1.1 例如：print(hex(2))案例
站在用户的角度思考问题，与客户深入沟通，找到安化网站设计与安化网站推广的解决方案，凭借多年的经验，让设计与互联网技术结合，创造个性化、用户体验好的作品，建站类型包括：网站设计制作、成都网站制作、企业官网、英文网站、手机端网站、网站推广、主机域名、网页空间、企业邮箱。业务覆盖安化地区。
1.2 输出函数：print(hex(2))
1.3 输出结果：0x2
1.4 解析说明：返回16进制的数。
2.1 例如：print(chr(10))案例
2.2 输出函数：print(chr(10))
2.3 输出结果：0o12
2.4 解析说明：返回当前整数对应的ASCll码
3.1 例如：print(ord("b"))案例
3.2 输出函数：print(ord("b"))
3.3 输出结果：98
3.4 解析说明：返回当前ASCll码的10进制数
4.1 例如：print(chr(97))
4.2 输出函数：print(chr(97))
4.3 输出结果：b
4.4 解析说明：返回当前ASCll码的10进制数。
案例一：给你一个字符串,s = 'hello kitty'
1.1 输出函数：print(s.capitalize())
1.2 输出结果：0x2
1.3 解析说明：返回16进制的数。
2.1输出函数：print(s.replace('kitty','kuang'))
2.2 输出结果：hello kuang
2.3 解析说明：替换功能，将kitty换成kuang。
2.4 输出函数：print(s.replace('4','KK'))
2.5 输出结果：12KK12KK
2.6 解析说明：所有的4都替换成KK
2.7 输出函数：print(s.replace('4','KK'))
2.8 输出结果：12KK12KK124
2.9 解析说明：将前两个的4替换成go
案例一：给你一个字符串，ip = '192.168.1.1'
3.1 输出函数：print(ip.split(','))
3.2 输出结果：['192.168.1.1']
3.3 解析说明：将字符串分割成列表
案例一：给你一个字符串，ip = '192.168.1.1'
3.3 输出函数：print(ip.split(',',2))
3.4 输出结果：['192.168.1.1']
3.5 解析说明：从第二个开始分割成列表
1
len(list)
列表元素个数
2
max(list)
返回列表元素最大值
3
min(list)
返回列表元素最小值
4
list(seq)
将元组转换为列表
序号
方法
1
list.append(obj)
在列表末尾添加新的对象
2
list.count(obj)
统计某个元素在列表中出现的次数
3
list.extend(seq)
在列表末尾一次性追加另一个序列中的多个值（用新列表扩展原来的列表）
4
list.index(obj)
从列表中找出某个值第一个匹配项的索引位置
5
list.insert(index, obj)
将对象插入列表
6
list.pop([index=-1])
移除列表中的一个元素（默认最后一个元素），并且返回该元素的值
7
list.remove(obj)
移除列表中某个值的第一个匹配项
8
list.reverse()
反向列表中元素
9
list.sort( key=None, reverse=False)
对原列表进行排序
10
list.clear()
清空列表
11
list.copy()
复制列表
【常见的内置函数】
1、enumerate(iterable,start=0)
是python的内置函数，是枚举、列举的意思，对于一个可迭代的(iterable)/可遍历的对象(如列表、字符串)，enumerate将其组成一个索引序列，利用它可以同时获得索引和值。
2、zip(*iterables,strict=False)
用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用*号操作符，可以将元组解压为列表。
3、filter(function,iterable)
filter是将一个序列进行过滤，返回迭代器的对象，去除不满足条件的序列。
4、isinstance(object,classinfo)
是用来判断某一个变量或者是对象是不是属于某种类型的一个函数，如果参数object是classinfo的实例，或者object是classinfo类的子类的一个实例，
返回True。如果object不是一个给定类型的的对象， 则返回结果总是False
5、eval(expression[,globals[,locals]])
用来将字符串str当成有效的表达式来求值并返回计算结果，表达式解析参数expression并作为Python表达式进行求值(从技术上说是一个条件列表)，采用globals和locals字典作为全局和局部命名空间。
【常用的句式】
1、format字符串格式化
format把字符串当成一个模板，通过传入的参数进行格式化，非常实用且强大。
2、连接字符串
常使用+连接两个字符串。
3、if...else条件语句
Python条件语句是通过一条或多条语句的执行结果(True或者False)来决定执行的代码块。其中if...else语句用来执行需要判断的情形。
4、for...in、while循环语句
循环语句就是遍历一个序列，循环去执行某个操作，Python中的循环语句有for和while。
5、import导入其他脚本的功能
有时需要使用另一个python文件中的脚本，这其实很简单，就像使用import关键字导入任何模块一样。
pandas官方文档:
