Pandas-API速查表

摘要: 本文记录 Pandas 的 API，使用时关键词搜索即可

【对算法，数学，计算机感兴趣的同学，欢迎关注我哈，阅读更多原创文章】
我的网站：潮汐朝夕的生活实验室
我的公众号：算法题刷刷
我的知乎：潮汐朝夕
我的github：FennelDumplings
我的leetcode：FennelDumplings

---

参考资料：

• 书：微信读书《深入浅出Pandas》
• 与上面的书同作者的博文：Pandas 函数 API 大全

---

---

DataFrame

构造器 Constructor

api	介绍
DataFrame([data, index, columns, dtype, copy])	生成二维、大小可变、可为异构的表格数据

属性和基础数据 Attributes and underlying data

api	介绍
DataFrame.index	DataFrame 的索引（行标签）
DataFrame.columns	DataFrame的列标签
DataFrame.dtypes	返回DataFrame中的dtype。
DataFrame.info([verbose, buf, max_cols, …])	打印 DataFrame 的简要摘要
DataFrame.select_dtypes([include, exclude])	根据列 dtypes 返回 DataFrame 列的子集
DataFrame.values	返回 DataFrame 的 Numpy 表示形式
DataFrame.axes	返回一个表示 DataFrame 轴的列表
DataFrame.ndim	返回一个表示轴数/数组维数的整数
DataFrame.size	返回表示此对象中元素数量的int
DataFrame.shape	返回一个表示 DataFrame 维数的元组
DataFrame.memory_usage（[index，deep]）	返回每列的内存使用情况（以字节为单位）
DataFrame.empty	指示 DataFrame 是否为空
DataFrame.set_flags(*[, copy, …])	返回带有更新标志的新对象

转换 Conversion

api	介绍
DataFrame.astype(dtype[, copy, errors])	将 pandas 对象转换为指定的 dtype dtype
DataFrame.convert_dtypes([infer_objects, …])	使用支持 pd.NA 的 dtypes 将列转换为最佳可能的 dtypes
DataFrame.infer_objects()	尝试为对象列推断更好的 dtype
DataFrame.copy([deep])	复制该对象的索引和数据
DataFrame.bool()	返回单个元素 Series 或 DataFrame 的布尔值

索引/迭代 Indexing, iteration

api	介绍
DataFrame.head([n])	返回前 n 行
DataFrame.at	访问行/列标签对的单个值
DataFrame.iat	通过整数位置访问行/列对的单个值
DataFrame.loc	通过标签或布尔数组访问一组行和列
DataFrame.iloc	基于位置的纯基于整数位置的索引
DataFrame.insert(loc, column, value[, …])	将列插入到DataFrame中的指定位置
DataFrame.iter()	遍历轴信息
DataFrame.items()	遍历（列名，序列）对
DataFrame.iteritems()	遍历（列名，序列）对
DataFrame.keys()	获取轴信息
DataFrame.iterrows()	将 DataFrame 行作为（索引，系列）对迭代
DataFrame.itertuples([index, name])	将 DataFrame 行迭代为 namedtuple
DataFrame.lookup(row_labels, col_labels)	DataFrame 基于标签的“花式索引”（fancy indexing）功能
DataFrame.pop(item)	删除并返回删除的内容
DataFrame.tail([n])	返回最后 n 行
DataFrame.xs(key[, axis, level, drop_level])	从 Series/DataFrame 返回横截面。
DataFrame.get(key[, default])	从对象获取给定键的项目
DataFrame.isin(values)	DataFrame 中的每个元素是否包含在值中
DataFrame.where(cond[, other, inplace, …])	替换条件为 False 的值
DataFrame.mask(cond[, other, inplace, axis, …])	替换条件为 True 的值
DataFrame.query(expr[, inplace])	使用布尔表达式字符查询 DataFrame 的列

计算 (二元运算) Binary operator functions

api	介绍
DataFrame.add(other[, axis, level, fill_value])	加法 Addition（二元运算 radd）dataframe + other，下同
DataFrame.sub(other[, axis, level, fill_value])	减法 Subtraction (二元运算 sub)，d - o
DataFrame.mul(other[, axis, level, fill_value])	乘法 Multiplication (二元运算 mul) ，d * o
DataFrame.div(other[, axis, level, fill_value])	浮点除 Floating division (二元运算 truediv)，d / o
DataFrame.truediv(other[, axis, level, …])	浮点除 Floating division (二元运算 truediv)，d / o
DataFrame.floordiv(other[, axis, level, …])	整除 Integer division (二元运算 floordiv)，d // o
DataFrame.mod(other[, axis, level, fill_value])	模数 Modulo (二元运算 mod)，d % o
DataFrame.pow(other[, axis, level, fill_value])	指数幂 Exponential power (二元运算 pow) ，d ** o
DataFrame.dot(other)	矩阵乘法 matrix multiplication，d @ o（py 3.5+）
DataFrame.radd(other[, axis, level, fill_value])	加法 Addition，o + d，与上顺序相反（二元运算 radd）
DataFrame.rsub(other[, axis, level, fill_value])	(binary operator rsub).
DataFrame.rmul(other[, axis, level, fill_value])	(binary operator rmul).
DataFrame.rdiv(other[, axis, level, fill_value])	(binary operator rtruediv).
DataFrame.rtruediv(other[, axis, level, …])	(binary operator rtruediv).
DataFrame.rfloordiv(other[, axis, level, …])	(binary operator rfloordiv).
DataFrame.rmod(other[, axis, level, fill_value])	(binary operator rmod).
DataFrame.rpow(other[, axis, level, fill_value])	(binary operator rpow).
DataFrame.lt(other[, axis, level])	小于 Less than (二元运算 lt) ，d < o，对应位置的布尔值，下同
DataFrame.gt(other[, axis, level])	大于 Greater (二元运算 gt)，d > o
DataFrame.le(other[, axis, level])	小于等于 Less than or equal to，(二元运算 le)，d <= o
DataFrame.ge(other[, axis, level])	大于等于 Greater than or equal to， (二元运算 ge)，d >= o
DataFrame.ne(other[, axis, level])	不等于 Not equal to，(二元运算 ne)，d != o
DataFrame.eq(other[, axis, level])	等于 Equal to， (二元运算 eq)，，d == o
DataFrame.combine(other, func[, fill_value, …])	与另一个 DataFrame 按列合并
DataFrame.combine_first(other)	在其他位置相同的位置更新具有值的空元素

函数应用/GroupBy/窗口 Function application, GroupBy & window

api	介绍
DataFrame.apply(func[, axis, raw, …])	沿 DataFrame 的轴应用函数
DataFrame.applymap(func)	将一个函数应用于所有元素
DataFrame.pipe(func, args, *kwargs)	应用 func(self, args, *kwargs)
DataFrame.agg([func, axis])	使用指定轴上的一项或多项操作进行汇总
DataFrame.aggregate([func, axis])	DataFrame.agg 的全写
DataFrame.transform(func[, axis])	调用 func 产生具有相同结构 DataFrame
DataFrame.groupby([by, axis, level, …])	使用映射器或按一列对 DataFrame 进行分组
DataFrame.rolling(window[, min_periods, …])	提供滚动窗口计算
DataFrame.expanding([min_periods, center, axis])	提供扩展的转换
DataFrame.ewm([com, span, halflife, alpha, …])	提供指数加权（EW）函数

