①导入xlrd模块
创新互联建站专注为客户提供全方位的互联网综合服务，包含不限于成都做网站、网站设计、邯山网络推广、微信小程序定制开发、邯山网络营销、邯山企业策划、邯山品牌公关、搜索引擎seo、人物专访、企业宣传片、企业代运营等，从售前售中售后，我们都将竭诚为您服务，您的肯定，是我们最大的嘉奖；创新互联建站为所有大学生创业者提供邯山建站搭建服务，24小时服务热线：13518219792，官方网址：www.cdcxhl.com
②导入excel data=xlrd.open_workbook('xxx.xlsx')
③进行交换的方法就是进行多次赋值操作，利用xlrd模块中的put_cell函数就可以进行赋值，然后写一个循环语句就可以实现两列之间的交换。
数据缺失
数据缺失在大部分数据分析应用中都很常见，Pandas使用浮点值NaN表示浮点和非浮点数组中的缺失数据，他只是一个便于被检测出来的数据而已。
from pandas import Series,DataFrame
string_data=Series(['abcd','efgh','ijkl','mnop'])
print(string_data)
print("...........\n")
print(string_data.isnull())12345671234567
Python内置的None值也会被当作NA处理
from pandas import Series,DataFrame
string_data=Series(['abcd','efgh','ijkl','mnop'])
print(string_data)
print("...........\n")
string_data[0]=None
print(string_data.isnull())123456789123456789
处理NA的方法有四种：dropna,fillna,isnull,notnull
is(not)null，这一对方法对对象做出元素级的应用，然后返回一个布尔型数组，一般可用于布尔型索引。
dropna，对于一个Series，dropna返回一个仅含非空数据和索引值的Series。
问题在于DataFrame的处理方式，因为一旦drop的话，至少要丢掉一行（列）。这里解决方法与前面类似，还是通过一个额外的参数：dropna(axis=0,how=’any’,thresh=None)，how参数可选的值为any或者all.all仅在切片元素全为NA时才抛弃该行(列)。thresh为整数类型，eg:thresh=3,那么一行当中至少有三个NA值时才将其保留。
fillna,fillna(value=None,method=None,axis=0)中的value除了基本类型外，还可以使用字典，这样可以实现对不同列填充不同的值。
过滤数据：
对于一个Series，dropna返回一个仅含非空数据和索引值的Series：
from pandas import Series,DataFrame
from numpy import nan as NA
data=Series([1,NA,3.5,NA,7])
print(data.dropna())123456123456
另一个过滤DataFrame行的问题涉及问题序列数据。假设只想留一部分观察数据，可以用thresh参数实现此目的：
from pandas import Series,DataFrame, np
from numpy import nan as NA
data=DataFrame(np.random.randn(7,3))
data.ix[:4,1]=NA
data.ix[:2,2]=NA
print(data)
print("...........")
print(data.dropna(thresh=2))1234567891011121312345678910111213
不想滤除缺失的数据，而是通过其他方式填补“空洞”，fillna是最主要的函数。
通过一个常数调用fillna就会将缺失值替换为那个常数值：
from pandas import Series,DataFrame, np
from numpy import nan as NA
data=DataFrame(np.random.randn(7,3))
data.ix[:4,1]=NA
data.ix[:2,2]=NA
print(data)
print("...........")
print(data.fillna(0))1234567891011121312345678910111213
若是通过一个字典调用fillna，就可以实现对不同列填充不同的值。
from pandas import Series,DataFrame, np
from numpy import nan as NA
data=DataFrame(np.random.randn(7,3))
data.ix[:4,1]=NA
data.ix[:2,2]=NA
print(data)
print("...........")