对常用函数做了汇总，每个函数的参数可能不是全的，但是常用的，不常用的没总结，如有问题，请不吝赐教，谢谢！
1、创建Series
通用函数：pd.Series(values,index)
1)pd.Series([1,2,3],index=[‘a’,‘b’,‘c‘])
2)pd.Series(np.array([1,2,3]),index=[‘a’,‘b’,‘c‘])
3)pd.Series({ 'a'：1, 'b'：2, 'c'：3})
Series转字典：Series.to_dict()
说明：Series的values参数是python中常见的一维数据类型。
2、属性
1）Series.values ---array([1,2,3])
Series的values是array类型
2）Series.index---index([‘a’,‘b’,‘c‘])
未指定index时，自动生成 0-（N-1）的整数索引，
指定 index时，使用指定索引。
3、Series的索引与切片
Series[0] / Series['a'] : Sereis可以位置索引或标签索引，也可以进行切片操作
1、创建DataFrame
1) 创建DataFrame的通用函数：
df = pd.DataFrame(values,index,columns)
pd.dataFrame([[1,2,3],[4,5,6],[7,8,9]],index=['a','b','c'],columns=['bj','sh','sz'])
pd.dataFrame(np.arange(1,10).reshape(3,3),index=['a','b','c'],columns=['bj','sh','sz'])
pd.dataFrame('bj':[1,4,7],'sh':[2,5,8],'sz':[3,6,9],index=['a','b','c'])
说明：创建方法与Sries类似，Series的values参数是python中常见的一维数据类型，DataFrame的values参数是python中常见的二维数据类型。
2) 通过网页中复制数据快捷创建
import webbrowser
link = ''
webbrowser.open(link)
打开界面进行复制，将数据复制到粘贴板中
df = pd.read_clipboard() #从粘贴板中读取数据
3）通过Series创建DataFrame
df = pd.DataFrame([s1,s2,s3],columns=['bj','sh','sz'])
注意：单独的s1,s2,s3是纵向排列的的Series，但是在DataFrame中是横向排列的。
自己总结：Series除了打印出来是Series格式外，其他时候可以直接当作list来操作。
2、属性
1)df.columns
通过columns生成新的DataFrame
df_new = pd.DataFrame(df,columns=['x1','x2'])
或者df_new = df[['x1','x2']]
2)df.shape 显示行列数
3)df.head() 默认显示前5行
4)df.tail() 默认显示后5行
3、获取DataFrame的列
1）获取DataFrame某一列
df.x1或df['x1']:返回值是Series,可以理解为一个DataFrame是由多个Series组成的。
2) 获取DataFrame某几列
df_new = df[['x1','x2','x3']]
4、为某列赋值
1) df['x1'] = range(10)
2) df['x1'] = numpy.arange(10)
3) df['x1'] = pd.Series(np.arange(10))
说明：类似于创建Series
5、为某列对应的特定行重新赋值
df['x1'] = pd.Series([2,3],index=[0,1])
将列为x1,行索引为0和1的值改为2,3
6、获取DadaFrame的行
for row in DataFrame.iterrows():
print(row[0],row[1])
#每个row是一个元祖，包含2个元素，row[0]是整型索引，row[1]是Series,所以从行的角度也可以看出，一个DataFrame是由多个Series组成的。
7、DataFrame的转置
df_new = df.T
1、粘贴板的io
df = pd.read_clipboard()
df.to_clipboard()
2、csv的io
df.to_csv('xxx.csv')
df = pd.read_csv('xxx.csv')
3、json的io
df.to_json()
pd.read_json(df.to_json())
4、excel的io
df.to_excel('xx.xlsx')
df = pd.read_excel('xx.xlsx')
5、df = pd.read_sql('')
df.to_sql('')
1、iloc
sub_df = df.iloc[10:20,:] 选取DataFrame的10-20行，所有列数据
sub_df = df.iloc[10:20,0:2]
说明：iloc函数是位置索引，与索引的名字无关。
2、loc
sub_df = df.loc[10:20,:'movie_name']
说明：loc是标签索引，10,20，'movie_name' 都是索引名字，与位置无关。
1、Series.reindex(index=['x1','x2','x3'],fill_value=10)
将df重新索引，并且将NaN空值用10进行填充
2、Series.reindex(index=range(15),method='ffill')
前项填充，后面的值用前面的值进行填充