计算/描述性统计 Computations / descriptive stats

api	介绍
DataFrame.abs()	每个元素的绝对数值
DataFrame.all([axis, bool_only, skipna, level])	返回是否所有元素都为 True（可沿着某个轴）
DataFrame.any([axis, bool_only, skipna, level])	返回是否有任何元素为 True（可沿着某个轴）
DataFrame.clip([lower, upper, axis, inplace])	按给定上下限值进行修剪（超出范围的采用此值）
DataFrame.corr([method, min_periods])	计算列的相关性，不包括NA/空值
DataFrame.corrwith(other[, axis, drop, method])	计算与其他 DataFrame/Series 相关性
DataFrame.count([axis, level, numeric_only])	对每列或每行的非NA单元格进行计数
DataFrame.cov([min_periods, ddof])	计算列的成对协方差，不包括NA/null值
DataFrame.cummax([axis, skipna])	返回数据帧或序列轴上的累积最大值
DataFrame.cummin([axis, skipna])	返回数据帧或序列轴上的累计最小值
DataFrame.cumprod([axis, skipna])	返回数据帧或序列轴上的累积乘积
DataFrame.cumsum([axis, skipna])	返回数据帧或序列轴上的累积和
DataFrame.describe([percentiles, include, …])	生成描述性统计
DataFrame.diff([periods, axis])	元素的第一离散差分
DataFrame.eval(expr[, inplace])	计算描述对数据帧列的操作的字符串
DataFrame.kurt([axis, skipna, level, …])	返回请求轴上的无偏峰度
DataFrame.kurtosis([axis, skipna, level, …])	返回请求轴上的无偏峰度
DataFrame.mad([axis, skipna, level])	返回所请求轴的值的平均绝对偏差
DataFrame.max([axis, skipna, level, …])	返回请求轴的最大值
DataFrame.mean([axis, skipna, level, …])	返回请求轴的平均值
DataFrame.median([axis, skipna, level, …])	返回所请求轴的值的中位数
DataFrame.min([axis, skipna, level, …])	返回请求轴的最小值
DataFrame.mode([axis, numeric_only, dropna])	沿选定轴获取元素的模
DataFrame.pct_change([periods, fill_method, …])	当前元素和前一元素之间的百分比变化
DataFrame.prod([axis, skipna, level, …])	返回所请求轴的值的乘积
DataFrame.product([axis, skipna, level, …])	返回所请求轴的值的乘积
DataFrame.quantile([q, axis, numeric_only, …])	返回请求轴上给定分位数处的值
DataFrame.rank([axis, method, numeric_only, …])	沿轴计算数值数据列（1到n）
DataFrame.round([decimals])	将数据帧舍入到可变的小数位数
DataFrame.sem([axis, skipna, level, ddof, …])	返回请求轴上平均值的无偏标准误差
DataFrame.skew([axis, skipna, level, …])	返回请求轴上的无偏倾斜
DataFrame.sum([axis, skipna, level, …])	返回请求轴上的无偏倾斜
DataFrame.std([axis, skipna, level, ddof, …])	返回请求轴上的样本标准偏差
DataFrame.var([axis, skipna, level, ddof, …])	返回请求轴上的无偏方差
DataFrame.nunique([axis, dropna])	计算请求轴上的不同观察值
DataFrame.value_counts([subset, normalize, …])	返回数据帧中包含唯一行计数的序列

重新索引/选择/标签操作 Reindexing / selection / label manipulation

api	介绍
DataFrame.add_prefix(prefix)	标签前缀增加字符串
DataFrame.add_suffix(suffix)	带字符串后缀的后缀标签
DataFrame.align(other[, join, axis, level, …])	使用指定的连接方法在轴上对齐两个对象
DataFrame.at_time(time[, asof, axis])	选择一天中特定时间的值 (如 9:30AM)
DataFrame.between_time(start_time, end_time)	选择一天中特定时间之间的值 (如 9:00-9:30 AM)
DataFrame.drop([labels, axis, index, …])	从行或列中删除指定的标签
DataFrame.drop_duplicates([subset, keep, …])	返回删除重复行的数据帧
DataFrame.duplicated([subset, keep])	返回表示重复行的布尔序列
DataFrame.equals(other)	返回表示重复行的布尔序列
DataFrame.filter([items, like, regex, axis])	根据指定的索引标签对数据帧行或列进行子集化
DataFrame.first(offset)	基于日期偏移选择时间序列数据的初始时段
DataFrame.head([n])	返回前n行
DataFrame.idxmax([axis, skipna])	返回请求轴上第一次出现的最大值的索引
DataFrame.idxmin([axis, skipna])	在请求的轴上第一次出现最小值的返回索引
DataFrame.last(offset)	基于日期偏移选择时间序列数据的最后时段
DataFrame.reindex([labels, index, columns, …])	使用可选填充逻辑使序列/数据帧与新索引一致
DataFrame.reindex_like(other[, method, …])	与其他对象一样返回具有匹配索引的对象
DataFrame.rename([mapper, index, columns, …])	更改轴标签
DataFrame.rename_axis([mapper, index, …])	设置索引或列的轴的名称
DataFrame.reset_index([level, drop, …])	重置索引或其级别
DataFrame.sample([n, frac, replace, …])	从对象轴返回项目的随机样本
DataFrame.set_axis(labels[, axis, inplace])	将所需索引指定给给定轴
DataFrame.set_index(keys[, drop, append, …])	使用现有列设置数据帧索引
DataFrame.tail([n])	返回最后n行
DataFrame.take(indices[, axis, is_copy])	沿轴返回给定位置索引中的元素
DataFrame.truncate([before, after, axis, copy])	在某个索引值前后截断序列或数据帧

缺失数据处理 Missing data handling

api	介绍
DataFrame.backfill([axis, inplace, limit, …])	同 DataFrame.fillna() 参数 method=’bfill’.
DataFrame.bfill([axis, inplace, limit, downcast])	同 DataFrame.fillna() 参数 method=’bfill’.
DataFrame.dropna([axis, how, thresh, …])	删除缺少的值
DataFrame.ffill([axis, inplace, limit, downcast])	同 DataFrame.fillna() 参数 method=’ffill’.
DataFrame.fillna([value, method, axis, …])	使用指定的方法填充NA/NaN值
DataFrame.interpolate([method, axis, limit, …])	插值，对于多索引的DataFrame/Series，只支持method=’linear’
DataFrame.isna()	检测缺失值
DataFrame.isnull()	检测缺失值
DataFrame.notna()	检测现有（非缺失）值
DataFrame.notnull()	检测现有（非缺失）值
DataFrame.pad([axis, inplace, limit, downcast])	同 DataFrame.fillna() 参数 method=’ffill’
DataFrame.replace([to_replace, value, …])	替换值

整形/分类/换位 Reshaping, sorting, transposing

api	介绍
DataFrame.droplevel(level[, axis])	返回已删除请求的索引/列级别的数据帧
DataFrame.pivot([index, columns, values])	返回由给定索引/列值组织的重塑数据帧
DataFrame.pivot_table([values, index, …])	将电子表格样式的数据透视表创建为数据框
DataFrame.reorder_levels(order[, axis])	使用输入顺序重新排列索引级别
DataFrame.sort_values(by[, axis, ascending, …])	按任一轴上的值排序
DataFrame.sort_index([axis, level, …])	按标签对对象排序（沿轴）
DataFrame.nlargest(n, columns[, keep])	返回按列降序排列的前n行
DataFrame.nsmallest(n, columns[, keep])	按列升序返回前n行
DataFrame.swaplevel([i, j, axis])	交换特定轴上多索引中的i和j级
DataFrame.stack([level, dropna])	将指定的级别从列堆叠到索引
DataFrame.unstack([level, fill_value])	将指定的级别从列堆叠到索引
DataFrame.swapaxes(axis1, axis2[, copy])	适当地交换轴和交换值轴
DataFrame.melt([id_vars, value_vars, …])	将数据帧从宽格式解压为长格式，可以选择保留标识符集
DataFrame.explode(column[, ignore_index])	将列表中的每个元素转换为一行，复制索引值
DataFrame.squeeze([axis])	将一维轴对象挤压成标量
DataFrame.to_xarray()	从pandas对象返回xarray对象
DataFrame.T	转置，同 DataFrame.transpose
DataFrame.transpose(*args[, copy])	转置索引和列

