本文參考《利用Python進行資料分析》的第五章 pandas入門

2基本功能 介紹操作Series和DataFrame中的資料的基本手段。 重新索引reindex 當呼叫Series的reindex將會根據新索引進行重排；當某個索引值當前不存在，就引入缺失值；fill_value可以給缺失值賦值。

method選項：

對於DataFrame，reindex可以修改索引（行）、列，或者兩個都修改。如果只傳入一個序列，則會修改索引（行）：

也可以使用ix()進行重新索引，比reindex更簡潔：

丟棄指定軸上的項drop()

索引、選取和過濾 兩種方式進行索引：普通的python切片&利用標籤切片 對Series進行索引：
注意：利用標籤切片運算與普通的Python切片運算不同，其末端是包含的： 對DataFrame進行索引就是獲取一個或多個列：
通過切片或布林型陣列選取行：
通過布林型DataFrame進行索引：
也可以通過ix從DataFrame中選取行和列的子集：
可以看到，pandas物件中的資料的選取和重排方式很多。下表簡單總結了針對DataFrame資料的選取和重排方式：

算術運算和資料對齊 pandas最重要的一個功能是，可以對不同索引的物件進行算術運算。
對DataFrame，同時發生在行和列上：
在算術方法中填充值 當索引無法配對時填充一個特殊值（如0）

類似的，在對Series和DataFrame重新索引時，也可以指定一個填充值：

DataFrame和Series之間的運算 先看一個二維陣列與其某行只差：
DataFrame和Series之間的運算也差不多：
如果某個索引值在DataFrame的列或Series的索引中找不到，則兩個物件會被重新索引成並集，並在沒有匹配的索引中插入NaN值
DataFrame列上的操作，加上axis=0： 函式應用和對映 numpy的nfuncs（元素級陣列方法）也可用於操作pandas物件：
一種常見的操作是，將函式應用到各列或行，得到一維陣列，可通過apply()方法實現：
除標量外，傳遞給apply的函式還可以返回由多個值組成的Series： 此外，元素級的PYTHON函式可是可用的，例如你想把frame中各個浮點值的格式化字串，可使用 applymap()方法：
應用於Series時則是map()方法：
排序和排名 sort_index()：對行或列索引進行排序： 對於Series 對於DataFrame
對於DataFrame

預設為升序，通過如下設定，可降序排序： sort_index（by=)：根據一個或多個列中的值進行排序：
order()：Series按值排序，NaN預設被放到末尾
rank()：排名，增設一個排名值，從1開始 預設情況下，並列的會分配一個平均值作為排名：

也可根據值在元資料中出現的順序給出排名：

使用降序，則加上ascending=False method選項：
對於DataFrame，則由axis來控制對行排名或列排名： 帶有重複值的軸索引 雖然許多Pandas的函式（如reindex)都要求標籤唯一，但也有索引不唯一的情況： 索引的is_unique屬性可以告訴你索引值是否唯一： 資料選取時，索引對應多個值，則返回一個Series；對應單個則返回一個標量：

對於DataFrame也一樣：