本节重点是统计运算。通常用pandas做事情，涉及数值运算的少。
一、数值运算数值运算只对数值列起作用。
1. +,-,x,/,//,%,**可以直接使用 +，也可以使用函数add()
Dataframe.add(other, axis='columns', fill_value=None)
- other：另一个Dataframe或Series；
- axis：如果other是Series，指定Series的索引去和Dataframe的行匹配，还是和列匹配（+号是默认和列匹配）；
- fill_value：这个参数是指两个Dataframe只有一个值缺失的情况，缺失的值怎么处理。两者都缺失，那么就是NaN。
其余的操作：-, ×, /, //,%, **
相应的函数形式：sub(), mul(), div(), floordiv(), mod(), pow()。
这几个操作和+ 以及add()完全相同。
此外，还有divmod()函数作为python的内建函数，支持对Series进行逐个元素操作。
d,r = divmod(s1, 2)
将s1用2做除法，商是d，余数是r
2. 本地一元转换-
abs()
调用方法很简单：df.abs() -
cumxxx()
累计运算，从开始到当前数据结束获取一个值。 xxx可以是 max， min, sum, prod(连乘)
Dataframe.cumxxx(axis='index')
其中axis可以使index或者columns -
clip()
Dataframe.clip(lower=None, upper=None)
将数据裁剪到一定范围内 -
rank()
将数据排序，输出为对应值在排序中的序号
Dataframe.rank(axis=0, method='average', ascending=True, pct=False)- axis：0（‘index’）-按列方向，1(‘columns’)-按行方向
- method：对于值相同的数怎么标记顺序，
- ‘average’: 先排序，值相同的序号统一为平均序号
- ‘min’: 先排序，值相同的序号统一为最小序号
- ‘max’: 先排序，值相同的序号统一为最大序号
- ‘first’：先排序，值相同的序号按照出现次序排
- ‘dense’：值相同为一组，按照组值排序，组内取相同次序，和min不同，中间没有跳跃
- ascending：True or False，升序还是降序；
- pct：percent，按照百分比显示，将显示的次序除以列、或行元素个数。
-
round()
Series.round(decimals=0)- decimals：控制小数位数，小数点后几位，0意思是只取整数
这些统计操作，只对元素类型为数值型的列有效，返回以列索引或行索引为索引的Series
-
df.sum() 和
-
df.mean() 均值
-
df.std() 标准差
-
df.var() 方差
-
df.min() 最小
-
df.max() 最大
-
df.median() 中值
-
cov() 协方差
-
corr() 相关系数
-
corrwith() 对不同DF进行运算
Dataframe.corrwith(other, axis=0, drop=False, method='pearson')- other：另一个Dataframe或Series
- axis：‘index or 0’或’columns or 1’，index，计算列相关性。columns，计算行相关性。默认为 index。
- drop：是否丢掉axis对应的索引取交时被过滤的了那些索引
- method：计算相关性的方法
-
count() 查看非NaN元素个数