合并/比较/加入/合并 Combining / comparing / joining / merging

api	介绍
DataFrame.append(other[, ignore_index, …])	将其他行追加到调用者的末尾，返回一个新对象
DataFrame.assign(**kwargs)	为数据帧分配新列
DataFrame.compare(other[, align_axis, …])	与另一个数据帧进行比较并显示差异
DataFrame.join(other[, on, how, lsuffix, …])	连接另一个数据帧的列
DataFrame.merge(right[, how, on, left_on, …])	将DataFrame或命名系列对象与数据库样式联接合并
DataFrame.update(other[, join, overwrite, …])	使用其他数据帧中的非NA值就地修改

时间序列相关 Time Series-related

api	介绍
DataFrame.asfreq(freq[, method, how, …])	将时间序列转换为指定频率
DataFrame.asof(where[, subset])	返回where之前的最后一行，不带任何nan
DataFrame.shift([periods, freq, axis, …])	用一个可选的时间频率按所需的周期数移动索引
DataFrame.slice_shift([periods, axis])	相当于移位而不复制数据
DataFrame.tshift([periods, freq, axis])	（已弃用）使用索引的频率（如果可用）移动时间索引
DataFrame.first_valid_index()	返回第一个非NA/null值的索引
DataFrame.last_valid_index()	返回最后一个非NA/null值的索引
DataFrame.resample(rule[, axis, closed, …])	重新采样时间序列数据
DataFrame.to_period([freq, axis, copy])	将数据帧从DatetimeIndex转换为PeriodIndex
DataFrame.to_timestamp([freq, how, axis, copy])	转换为时间戳的DatetimeIndex，在时段开始处
DataFrame.tz_convert(tz[, axis, level, copy])	将时间轴转换为目标时区
DataFrame.tz_localize(tz[, axis, level, …])	将序列或数据帧的原始索引本地化为目标时区

元数据 Metadata

api	介绍
DataFrame.attrs	此对象的全局属性字典

绘图 Plotting

api	介绍
DataFrame.plot([x, y, kind, ax, ….])	数据帧绘制存取器及方法
DataFrame.plot.area([x, y])	绘制堆积面积图
DataFrame.plot.bar([x, y])	垂直条形图
DataFrame.plot.barh([x, y])	做一个水平条形图
DataFrame.plot.box([by])	绘制数据框列的箱形图
DataFrame.plot.density([bw_method, ind])	使用高斯核生成核密度估计图
DataFrame.plot.hexbin(x, y[, C, …])	生成六边形箱形图
DataFrame.plot.hist([by, bins])	绘制数据帧列的直方图
DataFrame.plot.kde([bw_method, ind])	使用高斯核生成核密度估计图
DataFrame.plot.line([x, y])	将序列或数据帧绘制为线
DataFrame.plot.pie(**kwargs)	生成饼图
DataFrame.plot.scatter(x, y[, s, c])	创建具有不同标记点大小和颜色的散点图
DataFrame.boxplot([column, by, ax, …])	从DataFrame列生成箱线图
DataFrame.hist([column, by, grid, …])	制作数据帧的直方图

稀疏存取器 Sparse accessor

api	介绍
DataFrame.sparse.density	非稀疏点与总（密集）数据点的比率
DataFrame.sparse.from_spmatrix(data[, …])	从一个scipy稀疏矩阵创建一个新的数据帧
DataFrame.sparse.to_coo()	以稀疏SciPy COO矩阵的形式返回帧的内容
DataFrame.sparse.to_dense()	将具有稀疏值的数据帧转换为密集值

序列化/IO/转换 Serialization / IO / conversion

api	介绍
DataFrame.from_dict(data[, orient, dtype, …])	从数组的dict构造数据帧
DataFrame.from_records(data[, index, …])	将结构化或记录数组转换为数据帧
DataFrame.to_parquet(path[, engine, …])	将数据帧写入二进制parquet格式
DataFrame.to_pickle(path[, compression, …])	Pickle（序列化）对象到文件
DataFrame.to_csv([path_or_buf, sep, na_rep, …])	将对象写入逗号分隔值（csv）文件
DataFrame.to_hdf(path_or_buf, key[, mode, …])	使用HDFStore将包含的数据写入HDF5文件
DataFrame.to_sql(name, con[, schema, …])	将数据帧中存储的记录写入SQL数据库
DataFrame.to_dict([orient, into])	将数据帧转换为字典
DataFrame.to_excel(excel_writer[, …])	将对象写入Excel工作表
DataFrame.to_json([path_or_buf, orient, …])	将对象转换为JSON字符串
DataFrame.to_html([buf, columns, col_space, …])	将数据帧呈现为HTML表
DataFrame.to_feather(path, **kwargs)	将数据帧写入二进制羽化格式
DataFrame.to_latex([buf, columns, …])	将对象渲染为LaTeX表格、长表格或嵌套 table/tabular
DataFrame.to_stata(path[, convert_dates, …])	将DataFrame对象导出为Stata dta格式
DataFrame.to_gbq(destination_table[, …])	将数据帧写入google big query表
DataFrame.to_records([index, column_dtypes, …])	将数据帧转换为NumPy记录数组
DataFrame.to_string([buf, columns, …])	将数据帧呈现为控制台友好的表格输出
DataFrame.to_clipboard([excel, sep])	将对象复制到系统剪贴板
DataFrame.to_markdown([buf, mode, index])	以便于标记的格式打印数据帧
DataFrame.style	返回样式器对象

---

Series

构造器 Constructor

api	介绍
Series([data, index, dtype, name, copy, …])	生成具有轴标签（可以是时间序列）的一维序列

属性 Attributes

api	介绍
Series.index	系列的索引（轴标签）
Series.array	序列的 PandasArray 格式数据
Series.values	根据 dtype 将 Series 返回为 ndarray 或类似 ndarray
Series.dtype	返回基础数据的dtype对象
Series.shape	返回基础数据形状的元组
Series.nbytes	返回基础数据中的字节数
Series.ndim	根据定义，基础数据的维数为1
Series.size	返回基础数据中的元素数
Series.T	返回转置，为了兼容，值为自我
Series.memory_usage([index, deep])	返回序列的内存使用情况
Series.hasnans	返回如果我有任何空值
Series.empty	指示数据帧是否为空
Series.dtypes	返回基础数据的dtype对象
Series.name	返回序列的名称
Series.flags	获取对象关联的属性
Series.set_flags(*[, copy, …])	返回带有更新标志的新对象

转换 Conversion

api	介绍
Series.astype(dtype[, copy, errors])	将对象强制转换为指定的数据类型
Series.convert_dtypes([infer_objects, …])	使用数据类型将列转换为最佳数据类型，支持 pd.NA.
Series.infer_objects()	尝试为对象列推断更好的数据类型
Series.copy([deep])	复制此对象的索引和数据
Series.bool()	返回单个元素序列或数据帧的布尔值
Series.to_numpy([dtype, copy, na_value])	返回单个元素序列或数据帧的布尔值
Series.to_period([freq, copy])	将序列从DatetimeIndex转换为PeriodIndex
Series.to_timestamp([freq, how, copy])	转换为时间戳的DatetimeIndex，在时段开始处
Series.to_list()	返回值的列表
Series.array([dtype])	以NumPy数组的形式返回值

索引和迭代 Indexing, iteration

api	介绍
Series.get(key[, default])	从给定键的对象获取项（例如：DataFrame列）
Series.at	访问行/列标签对的单个值
Series.iat	按整数位置访问行/列对的单个值
Series.loc	按标签或布尔数组访问一组行和列
Series.iloc	纯整数位置为基础的位置选择索引
Series.iter()	返回值的迭代器
Series.items()	惰性迭代（索引，值）元组
Series.iteritems()	惰性迭代（索引，值）元组
Series.keys()	返回索引的别名
Series.pop(item)	返回项目并从系列中删除
Series.item()	以python标量形式返回基础数据的第一个元素
Series.xs(key[, axis, level, drop_level])	从序列/数据帧返回横截面

