1.判断是否是：np.isnull(df),np.notnull(df)
2.删除nandropna(axis=0,how=‘any’,inplace=false)
3.填充数据t.fillna(t.mean())（mean是平均数函数）
t.fillna(median())
t.fillna(0)
4处理为0的数据：t[t==0]=np.nan
5,nan是不参与计算的
3.2常用的统计方法方法使用模式：**df['ziduan '].mean()**
| argmin() | ||
|---|---|---|
| argmax（，axis=） | 最大值的位置 | |
| tolist（） | 数组转化为列表 | |
| array（） | 把一个东西装变为数组 | |
| to_dict() | 转变为字典 | |
t1 jion（ t2） 默认是把相同行索引的数据合并一起
但是jion一t1为主，t1有几行就是几行，t2数组行数不够的就补齐nan
3.3.2merge（）t1 merge (t2, on ‘a’,how= innner)
1on 是以列索引为字段‘a’为准合并；
当t1t2行索引不一样时，以前面的t1为准。
2how是以什么方式连接，默认是inner，就是我们上面讲的方式，还有
outer：
| a | b | c | |
|---|---|---|---|
| 1 | 1（t1） | nan | nna |
| 2 | nan | 2（t2） | 3（t2） |
| 3 | nan | 3（t2） | 4（t2） |
left/right:
就是以左为主，行数为左边的。左边的数组全部有，右边没有的用nan补齐。
3.4分组操作gb1 = df.groupby(by=[‘字段’])
gb1可以遍历。可以调用聚合方法。
3.4.1获取分组后的某一部分数据：df.groupby(by=['country','state'])['country'].count()
下面的返回的是一个dataframe
df.groupby(by=['country','state'])['country'].count()
3.4.2对某几列数据进行分组
df['country'].groupby(by= [df['country'],df.['state']]).count()
下面的返回的是一个dataframe
df[['country']].groupby(by= [df['country'],df.['state']]).count()
3.5索引index和复合索引multiindex 3.5.1简单的操作可以遍历
可以变列表
可以len（）
获取索引：df.index
指定index：df.index(‘x’,‘y’)
重设index：df.reindex(list(‘abcdef’))
指定某一列为index：**df.set_index(“country”,drop=false(默认是ture))**默认是删掉作为index的那一列。
返回index的唯一值：df.set_index('“country”).index.unique()
复合索引：df.index()
d.swaplevel():交换复合索引的次序
d.swaplevel()[‘one’]选取索引‘one’的内容
d.swaplevel().loc[‘‘h’’]选取内层多个h索引的内容