通过reindex想到，如果想新增一个空列或者空行，可以用reindex方法,同样地，想减少某些行或者某些列，也可以用reindex方法。
继reindex之后删除行列的函数操作
Series.drop('A') #删除'A'所对应的值
DataFrame.drop(label,axis)
label可以是行名也可以是列名，label是行的话axis是0，label是列的话axis是1。
** 删除行还可以用 del df['A']
nan是numpy的一种数据类型，np.nan,float类型
任何数据与nan的运算结果都是nan
1、nan in Series
Series.isnull() --返回value为True或者False的Series
Series.notnull() --返回value为True或者False的Series
Series.dropna() --返回删除nan值后的Series
Series.fillna(method='ffill') --前项插值，按照前面的值填充后面的空值
2、nan in DataFrame
df.isnull() --返回value为True或者False的DataFrame
df.notnull() --返回value为True或者False的DataFrame
df.dropna(axis=0/1,how='any/all'，thresh=None)
说明：axis表示删除行为nan或者列为nan；
any表示只要有一个为空，all表示行中的每个元素或者列中的每个元素为空；
thresh是阈值的意思，表示某行或者某列nan的个数达到阈值的个数时才删除该行或该列。
df.fillna(value=1) ---所有的空值都填充为1
df.fillna(value={0:0,1:1,2:2}) ---将0列的空值填为0,1列的空值填为1,2列的空值填为2，默认为填充列
注意：fillna和dropna的特点，生成新的DataFrame,原来的DataFrame不变。
1、多重索引介绍
Series = pd.Series(np.random.randn(6),index=[['1','1','1','2','2','2'],['a','b','c','a','b','c']])
'1','2'为一级索引，'a','b','c'为二级索引
df 可以看做是索引的'1','2'的Series
Series['1'] --Series
Series['1']['a'] --value
Series[:,'a'] --选择'1'和'2'中的'a'对应的值
2、多重索引格式转为二维DataFrame
df = Series.unstack() --转为二维DataFrame
3、多重索引在DataFrame中的操作
1、 map函数与apply函数、applymap函数的区别：
1）map函数对Series中的每个元素作用；
2）applymap函数对DataFrame中的每个元素作用；
3）apply函数对对DataFrame和Series的一列做整体运算。
2、Series.replace(to_replace=[2,3,4],values=[20,30,40]) 替换Series中多个值
Series.replace({1:10,2:20}) 将索引为1的值替换为10，将索引为2的值替换为20
df.sum() --默认按照列进行求和,nan的值被忽略
df.min() --默认按照列求最小值
df.max() --默认按照列求最大值
df.mean() --默认按照列求平均值
df.describe() --默认按照列进行描述
df.sum(axis=1) --按行求和，nan的值被忽略
#axis=0表示对横轴进行操作，但是运算中表现为纵轴操作
#axis=1表示对纵轴进行操作，但是运算中表现为横轴操作
bins = [0,59,70,80,100],bins是分割范围
score_cat = pd.cut(Series,bins) ---得到catgory类型的数据
DataFrame的分箱技术很棒啊！
pd['catgory'] = pd.cut(df['a'],bins=[0,59,70,80,100],labels=['low','ok','good','great'])
--新增一列，将a列的值按照labels进行分类标记，good!!!
#生成长度为3的随机字符串 pd.util.testing.rands(3)
1、按照一列分组
g = df.groupby('city')
g是分组类型数据，打印不出来，所以看不到，但是有属性和方法可以间接的了解
1） g.groups --得到分的几个组，和每个组包含的索引
2）g.get_group('BJ') --得到'BJ'所对应的组
3）groupby = split +apply +combine
g.mean() --求每组的平均值
g.max() --求每组的最大值
g.min() --求每组的最小值
g.count()
g.describe()
4）g是一个可迭代对象，可以用list函数将其转化为list
list(g) -- [('组名1',DataFrame1),('组名2',DataFrame2),(),()]
dict(list(g)) --将其转化为字典
同时可以通过for循环进行遍历操作：for item,desc in g:print(item,desc)
#怪不得分组后不是DataFrame，因为元组的第一个元素是'分组名'。
2、按照多列分组
g_new = df.groupby(['city','wind'])
得到生成器((('分组1','分组2'),DataFrame),(),()...)