运算符功能 Binary operator functions

api	介绍
Series.add(other[, level, fill_value, axis])	返回序列和其他元素的加法（二进制运算符加法）
Series.sub(other[, level, fill_value, axis])	返回序列和其他元素的减法（二进制运算符sub）
Series.mul(other[, level, fill_value, axis])	按元素返回级数和其它数的乘法（二进制运算符mul）
Series.div(other[, level, fill_value, axis])	返回序列和其他元素的浮点除法（二进制运算符truediv）
Series.truediv(other[, level, fill_value, axis])	返回序列和其他元素的浮点除法（二进制运算符truediv）
Series.floordiv(other[, level, fill_value, axis])	返回序列和其他元素的整数除法（二进制运算符floordiv）
Series.mod(other[, level, fill_value, axis])	返回系列和其他元素的模（二进制运算符mod）
Series.pow(other[, level, fill_value, axis])	返回序列和其他元素的指数幂（二进制运算符pow）
Series.radd(other[, level, fill_value, axis])	返回序列和其他元素的加法（二进制运算符radd）
Series.rsub(other[, level, fill_value, axis])	返回序列和其他元素的减法（二进制运算符rsub）
Series.rmul(other[, level, fill_value, axis])	按元素返回级数和其它数的乘法（二进制运算符rmul）
Series.rdiv(other[, level, fill_value, axis])	返回序列和其他元素的浮点除法（二进制运算符rtruediv）
Series.rtruediv(other[, level, fill_value, axis])	返回序列和其他元素的浮点除法（二进制运算符rtruediv）
Series.rfloordiv(other[, level, fill_value, …])	返回序列和其他元素的整数除法（二进制运算符rfloordiv）
Series.rmod(other[, level, fill_value, axis])	返回系列和其他元素的模（二进制运算符rmod）
Series.rpow(other[, level, fill_value, axis])	返回序列和其他元素的指数幂（二进制运算符rpow）
Series.combine(other, func[, fill_value])	根据func将级数与级数或标量组合
Series.combine_first(other)	组合序列值，首先选择调用序列的值
Series.round([decimals])	将序列中的每个值四舍五入到给定的小数位数
Series.lt(other[, level, fill_value, axis])	返回小于系列和其他元素的元素（二进制运算符lt）
Series.gt(other[, level, fill_value, axis])	返回大于系列和其他元素的值（二进制运算符gt）
Series.le(other[, level, fill_value, axis])	返回小于或等于系列和其他元素的值（二进制运算符le）
Series.ge(other[, level, fill_value, axis])	返回大于或等于系列和其他元素的值（二进制运算符ge）
Series.ne(other[, level, fill_value, axis])	返回不等于系列和其他元素的整数（二进制运算符ne）
Series.eq(other[, level, fill_value, axis])	返回等于系列和其他元素的整数（二进制运算符eq）
Series.product([axis, skipna, level, …])	返回所请求轴的值的乘积
Series.dot(other)	计算序列和其他列之间的点积

函数应用，分组和窗口计算 Function application, GroupBy & window

api	介绍
Series.apply(func[, convert_dtype, args])	对序列值调用函数
Series.agg([func, axis])	在指定轴上使用一个或多个操作进行聚合
Series.aggregate([func, axis])	在指定轴上使用一个或多个操作进行聚合
Series.transform(func[, axis])	调用func生成一个具有转换值的序列
Series.map(arg[, na_action])	根据输入对应关系映射系列值
Series.groupby([by, axis, level, as_index, …])	使用映射器或按一系列列对序列进行分组
Series.rolling(window[, min_periods, …])	提供滚动窗口计算
Series.expanding([min_periods, center, axis])	提供扩展转换
Series.ewm([com, span, halflife, alpha, …])	提供指数加权（EW）函数
Series.pipe(func, args, *kwargs)	支持 func(self, args, *kwargs).

计算/描述性统计 Computations / descriptive stats

api	介绍
Series.abs()	返回带有每个元素绝对数值的序列/数据帧
Series.all([axis, bool_only, skipna, level])	返回是否所有元素都为真，可能在一个轴上
Series.any([axis, bool_only, skipna, level])	返回任何元素是否为真，可能在轴上
Series.autocorr([lag])	计算lag-N自相关
Series.between(left, right[, inclusive])	返回等价于left<=Series<=right的布尔级数
Series.clip([lower, upper, axis, inplace])	输入阈值处的微调值
Series.corr(other[, method, min_periods])	计算与其他序列的相关性，不包括缺失值
Series.count([level])	返回序列中非NA/null观测值的数目
Series.cov(other[, min_periods, ddof])	计算序列的协方差，不包括缺失值
Series.cummax([axis, skipna])	返回数据帧或序列轴上的累积最大值
Series.cummin([axis, skipna])	返回数据帧或序列轴上的累计最小值
Series.cumprod([axis, skipna])	返回数据帧或序列轴上的累积乘积
Series.cumsum([axis, skipna])	返回数据帧或序列轴上的累积和
Series.describe([percentiles, include, …])	生成描述性统计
Series.diff([periods])	元素的第一离散差分
Series.factorize([sort, na_sentinel])	将对象编码为枚举类型或分类变量
Series.kurt([axis, skipna, level, numeric_only])	返回请求轴上的无偏峰度
Series.mad([axis, skipna, level])	返回请求轴值的平均绝对偏差
Series.max([axis, skipna, level, numeric_only])	返回请求轴的最大值
Series.mean([axis, skipna, level, numeric_only])	返回所请求轴的平均值
Series.median([axis, skipna, level, …])	返回所请求轴的中位数
Series.min([axis, skipna, level, numeric_only])	返回请求轴的最小值
Series.mode([dropna])	返回数据集的模式
Series.nlargest([n, keep])	返回最大的n个元素
Series.nsmallest([n, keep])	返回最大的n个元素
Series.pct_change([periods, fill_method, …])	当前元素和上一个元素之间的百分比变化
Series.prod([axis, skipna, level, …])	返回所请求轴的值的乘积
Series.quantile([q, interpolation])	返回给定分位数处的值
Series.rank([axis, method, numeric_only, …])	沿轴计算数值数据秩（1到n）
Series.sem([axis, skipna, level, ddof, …])	返回请求轴上平均值的无偏标准误差
Series.skew([axis, skipna, level, numeric_only])	返回请求轴上的无偏倾斜
Series.std([axis, skipna, level, ddof, …])	返回要求轴上的样本标准偏差
Series.sum([axis, skipna, level, …])	返回所请求轴的值之和
Series.var([axis, skipna, level, ddof, …])	返回请求轴上的无偏方差
Series.kurtosis([axis, skipna, level, …])	返回请求轴上的无偏峰度
Series.unique()	返回序列对象的唯一值
Series.nunique([dropna])	返回对象中唯一元素的数目
Series.is_unique	如果对象中的值唯一，则返回布尔值
Series.is_monotonic	如果对象中的值是单调递增的，则返回布尔值
Series.is_monotonic_increasing	is_monotonic 的别名
Series.is_monotonic_decreasing	如果对象中的值是单调递减的，则返回布尔值
Series.value_counts([normalize, sort, …])	返回包含唯一值计数的序列

重新索引/选择/标签操作 Reindexing / selection / label manipulation

api	介绍
Series.align(other[, join, axis, level, …])	使用指定的连接方法在轴上对齐两个对象
Series.drop([labels, axis, index, columns, …])	删除指定索引标签的返回序列
Series.droplevel(level[, axis])	返回已删除请求的索引/列级别的数据帧
Series.drop_duplicates([keep, inplace])	删除重复值的返回序列
Series.duplicated([keep])	表示重复的序列值
Series.equals(other)	测试两个对象是否包含相同的元素
Series.first(offset)	基于日期偏移选择时间序列数据的初始时段
Series.head([n])	返回前n行
Series.idxmax([axis, skipna])	返回最大值的行标签
Series.idxmin([axis, skipna])	返回最小值的行标签
Series.isin(values)	序列中的元素是否包含在值中
Series.last(offset)	根据日期偏移选择时间序列数据的最后时段
Series.reindex([index])	使用可选填充逻辑使系列符合新索引
Series.reindex_like(other[, method, copy, …])	返回索引与其他对象匹配的对象
Series.rename([index, axis, copy, inplace, …])	更改系列索引标签或名称
Series.rename_axis([mapper, index, columns, …])	设置索引或列的轴的名称
Series.reset_index([level, drop, name, inplace])	使用索引重置生成新的数据帧或序列
Series.sample([n, frac, replace, weights, …])	从对象轴返回项目的随机样本
Series.set_axis(labels[, axis, inplace])	将所需索引指定给给定轴
Series.take(indices[, axis, is_copy])	沿轴返回给定位置索引中的元素
Series.tail([n])	沿轴返回给定位置索引中的元素
Series.truncate([before, after, axis, copy])	截断某个索引值前后的序列或数据帧
Series.where(cond[, other, inplace, axis, …])	替换条件为 False 的值
Series.mask(cond[, other, inplace, axis, …])	替换条件为 True 的值
Series.add_prefix(prefix)	使用字符串前缀为标签添加前缀
Series.add_suffix(suffix)	带有字符串后缀的后缀标签
Series.filter([items, like, regex, axis])	根据指定的索引标签对数据帧行或列进行子集设置

