建立 DataFrame：

df = pd.DataFrame(np.random.randint(0, 10, (2, 4)), columns=list('ABCD'))

0. 為 data frame 新增新的屬性列

>> df['total'] = df['A'] + df['B'] + df['C'] + df['D']
    # 等價於 df['total'] = df.A + df.B + df.C + df.D

1. 資料型別

• df.values ⇒ 返回的是 numpy 下的多維陣列；
  
  • df.column_name.values ⇒ 返回的也是 numpy 下的陣列型別
    ；
• df.dtypes：返回的是各個屬性列的型別；
  
  • df.select_dtypes([np.object])
  • df.select_dypes([bool])

2. 簡單資料統計

• 統計某一屬性可能的取值：df.column_name.unique()
• 統計出現的次數：df.column_name.value_counts()
  
  • column_name 對應的是該 DataFrame 中某列的列名；
  • 也即 pandas 下的 DataFrame 物件直接支援 點+列名的方式進行索引；

3. 缺失值的處理

• 所有缺失值欄位填充為 0：df.fillna(0)，一定要十分注意的一點是，df.fillna() 操作預設（inplace=False）不是 inplace，也即不是對原始 data frame 直接操作修改的，而是建立一個副本，對副本進行修改；
  
  
  • df.fillna(0, inplace=True)
  • df = df.fillna(0)
• 捨棄：
  
  • 捨棄那些全行為 NaN 的行，以及全列為 NaN 的行：
    
    • df.dropna(axis=[0, 1], how=’all’)
  • 刪除某些行和列：
    
    • df.drop([], axis=1, inplace=True) ⇒ axis = 1，刪除列；
    • df.drop([], axis=0, inplace=True) ⇒ axis = 0，刪除行；

• 均值填充

  age_mean = data.Age.mean()      # age_mean = data['Age'].mean()
  data.Age[data
   
  ['Age'].isnull()] = age_mean   # data['Age'] == data.Age 二者是等效的