鲁达 索引
其中许多方法或其变体可用于包含索引（Series / DataFrame）的对象，并且最有可能在直接调用这些方法之前使用这些方法或变体.
Index：不可变的ndarray实现有序的可切片集.
属性
Index.values：将基础数据作为ndarray返回
Index.is_monotonic：is_monotonic_increasing的别名（不建议使用）
Index.is_monotonic_increasing：如果索引是单调递增（仅等于或增加）值，则返回。
Index.is_monotonic_decreasing：如果索引是单调递减（仅等于或递减）值，则返回。
Index.is_unique：如果索引具有唯一值，则返回
Index.has_duplicates：
Index.hasnans：如果我有任何nans，我会回来; 实现各种性能加速
Index.dtype：返回基础数据的dtype对象
Index.dtype_str：返回基础数据的dtype str
Index.inferred_type：返回从值推断出的类型的字符串
Index.is_all_dates：
Index.shape：返回基础数据形状的元组
Index.name：
Index.names：
Index.nbytes：返回基础数据中的字节数
Index.ndim：根据定义1，返回基础数据的维数
Index.size：返回基础数据中的元素数量
Index.empty：
Index.strides：返回基础数据的步幅
Index.itemsize：返回基础数据项的dtype的大小
Index.base：如果共享基础数据的内存，则返回基础对象
Index.T：返回转置，根据定义自我
Index.memory_usage（[deep]）：内存使用值
修改和计算
Index.all(*args, **kwargs)：返回是否所有元素都为True。
Index.any(*args, **kwargs)：返回任何元素是否为True。
Index.argmin([axis])：返回最小参数索引器的ndarray
Index.argmax([axis])：返回最大参数索引器的ndarray
Index.copy([name, deep, dtype])：制作此对象的副本。
Index.delete(loc)：删除已传递位置（-s）的新索引
Index.drop(labels[, errors])：删除已传递标签列表的新索引
Index.drop_duplicates([keep])：返回索引，删除重复值。
Index.duplicated([keep])：指示重复的索引值。
Index.equals(other)：确定两个Index对象是否包含相同的元素。
Index.factorize([sort, na_sentinel])：将对象编码为枚举类型或分类变量。
Index.identical(other)：与equals类似，但检查其他可比属性是否相等
Index.insert(loc, item)：使新索引在位置插入新项目。
Index.is_(other)：更灵活，更快速的检查，is但通过视图工作
Index.is_boolean()：
Index.is_categorical()：检查索引是否包含分类数据。
Index.is_floating()：
Index.is_integer()：
Index.is_interval()：
Index.is_lexsorted_for_tuple(tup)：
Index.is_mixed()：
Index.is_numeric()：
Index.is_object()：
Index.min()：返回索引的最小值。
Index.max()：返回索引的最大值。
Index.reindex(target[, method, level, …])：使用目标值创建索引（根据需要移动/添加/删除值）
Index.rename(name[, inplace])：在索引上设置新名称。
Index.repeat(repeats, *args, **kwargs)：重复索引的元素。
Index.where(cond[, other])：版本0.19.0中的新功能。
Index.take(indices[, axis, allow_fill, …])：返回索引选择的值的新索引
Index.putmask(mask, value)：返回使用掩码设置的值的新索引
Index.set_names(names[, level, inplace])：在索引上设置新名称。
Index.unique([level])：返回索引中的唯一值。
Index.nunique([dropna])：返回对象中唯一元素的数量。
Index.value_counts([normalize, sort, …])：返回包含唯一值计数的对象。
缺少值
Index.fillna([value, downcast])：使用指定值填充NA / NaN值
Index.dropna([how])：返回没有NA / NaN值的索引
Index.isna()：检测缺失值。
Index.notna()：检测现有（非缺失）值
转换
Index.astype(dtype[, copy])：使用强制转换为dtypes的值创建索引。
Index.item()：将基础数据的第一个元素作为python标量返回
Index.map(mapper[, na_action])：使用输入对应（字典，系列或函数）映射值。
Index.ravel([order])：返回基础数据的扁平值的ndarray
Index.tolist()：返回值列表。
Index.to_native_types([slicer])：格式化self的指定值并返回它们。
Index.to_series([index, name])：创建一个索引和值等于索引键的系列，该索引键对map用于根据索引返回索引器
Index.to_frame([index])：使用包含索引的列创建DataFrame。
排序
Index.argsort(*args, **kwargs)：返回将对索引进行排序的整数指标
Index.searchsorted(value[, side, sorter])：查找应插入元素以维护顺序的索引
Index.sort_values([return_indexer, ascending])：返回索引的排序副本
特定时间的操作
Index.shift([periods, freq])：按所需的时间频率增量数移动索引.