缺失值处理 Missing data handling

api	介绍
Series.backfill([axis, inplace, limit, downcast])	同 DataFrame.fillna() 使用 method=’bfill’
Series.bfill([axis, inplace, limit, downcast])	同 DataFrame.fillna() 使用 method=’bfill’.
Series.dropna([axis, inplace, how])	返回已删除缺失值的新序列
Series.ffill([axis, inplace, limit, downcast])	同 DataFrame.fillna() 使用 method=’ffill’.
Series.fillna([value, method, axis, …])	使用指定的方法填充 NA/NaN 值
Series.interpolate([method, axis, limit, …])	插值，多层索引仅支持 method=’linear’
Series.isna()	检测缺失值
Series.isnull()	检测缺失值
Series.notna()	检测现有（非缺失）值
Series.notnull()	检测现有（非缺失）值
Series.pad([axis, inplace, limit, downcast])	同 DataFrame.fillna() 使用 method=’ffill’.
Series.replace([to_replace, value, inplace, …])	将指定值替换为给出的值

重塑/排序 Reshaping, sorting

api	介绍
Series.argsort([axis, kind, order])	返回将对序列值进行排序的整数索引
Series.argmin([axis, skipna])	返回序列中最小值的int位置
Series.argmax([axis, skipna])	返回序列中最大值的int位置
Series.reorder_levels(order)	使用输入顺序重新排列索引级别
Series.sort_values([axis, ascending, …])	按值排序
Series.sort_index([axis, level, ascending, …])	按索引标签对序列进行排序
Series.swaplevel([i, j, copy])	在多索引中交换级别i和j
Series.unstack([level, fill_value])	Unstack，也称为pivot，是一个具有多索引的系列，用于生成数据帧
Series.explode([ignore_index])	将列表中的每个元素转换为一行
Series.searchsorted(value[, side, sorter])	查找应插入元素以保持顺序的索引
Series.ravel([order])	将展开的基础数据作为 ndarray 返回
Series.repeat(repeats[, axis])	重复系列的元素
Series.squeeze([axis])	将一维轴对象压缩为标量
Series.view([dtype])	创建系列的新视图

合并/比较/合并/合并 Combining / comparing / joining / merging

api	介绍
Series.append(to_append[, ignore_index, …])	连接两个或多个系列
Series.compare(other[, align_axis, …])	与另一个系列进行比较并显示差异
Series.replace([to_replace, value, inplace, …])	将中给出的值替换为值
Series.update(other)	使用传递序列中的值就地修改序列

时间序列有关 Time Series-related

api	介绍
Series.asfreq(freq[, method, how, …])	将时间序列转换为指定的频率
Series.asof(where[, subset])	返回where之前的最后一行，不带任何 NaN
Series.shift([periods, freq, axis, fill_value])	按所需周期数和可选时间频率进行移位索引
Series.first_valid_index()	返回第一个非NA/null值的索引
Series.last_valid_index()	返回最后一个非NA/null值的索引
Series.resample(rule[, axis, closed, label, …])	对时间序列数据重新采样
Series.tz_convert(tz[, axis, level, copy])	将时间轴转换为目标时区
Series.tz_localize(tz[, axis, level, copy, …])	将序列或数据帧的初始索引本地化为目标时区
Series.at_time(time[, asof, axis])	选择一天中特定时间（如上午9:30）的值
Series.between_time(start_time, end_time[, …])	选择一天中特定时间（例如上午9:00-9:30）之间的值
Series.tshift([periods, freq, axis])	（已弃用）使用索引的频率（如果可用）移动时间索引
Series.slice_shift([periods, axis])	相当于shift而不复制数据

存取器 Accessors

Pandas在各种访问器下提供特定于数据类型的方法。这些名称空间是系列中单独的名称空间，仅适用于特定的数据类型。

Data Type	Accessor
Datetime, Timedelta, Period	dt
String	str
Categorical	cat
Sparse	sparse

类似日期时间的属性 Datetimelike properties

Series.dt可用于以datetimelike的形式访问序列的值，并返回多个属性。可以像Series.dt.一样访问这些属性。

日期时间属性 Datetime properties

api	介绍
Series.dt.date	返回python datetime.date对象的numpy数组（即不含时区信息的时间戳的日期部分）
Series.dt.time	返回datetime.time的numpy数组
Series.dt.timetz	返回datetime.time的numpy数组，该数组还包含时区信息
Series.dt.year	日期时间的年份
Series.dt.month	一月=1，十二月=12的月份
Series.dt.day	日期时间的日期
Series.dt.hour	日期时间的小时数
Series.dt.minute	日期时间的分钟数
Series.dt.second	日期时间的秒数
Series.dt.microsecond	日期时间的微秒
Series.dt.nanosecond	日期时间的纳秒数
Series.dt.week	（不推荐）一年中的第几周
Series.dt.weekofyear	（不推荐）一年中的第几周
Series.dt.dayofweek	星期一=0，星期日=6的一周中的某一天
Series.dt.weekday	星期一=0，星期日=6的一周中的某一天
Series.dt.dayofyear	一年中的第几天
Series.dt.quarter	日期的四分之一
Series.dt.is_month_start	指示日期是否为当月的第一天
Series.dt.is_month_end	指示日期是否为当月的最后一天
Series.dt.is_quarter_start	指示日期是否为季度的第一天
Series.dt.is_quarter_end	指示日期是否为季度的最后一天
Series.dt.is_year_start	指明日期是否为一年中的第一天
Series.dt.is_year_end	指明日期是否为一年中的最后一天
Series.dt.is_leap_year	如果日期属于闰年，则为布尔指示符
Series.dt.daysinmonth	当月的天数
Series.dt.days_in_month	当月的天数
Series.dt.tz	返回时区（如果有）
Series.dt.freq	返回此周期数组的频率对象 PeriodArray

日期时间方法 Datetime methods

api	介绍
Series.dt.to_period(args, *kwargs)	以特定频率强制转换到周期数组/索引 PeriodArray/Index
Series.dt.to_pydatetime()	以本机Python datetime对象数组的形式返回数据
Series.dt.tz_localize(args, *kwargs)	将tz naive Datetime数组/索引本地化为tz感知的Datetime数组/索引
Series.dt.tz_convert(args, *kwargs)	将tz感知的日期时间数组/索引从一个时区转换为另一个时区
Series.dt.normalize(args, *kwargs)	将时间转换为午夜
Series.dt.strftime(args, *kwargs)	使用指定的日期格式转换为索引
Series.dt.round(args, *kwargs)	按指定的频率对数据执行舍入操作
Series.dt.floor(args, *kwargs)	以指定的频率对数据执行floor操作
Series.dt.ceil(args, *kwargs)	以指定的频率对数据执行ceil操作
Series.dt.month_name(args, *kwargs)	返回具有指定区域设置的DateTimeIndex的月份名称
Series.dt.day_name(args, *kwargs)	返回具有指定区域设置的DateTimeIndex的日期名称

周期属性 Period properties

api
Series.dt.qyear
Series.dt.start_time
Series.dt.end_time

时间增量属性 Timedelta properties

api	介绍
Series.dt.days	每个元素的天数
Series.dt.seconds	每个元素的秒数（>=0且小于1天）
Series.dt.microseconds	每个元素的微秒数（>=0且小于1秒）
Series.dt.nanoseconds	每个元素的纳秒数（>=0且小于1微秒）
Series.dt.components	返回TimeDelta组件的数据帧

时间增量方法 Timedelta methods

api	介绍
Series.dt.to_pytimedelta()	Return an array of native datetime.timedelta objects.
Series.dt.total_seconds(args, *kwargs)	Return total duration of each element expressed in seconds.