g_new.get_group(('分组1','分组2'))
for (name_1,name_2),group in g_new:
print((name_1,name_2),group)
g.mean() --求每组的平均值
与g.agg('mean')方法一样
pd.pivot_table(df,index=['',''],aggfuc='sum',values=['',''])
index是分组的组名，values是透视表呈现结果的列，columns是values下的分解
#感觉透视表呈现的结果就是groupby+agg后的结果
#分析者需要对数据结构有一定的了解
df.sort_values(by='',ascending=True/False)[:10] df可以索引
df.value_counts() --按值计数
df.['a'] = df['b'].apply(lambda x:x0) --DataFrame中的True/False
通过g.size()可以看到被groupby之后的数据，得到的是一个Series
1、Series的排序：
1）对值进行排序
Series.sort_values() ---直接对Series的值进行排序
2）通过索引进行排序
Series.sort_index()
#默认都是升序排列
2、DataFrame的排序
df.sort_values(by='') --按照某列的顺序进行排序
df['a'].sort_values() --返回对a列数据的排序结果，只返回a列
1、df.index = Series(['a','b','c']) 直接对index赋予新值
2、df.index = df.index.map(str.upper)
map函数中只传入新的函数名即可
3、df.rename(index=str.upper,columns=str.lower)
或者传递字典，进行一一转换
pd.merge(df1,df2,on=None,how='left/right/inner/outer')
pd.merge(df1,df2) --没有on参数默认先找相同的columns,然后在columns下找相同的values
pd.merge(df1,df2,on='columns') --on参数是指按照指定列进行merge
left:表示以左边的数据表为基准，进行填充右面的数据
right:表示以右边的数据表为基准，填充左边的数据
outer:以on的指定列的所有值为基准，填充两边的数据
inner:默认inner,相同on指定的columns下的相同values对应的左右两边的数据
1、concat拼接
pd.concat([Series1,Series2])
pd.concat([df1,df2]) -- 上下叠加，将没有的列进行填充
2、combine组合
Series1.combine_first(Series2) --用Series2的值去填充Series1中为空的值
df1.combine_first(df2) ---用df2将df1中的空值填充
df['A'] = df['A'].apply(str.upper) ---apply函数中也只输入函数名
len(df) --求df的长度
len(df['a'].unique()) --查看a列中不重复数据的多少
Series.duplicated() --返回一列True/False的Series
Series.drop_duplicates() --删除重复值
df.drop_duplicates('a',keep='first/last')
df.drop_duplicates() --删除完全重复的行
参数：'a'表示以a列为基准，删除重复值
first表示保留第一个，last表示保留最后一个
data_list = pd.date_range(start,end,period='D',freq)
period='D',以天为单位
freq = 'W' 以周为单位
freq = 'W-Mon'以每周一位单位
freq = '5H' 以5h为单位
以data_range作为索引提取数据比较简单
df[datetime(2017,9,1)]
df['2017-09-01']
df['20170901']
df['201709']
对时间序列数据进行分组聚合操作：
s1.resample('M').mean() --以月为单位进行采样，然后求每组的平均值
s1.resample('H').ffill() --前项填充
s1.resample('H').bfill() --后项填充
补充：1）jupyter中可以执行linux命令，太棒了！
!ls
!more xxx.csv
!pwd 等等
2）jupyter 查看函数帮助的快捷键：摁住shift + tab 棒！！！
1、complex()
返回一个形如 a+bj 的复数，传入参数分为三种情况：
参数为空时，返回0j；参数为字符串时，将字符串表达式解释为复数形式并返回；参数为两个整数(a,b)时，返回 a+bj；参数只有一个整数 a 时，虚部 b 默认为0，函数返回 a+0j。
2、dir()
不提供参数时，返回当前本地范围内的名称列表；提供一个参数时，返回该对象包含的全部属性。
3、divmod(a,b)
a -- 代表被除数，整数或浮点数；b -- 代表除数，整数或浮点数；根据 除法运算 计算 a,b 之间的商和余数，函数返回一个元组(p,q) ，p 代表商 a//b ，q 代表余数 a%b。
4、enumerate(iterable,start=0)
iterable -- 一个可迭代对象，列表、元组序列等；start -- 计数索引值，默认初始为0‘该函数返回枚举对象是个迭代器，利用 next() 方法依次返回元素值，每个元素以元组形式存在，包含一个计数元素(起始为 start )和 iterable 中对应的元素值。
python系统提供了下面常用的函数：
1. 数学库模块（math）提供了很多数学运算函数；
2.复数模块（cmath）提供了用于复数运算的函数；
3.随机数模块（random）提供了用来生成随机数的函数；
4.时间（time）和日历（calendar）模块提供了能处理日期和时间的函数。
注意：在调用系统函数之前，先要使用import 语句导入 相应的模块
该语句将模块中定义的函数代码复制到自己的程 序中，然后就可以访问模块中的任何函数，其方 法是在函数名前面加上“模块名.”。
希望能帮到你。
