resultData[resultData['true'] == False]

　　在名叫true的这一列查询等于False布尔值的行，即从600多万条里面筛选出“必输”状态的行，花费了：

　　0.170 sec

　　一开始我选择输入带引号的——'False' 结果给我显示查找出错。原来pandas自动把字符串转换成boolean类型了。所以直接用python的布尔变量就可以。

　　批量单元格对比逻辑运算：

　　df.gt(df2)

　　df2.ne(df)

　　查询中可能会用到的一些比较关键字：

eq	==	equal to
ne	!=	not equal to
lt	<</td>	less than
le	<=	less than or equal to
gt	>	greater than
ge	>=	greater than or equal to

　　查找全部满足括号内的条件的列：

　　查询是否为空：

　　df.empty

　　相同值统计（直方图）：

　　例如，随机生成1到7的10个数据：s = pd.Series(np.random.randint(0, 7, size=10))

　　s.value_counts()           然后统计重复的个数

　　df3 = df2.copy()

　　使用DataFrame里面的copy命令，会整个替换掉原来的数据，而不是只单纯更新对应的行和列。比如之前的df2是10行5列的，而df是10行4列的。当运用语句df2 = df.copy()的时候，df2就完完全全变成了df2。其实不需要指针能进行垃圾回收的语言都有类似的性质，就是除了基本元素外，其余所有的变量都是引用。所以，要不能单纯的使用df2 =df，因为这样当更改了df2的内容后，df的内容也会同步更改，2者是相互间的引用。想新建一个数据，得进行copy复制，这样才会新开一个完全不一样的内存空间。

　　修改列，给数据新加一列也很简单，直接指定那一列叫啥，没有就创建，有的话就覆盖：

　　df2['E'] = ['one', 'one', 'two', 'three', 'four', 'two', 'three', 'four', 'three', 'three']

或者df2.loc[:, 'B'] = np.array([5] * len(df))

　　修改行，把第四行对应的A、B、C、D列对应改成1、2、3、4：

　　df2.iloc[3, :] = [1, 2, 3, 4]

　　修改单元【标签】：

　　df.at[dates[0], 'A'] = 0

　　修改单元【序号】：

　　df.iat[0, 1] = 0

　　条件修改【批量】：

　　df2[df2 > 0] = -df2

　　删除列：

　　del df3['D']

　　修改字符串大小写：

　　例如数据：s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca', np.nan, 'CABA', 'dog', 'cat'])

　　s.str.lower()

DataFrame（数据帧）的2种相加法则：

　　排除NaN的加法：

　　df + df2

　　将NaN视为0的加法：

　　df.add(df2, fill_value=0)

完整测试代码：

dates = ['a', 'b', 'c', 'd'] df = pd.DataFrame(np.random.randn(4, 3), index=dates, columns=list('ABC')) print df df2 = df[df < 0].copy() print df2 print (df + df2) print (df.add(df2, fill_value=0))

这是一些计算样例数据(使用 100 列 x 100,000 行的 DataFrames):

操作	0.11.0 (ms)	Prior Version (ms)	Ratio to Prior
df1 > df2	13.32	125.35	0.1063
df1 * df2	21.71	36.63	0.5928
df1 + df2	22.04	36.50	0.6039

对NaN的处理：

　　df1 = df.reindex(index=dates[0:4], columns=['F']+list(df.columns) + ['E'])

　　（解读：用原来的index来做行标，用原来的列加上F、E列，生成一个新表赋值给df1）

　　丢弃包含NaN的行：

　　df1.dropna(how='any')

　　用指定值填充NaN：

　　df1.fillna(value=5)

　　pd.isnull(df1)

数值处理：

　　df.mean()

　　df.mean(1)　——————这是第几行来着？