字符串处理 String handling

Series.str 可用于以字符串形式访问序列的值，并对其应用多种方法。可以像Series.str.一样访问这些文件。

api	介绍
Series.str.capitalize()	将序列/索引中的字符串转换为大写
Series.str.casefold()	将序列/索引中的字符串转换为大小写折叠
Series.str.cat([others, sep, na_rep, join])	用给定的分隔符连接序列/索引中的字符串
Series.str.center(width[, fillchar])	在序列/索引中填充字符串的左侧和右侧
Series.str.contains(pat[, case, flags, na, …])	测试模式或正则表达式是否包含在序列或索引的字符串中
Series.str.count(pat[, flags])	统计序列/索引的每个字符串中模式的出现次数
Series.str.decode(encoding[, errors])	使用指定的编码对序列/索引中的字符串进行解码
Series.str.encode(encoding[, errors])	使用指定的编码对序列/索引中的字符串进行编码
Series.str.endswith(pat[, na])	测试每个字符串元素的结尾是否与模式匹配
Series.str.extract(pat[, flags, expand])	将正则表达式pat中的捕获组提取为数据帧中的列
Series.str.extractall(pat[, flags])	将正则表达式pat中的捕获组提取为DataFrame中的列
Series.str.find(sub[, start, end])	返回序列/索引中每个字符串的最低索引
Series.str.findall(pat[, flags])	查找序列/索引中所有出现的模式或正则表达式
Series.str.get(i)	从指定位置的每个组件中提取元素
Series.str.index(sub[, start, end])	返回系列/索引中每个字符串中的最低索引
Series.str.join(sep)	包含为序列/索引中的元素并带有传递的分隔符的联接列表
Series.str.len()	计算序列/索引中每个元素的长度
Series.str.ljust(width[, fillchar])	在序列/索引中填充字符串的右侧
Series.str.lower()	将序列/索引中的字符串转换为小写
Series.str.lstrip([to_strip])	删除前导字符
Series.str.match(pat[, case, flags, na])	确定每个字符串是否以正则表达式的匹配项开头
Series.str.normalize(form)	返回序列/索引中字符串的Unicode标准格式
Series.str.pad(width[, side, fillchar])	填充系列/索引中的字符串，最大宽度为
Series.str.partition([sep, expand])	在第一次出现sep时拆分字符串
Series.str.repeat(repeats)	复制序列或索引中的每个字符串
Series.str.replace(pat, repl[, n, case, …])	替换序列/索引中出现的每个pattern/regex
Series.str.rfind(sub[, start, end])	返回序列/索引中每个字符串的最高索引
Series.str.rindex(sub[, start, end])	返回系列/索引中每个字符串的最高索引
Series.str.rjust(width[, fillchar])	在序列/索引中填充字符串的左侧
Series.str.rpartition([sep, expand])	在最后一次出现sep时拆分字符串
Series.str.rstrip([to_strip])	删除尾随字符
Series.str.slice([start, stop, step])	从序列或索引中的每个元素切片子字符串
Series.str.slice_replace([start, stop, repl])	用另一个值替换字符串的位置切片
Series.str.split([pat, n, expand])	围绕给定的分隔符/分隔符拆分字符串
Series.str.rsplit([pat, n, expand])	围绕给定的分隔符/分隔符拆分字符串
Series.str.startswith(pat[, na])	测试每个字符串元素的开头是否与模式匹配
Series.str.strip([to_strip])	删除前导字符和尾随字符
Series.str.swapcase()	将序列/索引中的字符串大小写转换
Series.str.title()	将序列/索引中的字符串转换为 titlecase
Series.str.translate(table)	通过给定的映射表映射字符串中的所有字符
Series.str.upper()	将序列/索引中的字符串转换为大写
Series.str.wrap(width, **kwargs)	以指定的线宽将字符串按系列/索引进行换行
Series.str.zfill(width)	通过在“0”字符前加前缀来填充序列/索引中的字符串
Series.str.isalnum()	检查每个字符串中的所有字符是否都是字母数字
Series.str.isalpha()	检查每个字符串中的所有字符是否按字母顺序排列
Series.str.isdigit()	检查每个字符串中的所有字符是否都是数字
Series.str.isspace()	检查每个字符串中的所有字符是否都是空白
Series.str.islower()	检查每个字符串中的所有字符是否为小写
Series.str.isupper()	检查每个字符串中的所有字符是否都是大写
Series.str.istitle()	检查每个字符串中的所有字符是否都是titlecase
Series.str.isnumeric()	检查每个字符串中的所有字符是否都是数字
Series.str.isdecimal()	检查每个字符串中的所有字符是否为十进制
Series.str.get_dummies([sep])	返回序列的虚拟/指示器变量的数据帧

分类存取器 Categorical accessor

在Series.cat访问器下提供了特定于数据类型的分类方法和属性。

api	介绍
Series.cat.categories	这一分类的类别
Series.cat.ordered	类别是否具有有序关系
Series.cat.codes	返回一系列代码以及索引
Series.cat.rename_categories(args, *kwargs)	重命名类别
Series.cat.reorder_categories(args, *kwargs)	按照新类别中的规定重新排序类别
Series.cat.add_categories(args, *kwargs)	添加新类别
Series.cat.remove_categories(args, *kwargs)	删除指定的类别
Series.cat.remove_unused_categories(*args, …)	删除未使用的类别
Series.cat.set_categories(args, *kwargs)	将类别设置为指定的新类别
Series.cat.as_ordered(args, *kwargs)	将分类设置为有序
Series.cat.as_unordered(args, *kwargs)	将分类设置为无序

稀疏存取器 Sparse accessor

特定于稀疏数据类型的方法和属性在Series.Sparse访问器下提供。

api	介绍
Series.sparse.npoints	非填充值点数
Series.sparse.density	非填充值点的百分比，以十进制表示
Series.sparse.fill_value	不存储数据中的填充值元素
Series.sparse.sp_values	包含 non- fill_value 值
Series.sparse.from_coo(A[, dense_index])	从 scipy.sparse.coo_matrix 矩阵创建具有稀疏值的序列
Series.sparse.to_coo([row_levels, …])	从具有多索引的序列创建 scipy.sparse.coo_matrix

元数据 Metadata

api	介绍
Series.attrs	此对象的全局属性字典

绘图 Plotting

Series.plot 是表单 Series.plot. 的特定绘图方法的可调用方法和命名空间属性。

api	介绍
Series.plot([kind, ax, figsize, ….])	系列绘图存取器及方法
Series.plot.area([x, y])	绘制堆叠面积图
Series.plot.bar([x, y])	垂直条形图
Series.plot.barh([x, y])	做一个水平条形图
Series.plot.box([by])	制作DataFrame列的方框图
Series.plot.density([bw_method, ind])	使用高斯核生成核密度估计图
Series.plot.hist([by, bins])	绘制数据帧列的一个直方图
Series.plot.kde([bw_method, ind])	使用高斯核生成核密度估计图
Series.plot.line([x, y])	将系列或数据框打印为线
Series.plot.pie(**kwargs)	生成饼图
Series.hist([by, ax, grid, xlabelsize, …])	使用matplotlib绘制输入序列的直方图

