供了特殊的累计函数，可以忽略缺失值的影响
np.nansum() nanmin() nanmax()
处理缺失值
- 发现缺失值 isnull() notnull()
isnull() 创建一个布尔类型的掩码标签 缺失值
notnull() 与 isnull()相反
布尔类型掩码数组可以直接作为Series或DataFrame的索引使用
-
剔除缺失值 dropna()
DataFrame 不太一样哦。
我们没法从datafram单独剔除一个值。要么是整行，要么是整列。
dropna()会剔除任何包含缺失值的整行数据
剔除列，axis=1 or axis = 'columns'
行或列全部是缺失值 剔除使用how=any,
根据缺失值的数量 使用thresh 参数， 行或列中非缺失值的最小数量
-
填充缺失值 fillna()
使用0来填充缺失值
从前往后填充
从后往前填充
DataFrame一行。只是需要设置坐标轴参数
axis=1 代表行。
axis=0 代表列。 我去。。。。