print(data.fillna({1:111,2:222}))1234567891011121312345678910111213
可以利用fillna实现许多别的功能，比如可以传入Series的平均值或中位数：
from pandas import Series,DataFrame, np
from numpy import nan as NA
data=Series([1.0,NA,3.5,NA,7])
print(data)
print("...........\n")
print(data.fillna(data.mean()))
123456789123456789
检测和过滤异常值
异常值(outlier)的过滤或变换运算在很大程度上就是数组运算。如下一个(1000,4)的标准正态分布数组：
from pandas import Series,DataFrame, np
from numpy import nan as NA
data=DataFrame(np.random.randn(1000,4))
print(data.describe())
print("\n....找出某一列中绝对值大小超过3的项...\n")
col=data[3]
print(col[np.abs(col) 3] )
print("\n....找出全部绝对值超过3的值的行...\n")
print(col[(np.abs(data) 3).any(1)] )123456789101112123456789101112
移除重复数据
DataFrame的duplicated方法返回一个布尔型Series，表示各行是否是重复行。
from pandas import Series,DataFrame, np
from numpy import nan as NA
import pandas as pd
import numpy as np
data=pd.DataFrame({'k1':['one']*3+['two']*4, 'k2':[1,1,2,2,3,3,4]})
print(data)
print("........\n")
print(data.duplicated())123456789123456789
与此相关的还有一个drop_duplicated方法，它用于返回一个移除了重复行的DataFrame：
from pandas import Series,DataFrame, np
from numpy import nan as NA
import pandas as pd
import numpy as np
data=pd.DataFrame({'k1':['one']*3+['two']*4, 'k2':[1,1,2,2,3,3,4]})
print(data)
print("........\n")
print(data.drop_duplicates())123456789123456789
上面的两个方法会默认判断全部列，也可以指定部分列进行重复项判断，假设还有一列值，而只希望根据k1列过滤重复项。
from pandas import Series,DataFrame, np
from numpy import nan as NA
import pandas as pd
import numpy as np
data=pd.DataFrame({'k1':['one']*3+['two']*4, 'k2':[1,1,2,2,3,3,4]})
data['v1']=range(7)
print(data)
print("........\n")
print(data.drop_duplicates(['k1']))1234567891012345678910
duplicates和drop_duplicates默认保留第一个出现的值组合。传入take_last=True则保留最后一个：
from pandas import Series,DataFrame, np
from numpy import nan as NA
import pandas as pd
import numpy as np
data=pd.DataFrame({'k1':['one']*3+['two']*4, 'k2':[1,1,2,2,3,3,4]})
data['v1']=range(7)
print(data)
print("........\n")
print(data.drop_duplicates(['k1','k2'],take_last=True))1234567891012345678910
一.闭包的定义：
在一个函数的内部，再定义一个函数(内部函数)。这个内部函数引用了外部函数的变量，并且外部函数返回这个内部函数， 我们把这个使用外部函数变量的内部函数称为 闭包 。
简而言之， 闭包就是能够读取外部函数内的变量的函数。
例如：
形成闭包的两个条件:
二.闭包的用途
① 可以读取函数内部的变量
② 将一些变量的值始终保存到内存中
1.读取函数内部的变量
在一般情况下，在函数外部我们是不能访问到函数内部的变量的。但是， 有时想要在函数外部能够访问到函数内部的变量，那么就可以使用闭包。
例如:
上面的代码可以看出，print(a)会抛异常NameError: name 'a' is not defined。在函数f1的外面无法访问它的变量的。
在函数f1里面定义一个闭包函数就可以访问到了
例如：
2.将一些变量的值始终保存到内存中
运行结果:
通过上面的输出结果可以看出闭包保存了外部函数内的变量n1的值1，每次执行闭包都是在n1 = 1 基础上进行计算的。
三.闭包的缺点
1. 由于闭包会使得函数中的变量都被保存在内存中，会增加 内存消耗 ，所以不能滥用闭包，否则会造成程序的性能问题，可能导致内存泄露
2. 闭包无法改变外部函数局部变量指向的内存地址
3. 返回闭包时，返回函数不要引用任何循环变量，或者后续会发生变化的变量
四.判断一个函数是否是闭包
判断一个函数是不是闭包，可以查看它的 closure 属性。如果该函数是闭包，查看该属性将会返回一个cell对象组成的tuple。如果我们分别对每个cell对象查看其cell_contents属性，返回的内容就是闭包引用的自由变量的值。
运行结果:
闭包的__closure__方法，可以展示出闭包储存了外部函数的两个变量，cell的内存地址是什么，在cell里面储存的对象类型是int，这个int储存的内存地址是什么。
闭包的__closure__方法，可以查看每个cell对象的内容
运行结果:
cell_contents解释了局部变量在脱离函数后仍然可以在函数之外被访问的原因，因为变量被存储在cell_contents中了。
object.attribute
表示得到对象的属性
然后一个变量值，是列表类型的话可以通过
listTypeValue[startNum:endNum]
去获得从startNum到endNum中这段的值
而如果把startNum到endNum都省略的话，则表示从头到尾，获得所有的。
所以你那句的意思是：
获得对象PartA中属性cell（是个列表）中的所有的值。
cell = [] ，
这句放到for循环外边，
可能是循环到最后输入了其他东西，而且，你把cell列表的定义放在循环里，只能存到最后一个文件的信息