序列化/IO/转换 Serialization / IO / conversion

api	介绍
Series.to_pickle(path[, compression, protocol])	将对象Pickle（序列化）到文件
Series.to_csv([path_or_buf, sep, na_rep, …])	将对象写入逗号分隔值（csv）文件
Series.to_dict([into])	将序列转换为{label->value}dict或类似dict的对象
Series.to_excel(excel_writer[, sheet_name, …])	将对象写入Excel工作表
Series.to_frame([name])	将序列转换为数据帧
Series.to_xarray()	从pandas对象返回一个xarray对象
Series.to_hdf(path_or_buf, key[, mode, …])	使用HDFStore将包含的数据写入HDF5文件
Series.to_sql(name, con[, schema, …])	将存储在数据帧中的记录写入SQL数据库
Series.to_json([path_or_buf, orient, …])	将存储在数据帧中的记录写入SQL数据库
Series.to_string([buf, na_rep, …])	呈现序列的字符串表示形式
Series.to_clipboard([excel, sep])	将对象复制到系统剪贴板
Series.to_latex([buf, columns, col_space, …])	将对象渲染为LaTeX表格、长表格或嵌套表格/表格
Series.to_markdown([buf, mode, index])	以markdown的格式打印系列

---

分组 GroupBy

GroupBy 对象由 GroupBy 调用返回: pandas.DataFrame.groupby(), pandas.Series.groupby() 等。

Indexing, iteration

api	介绍
GroupBy.iter()	Groupby迭代器
GroupBy.groups	Dict{组名->组标签}
GroupBy.indices	Dict{组名->组索引}
GroupBy.get_group(name[, obj])	使用提供的名称从组构造数据帧
Grouper(args, *kwargs)	Grouper允许用户为对象指定groupby指令

函数应用 Function application

api	介绍
GroupBy.apply(func, args, *kwargs)	按组应用函数func并将结果组合在一起
GroupBy.agg(func, args, *kwargs)
SeriesGroupBy.aggregate([func, engine, …])	在指定轴上使用一个或多个操作进行聚合
DataFrameGroupBy.aggregate([func, engine, …])	在指定轴上使用一个或多个操作进行聚合
SeriesGroupBy.transform(func, *args[, …])	调用函数，在每个组上生成一个相似的索引序列，并返回一个序列，该序列具有与原始对象相同的索引，其中填充了转换后的值
DataFrameGroupBy.transform(func, *args[, …])	调用函数，在每个组上生成一个相似的索引数据帧，并返回一个数据帧，该数据帧的索引与原始对象的索引相同，并填充转换后的值
GroupBy.pipe(func, args, *kwargs)	将带参数的函数func应用于此GroupBy对象并返回函数的结果

计算/描述性统计 Computations / descriptive stats

api	介绍
GroupBy.all([skipna])	如果组中的所有值均为True，则返回True，否则返回False
GroupBy.any([skipna])	如果组中的任何值为True，则返回True，否则返回False
GroupBy.bfill([limit])	向后填充值
GroupBy.backfill([limit])	向后填充值
GroupBy.count()	计算组的计数，不包括缺少的值
GroupBy.cumcount([ascending])	将每组中的每个项目编号，从0到该组的长度-1
GroupBy.cummax([axis])	每组的累积最大值
GroupBy.cummin([axis])	每组的累积最小值
GroupBy.cumprod([axis])	累积积
GroupBy.cumsum([axis])	每组的累积总和
GroupBy.ffill([limit])	向前填充值
GroupBy.first([numeric_only, min_count])	计算第一组值
GroupBy.head([n])	返回每组的前n行
GroupBy.last([numeric_only, min_count])	计算最后一组值
GroupBy.max([numeric_only, min_count])	计算组值的最大值
GroupBy.mean([numeric_only])	计算组的平均值，不包括缺失值
GroupBy.median([numeric_only])	计算组的中值，不包括缺少的值
GroupBy.min([numeric_only, min_count])	计算组值的最小值
GroupBy.ngroup([ascending])	从0到组数-1对每个组进行编号
GroupBy.nth(n[, dropna])	如果n是整数，则取每组的第n行；如果n是整数列表，则取行的子集
GroupBy.ohlc()	计算组的打开、高、低和关闭值，不包括缺少的值
GroupBy.pad([limit])	向前填充值
GroupBy.prod([numeric_only, min_count])	计算组值的prod
GroupBy.rank([method, ascending, na_option, …])	提供每组中的值的排名
GroupBy.pct_change([periods, fill_method, …])	计算每个值相对于组中上一个条目的变化百分比
GroupBy.size()	计算组大小
GroupBy.sem([ddof])	计算各组平均值的标准误差，不包括缺失值
GroupBy.std([ddof])	计算各组的标准偏差，不包括缺失值
GroupBy.sum([numeric_only, min_count])	计算组值之和
GroupBy.var([ddof])	计算组的方差，不包括缺少的值
GroupBy.tail([n])	返回每组的最后n行

以下方法在SeriesGroupBy和DataFrameGroupBy对象中都可用，但可能略有不同，通常是DataFrameGroupBy版本允许指定axis参数，并且通常是指示是否将应用程序限制为特定数据类型的列的参数。

api	介绍
DataFrameGroupBy.all([skipna])	如果组中的所有值均为True，则返回True，否则返回False
DataFrameGroupBy.any([skipna])	如果组中的任何值为True，则返回True，否则返回False
DataFrameGroupBy.backfill([limit])	向后填充值
DataFrameGroupBy.bfill([limit])	向后填充值
DataFrameGroupBy.corr	计算列的成对相关性，不包括NA/null值
DataFrameGroupBy.count()	计算组的计数，不包括缺少的值
DataFrameGroupBy.cov	计算列的成对协方差，不包括NA/null值
DataFrameGroupBy.cumcount([ascending])	将每组中的每个项目编号，从0到该组的长度-1
DataFrameGroupBy.cummax([axis])	每组的累积最大值
DataFrameGroupBy.cummin([axis])	每组的累积最小值
DataFrameGroupBy.cumprod([axis])	每组的累积积
DataFrameGroupBy.cumsum([axis])	每组的累积总和
DataFrameGroupBy.describe(**kwargs)	生成描述性统计数据
DataFrameGroupBy.diff	元素的第一离散差分
DataFrameGroupBy.ffill([limit])	向前填充值
DataFrameGroupBy.fillna	使用指定的方法填充NA/NaN值
DataFrameGroupBy.filter(func[, dropna])	返回不包含筛选元素的数据帧的副本
DataFrameGroupBy.hist	制作数据帧的直方图
DataFrameGroupBy.idxmax	请求轴上最大值第一次出现的返回索引
DataFrameGroupBy.idxmin	请求轴上最小值第一次出现的返回索引
DataFrameGroupBy.mad	返回请求轴值的平均绝对偏差
DataFrameGroupBy.nunique([dropna])	返回每个位置具有唯一元素计数的DataFrame
DataFrameGroupBy.pad([limit])	向前填充值
DataFrameGroupBy.pct_change([periods, …])	计算每个值相对于组中上一个条目的变化百分比
DataFrameGroupBy.plot	类实现，groupby对象的图形属性
DataFrameGroupBy.quantile([q, interpolation])	返回给定分位数处的组值，a numpy，百分位数
DataFrameGroupBy.rank([method, ascending, …])	提供每组中的值的排名
DataFrameGroupBy.resample(rule, args, *kwargs)	使用TimeGrouper时提供重采样
DataFrameGroupBy.sample([n, frac, replace, …])	从每组返回项目的随机样本
DataFrameGroupBy.shift([periods, freq, …])	按观察周期移动每组
DataFrameGroupBy.size()	计算组大小
DataFrameGroupBy.skew	返回请求轴上的无偏倾斜
DataFrameGroupBy.take	沿轴返回给定位置索引中的元素
DataFrameGroupBy.tshift	（已弃用）使用索引的频率（如果可用）移动时间索引

