一．索引的堆（stack）
1.行列的转化：
Stack()：列转行
Unstack()：行转列
Stack对应行，
使用小技巧：使用stack()的时候，level等于哪一个，哪一个就消失，出现在行里。
使用UNstack的时候，level等于哪一个，哪一个就消失，出现在列里。
如：
原来：A:
现在：A.stack(level=0).unstack(level=0).unstack(level=0)执行后
二.多层索引的聚合操作
所谓的操作是指：平均数mean()、方差std()、最大数max()、最小值min()等.....
注意：需要指定axis
小技巧：和unstack()相反，聚合操作的时候，axis等于哪一个，哪一个就保留
求平均值：
重点是axis和level的组合
A.mean(axis=0,level=1)
求方差：
df.std(asis=x,level=y)
方差是衡量随随机变量或一组数据时离散程度的度量。
A.std(axis=0,level=0)
Pandas的拼接操作
1.联级：pd.concal,pd.append
（1）使用pd.concat()级联
Pandas使用pd.concat()函数，与np.concatenate函数类似，只是多了一些参数
dp.concat(['objs', 'axis=0', "join='outer'", 'join_axes=None', 'ignore_index=False', 'keys=None', 'levels=None', 'names=None', 'verify_integrity=False', 'sort=None', 'copy=True'])
Concat()此方法默认增加行数，即样本。通过设置axis进行行方向或是列方向的级联。
如：
行方向级联：
pd.concat([df1,df2],axis=0)
进行列方向级联
df3：
pd.concat([df1,df3],axis=1)
Pandas中的参数：
['objs', 'axis=0', "join='outer'", 'join_axes=None', 'ignore_index=False', 'keys=None', 'levels=None', 'names=None', 'verify_integrity=False', 'sort=None', 'copy=True']
Jgnore_index:
默认：False
如果为T,忽视给定的索引值，用1,2,3,4，.....代替，当然在操作时，以前给定的索引值失效。
如：pd.concat([df1,df2],ignore_index=True)
Keys：
序列,默认没有
如果传递了多个级别，则应该包含元组。构造使用传递的键作为最外层的分层索引
如：pd.concat([df1,df1],keys=["期中","期末"])
Join：
默认join=”outer”
Outer指合并除了公有列还合并非共有列
Inner指只合公有列
如：
pd.concat([df1,df5],join="outer")
pd.concat([df1,df5],join="inner")
Join_axes
当两张表中数据有部分列不同时，可以设置join_axes根据那个表中的列进行合并
如：pd.concat([df1,df5],join_axes=[df5.columns])
（2）使用append()追加
如：df1.append(df2)
- 合并：pd.merge,pd.join
（1）Merge：融合
A.参数：
['right', "how='inner'", 'on=None', 'left_on=None', 'right_on=None', 'left_index=False', 'right_index=False', 'sort=False', "suffixes=('_x', '_y')", 'copy=True', 'indicator=False', 'validate=None']
根据表中的属性值相同进行融合
Merge与concat的区别
merge需要依据某一共同的行或者列进行合并，使用pd.merge()合并时，会自动根据两者形同的column名称的那一列，作为key来进行合并。注意每一列元素的顺序不要求一致。
B.一对一合并
如：
df6 = DataFrame({"省":["北京","山东","河北"],"大学":["清华","山大","河大"],"人口":[1200,200,1000]})
df7 = DataFrame({"省":["北京","上海","河北"],"大学":["清华","复旦","河大"],"人口":[1200,1220,1000]})
df6.merge(df7)
C.多对一合并
Df8 = DataFrame({"省":["北京","山东","北京"],"大学":["清华","山大","北大"]})
Df9 = DataFrame({"省":["北京","上海","河北"],"人口":[1200,1220,1000]})
Df8.merge(df9)
D.多对多合并
df6 = DataFrame({"省":["北京","山东","北京"],"大学":["清华","山大","北大"]})
df7 = DataFrame({"省":["北京","上海","北京"],"人口":[1200,1220,1000]})
df6.merge(df7)
E.Key的规范化
使用on=显示指定那一列为key，当有多个key相同时使用
如：
df6 = DataFrame({"id":[1,3,5],"name":["A","B","C"],"salary":[1200,200,1000]})
df7 = DataFrame({"id":[5,3,1],"name":["A","C","D"],"age":[1200,1220,1000]})
df6.merge(df7,on="id",suffixes=["_曾用名","_现用名"]) #指定根据id进行合并
使用left_on和right_on指定左右两边的列作为key，当左右两边的key都不相等时使用
如：
df6 = DataFrame({"id":[1,3,5],"salary":[1200,200,1000]})
df7 = DataFrame({"ID":[5,3,1],"age":[23,34,42]})
df6.merge(df7,left_on = "id",right_on = "ID")
内合并与外合并
内合并：只保留两者都有的key(默认模式)
How = “inner”
外合并:how = “outer”,补nan
左合并，右合并：how=”left”,how=”right”
G.列冲突的解决
当列冲突时，即有多个列名称相同时，需要使用on=来指定哪一个作为key，配合suffixes指定冲突列名，可以使用suffixes=自己指定的列名
Left_index=,right_index=,是否使用索引
如：将总分列添加到总表中
s = df1.sum(axis=1)
df0 = DataFrame(s,columns=["总分"])
df1.merge(df0,left_index=True,right_index=True)