以下方法仅适用于SeriesGroupBy对象。

api	介绍
SeriesGroupBy.hist	使用matplotlib绘制输入序列的直方图
SeriesGroupBy.nlargest	返回最大的n个元素
SeriesGroupBy.nsmallest	返回最小的n个元素
SeriesGroupBy.nunique([dropna])	返回组中唯一元素的数目
SeriesGroupBy.unique	返回序列对象的唯一值
SeriesGroupBy.value_counts([normalize, …])
SeriesGroupBy.is_monotonic_increasing	如果对象中的值是单调递增的，则返回布尔值
SeriesGroupBy.is_monotonic_decreasing	如果对象中的值是单调递减的，则返回布尔值

以下方法仅适用于DataFrameGroupBy对象。

api	介绍
DataFrameGroupBy.corrwith	计算两两相关性
DataFrameGroupBy.boxplot([subplots, column, …])	从DataFrameGroupBy数据生成方框图

---

输入和输出 Input/output

Pickling

api	介绍
pandas.read_pickle(filepath_or_buffer[, compression])	从文件中加载pickled的pandas对象（或任何对象）

平面文件 Flat file

api	介绍
pandas.read_table(filepath_or_buffer[, sep, …])	将常规定界文件读入 DataFrame
pandas.read_csv(filepath_or_buffer[, sep, …])	将逗号分隔值（csv）文件读取到 DataFrame
pandas.read_fwf(filepath_or_buffer[, colspecs, …])	将固定宽度格式的行表读入 DataFrame

剪贴板 Clipboard

api	介绍
pandas.read_clipboard([sep])	从剪贴板读取文本，然后传递给 read_csv 读取

Excel

api	介绍
pandas.read_excel(io[, sheet_name, header, names, …])	将Excel文件读取到 DataFrame
pandas.ExcelFile.parse([sheet_name, header, names, …])	将指定的工作表解析为 DataFrame
pandas.ExcelWriter(path[, engine])	用于将 DataFrame 对象写入 Excel工作表的类

JSON

api	介绍
pandas.read_json([path_or_buf, orient, typ, dtype, …])	将 JSON 字符串转换为 pandas 对象
pandas.json_normalize(data[, record_path, meta, …])	将半结构化 JSON 数据规范化为平面表
pandas.build_table_schema(data[, index, …])	根据数据创建表架构

HTML

api	介绍
pandas.read_html(io[, match, flavor, header, …])	将HTML表读入DataFrame对象列表

HDFStore: PyTables (HDF5)

api	介绍
pandas.read_hdf(path_or_buf[, key, mode, errors, …])	从存储中读取信息，读取后将其关闭
pandas.HDFStore.put(key, value[, format, index, …])	在 HDFStore 中存储对象
pandas.HDFStore.append(key, value[, format, axes, …])	追加到文件中的表
pandas.HDFStore.get(key)	Retrieve pandas object stored in file.
pandas.HDFStore.select(key[, where, start, stop, …])	检索存储在文件中的pandas对象，可以根据条件选择
pandas.HDFStore.info()	打印存储中的详细信息
pandas.HDFStore.keys([include])	返回与HDFStore中存储的对象相对应的键列表
pandas.HDFStore.groups()	返回所有顶级节点的列表
pandas.HDFStore.walk([where])	遍历pandas对象的pytables组层次结构

Feather

api	介绍
pandas.read_feather(path[, columns, use_threads])	从文件路径加载羽毛格式对象

Parquet

api	介绍
pandas.read_parquet(path[, engine, columns])	从文件路径加载 parquet 对象，返回数据帧

ORC

api	介绍
pandas.read_orc(path[, columns])	从文件路径加载ORC对象，返回数据帧

SAS

api	介绍
pandas.read_sas(filepath_or_buffer[, format, …])	读取存储为XPORT或SAS7BDAT格式文件的SAS文件

SPSS

api	介绍
pandas.read_spss(path[, usecols, convert_categoricals])	从文件路径加载SPSS文件，返回数据帧

SQL

api	介绍
pandas.read_sql_table(table_name, con[, schema, …])	将SQL数据库表读入DataFrame
pandas.read_sql_query(sql, con[, index_col, …])	将SQL查询读取到 DataFrame中
pandas.read_sql(sql, con[, index_col, …])	将SQL查询或数据库表读取到 DataFrame 中

Google BigQuery

api	介绍
pandas.read_gbq(query[, project_id, index_col, …])	加载 Google BigQuery 数据

STATA

api	介绍
pandas.read_stata(filepath_or_buffer[, …])	将Stata文件读入数据帧
pandas.StataReader.data_label	返回Stata文件的数据标签
pandas.StataReader.value_labels()	返回一个dict，将每个变量名与dict相关联，将每个值与相应的标签相关联
pandas.StataReader.variable_labels()	以dict形式返回变量标签，将每个变量名与相应的标签相关联
pandas.StataWriter.write_file()

---

Pandas 一般函数

pd.xxx()

Data manipulations

api	介绍
pandas.melt(frame[, id_vars, value_vars, var_name, …])	取消将 DataFrame 从宽格式转为长格式，可以选择保留标识符
pandas.pivot(data[, index, columns, values])	返回按给定索引/列值组织的重新整形数据帧
pandas.pivot_table(data[, values, index, columns, …])	创建电子表格样式的数据透视表作为数据框
pandas.crosstab(index, columns[, values, rownames, …])	计算两个（或更多）因素的简单交叉表
pandas.cut(x, bins[, right, labels, retbins, …])	Bin值转换为离散的间隔
pandas.qcut(x, q[, labels, retbins, precision, …])	基于分位数的离散化函数
pandas.merge(left, right[, how, on, left_on, …])	使用数据库样式联接合并数据帧或命名系列对象
pandas.merge_ordered(left, right[, on, left_on, …])	使用可选填充/插值执行合并
pandas.merge_asof(left, right[, on, left_on, …])	执行asof合并
pandas.concat(objs[, axis, join, ignore_index, …])	沿特定轴连接对象，沿其他轴连接可选的设置逻辑
pandas.get_dummies(data[, prefix, prefix_sep, …])	将分类变量转换为虚拟/指示符变量
pandas.factorize(values[, sort, na_sentinel, size_hint])	将对象编码为枚举类型或分类变量
pandas.unique(values)	基于哈希表的唯一性
pandas.wide_to_long(df, stubnames, i, j[, sep, suffix])	宽面板到长格式

Top-level missing data

api	介绍
pandas.isna(obj)	检测类似数组的对象缺少的值
pandas.isnull(obj)	检测类似数组的对象缺少的值
pandas.notna(obj)	检测类似数组的对象的非缺失值
pandas.notnull(obj)	检测类似数组的对象的非缺失值

Top-level conversions

api	介绍
pandas.to_numeric(arg[, errors, downcast])	将参数转换为数字类型

Top-level dealing with datetimelike

api	介绍
pandas.to_datetime(arg[, errors, dayfirst, …])	将参数转换为日期时间
pandas.to_timedelta(arg[, unit, errors])	将参数转换为timedelta
pandas.date_range([start, end, periods, freq, tz, …])	返回固定频率的DatetimeIndex
pandas.bdate_range([start, end, periods, freq, tz, …])	返回固定频率的DatetimeIndex，默认频率为工作日
pandas.period_range([start, end, periods, freq, name])	返回一个固定的频率周期索引
pandas.timedelta_range([start, end, periods, freq, …])	返回固定频率TimedeltaIndex，以天作为默认频率
pandas.infer_freq(index[, warn])	根据输入索引推断最可能的频率

固定频率 Top-level dealing with intervals

api	介绍
pandas.interval_range([start, end, periods, freq, …])	返回固定频率IntervalIndex

eval 操作 Top-level evaluation

api	介绍
pandas.eval(expr[, parser, engine, truediv, …])	使用各种后端将Python表达式作为字符串进行求值

散列操作 Hashing

api	介绍
pandas.util.hash_array(vals[, encoding, hash_key, …])	给定一维数组，返回确定性整数数组
pandas.util.hash_pandas_object(obj[, index, …])	返回Index/Series/DataFrame数据的 hash 值

测试 Testing

api
pandas.test([extra_args])

---