组合/ 加入/ 设置操作
Index.append(other)：一起附加索引选项的集合
Index.join(other[, how, level, …])：这是一种内部非公开方法
Index.intersection(other)：形成两个Index对象的交集。
Index.union(other)：如果可能，形成两个Index对象的联合和排序。
Index.difference(other)：返回包含索引中不在其他元素中的元素的新索引。
Index.symmetric_difference(other[, result_name])：计算两个Index对象的对称差异
选择
Index.asof(label)：对于排序索引，返回最新标签，包括传递的标签。
Index.asof_locs(where, mask)：其中：timestamps数组mask：数据不是NA的布尔数组
Index.contains(key)：如果此键在索引中，则返回布尔值
Index.get_duplicates()：（DEPRECATED）提取重复的索引元素。
Index.get_indexer(target[, method, limit, …])：给定当前索引计算新索引的索引器和掩码。
Index.get_indexer_for(target, **kwargs)：即使在非唯一时也保证返回索引器这将调整到get_indexer或get_indexer_nonunique
Index.get_indexer_non_unique(target)：给定当前索引计算新索引的索引器和掩码。
Index.get_level_values(level)：返回请求级别的值索引，等于索引的长度。
Index.get_loc(key[, method, tolerance])：获取所请求标签的整数位置，切片或布尔掩码。
Index.get_slice_bound(label, side, kind)：计算与给定标签对应的切片边界。
Index.get_value(series, key)：从1维ndarray快速查找值。
Index.get_values()：将索引数据作为num返回。
Index.set_value(arr, key, value)：从1维ndarray快速查找值。
Index.isin(values[, level])：返回一个布尔数组，其中索引值为value。
Index.slice_indexer([start, end, step, kind])：对于有序或唯一索引，请计算输入标签和步骤的切片索引器。
Index.slice_locs([start, end, step, kind])：计算输入标签的切片位置。
Numeric Index
RangeIndex：不可变指数实现单调整数范围。
Int64Index：不可变的ndarray实现有序的可切片集。
UInt64Index：不可变的ndarray实现有序的可切片集。
Float64Index：不可变的ndarray实现有序的可切片集。
RangeIndex.from_range(data[, name, dtype])：从范围（py3）或xrange（py2）对象创建RangeIndex
分类
CategoricalIndex：不可变索引实现有序的可切片集
分类组件
Ca(*args, …)：重命名类别。
Ca(*args, …)：重新排序new_categories中指定的类别。
Ca(*args, **kwargs)：添加新类别。
Ca(*args, …)：删除指定的类别。
Ca(…)：删除未使用的类别。
Ca(*args, **kwargs)：将类别设置为指定的new_categories。
Ca(*args, **kwargs)：设置要排序的分类
Ca(*args, **kwargs)：将Categorical设置为无序
Ca(mapper)：使用输入对应（字典，系列或函数）映射值。
IntervalIndex
IntervalIndex：不可变索引实现有序的可切片集.
IntervalIndex Components
In(left, right[, …])：从定义左边界和右边界的两个数组构造。
In(data[, closed, …])：从元组的列表/数组构造IntervalIndex
In(breaks[, closed, …])：从一组拆分构造一个IntervalIndex
In(key)：返回一个布尔值，指示键是否在索引中
In：将IntervalIndex中每个Interval的左端点作为索引返回
In：将IntervalIndex中每个Interval的右端点作为索引返回
In：将IntervalIndex中每个Interval的中点作为索引返回
In：是否在左侧，右侧，两者或两者都关闭间隔
In：返回一个索引，其中的条目表示IntervalIndex中每个Interval的长度
In：将IntervalIndex的数据作为Interval对象的numpy数组返回（使用dtype ='object'）
In：如果IntervalIndex不重叠（没有间隔共享点）并且是单调递增或单调递减，则返回True，否则返回False
In(key[, method])：获取所请求标签的整数位置，切片或布尔掩码。
In(target[, method, …])：给定当前索引计算新索引的索引器和掩码。
多指标
MultiIndex：用于pandas对象的多级或分层索引对象
IndexSlice：创建一个对象以更轻松地执行多索引切片
MultiIndex 构造函数
Mul(arrays[, sortorder, …])：将数组转换为MultiIndex
Mul(tuples[, sortorder, …])：将元组列表转换为MultiIndex
Mul(iterables[, …])：从多个迭代的笛卡尔积中创建一个MultiIndex
MultiIndex 属性
Mul：MultiIndex中的级别名称
Mul：
Mul：
Mul：此MultiIndex中的整数级别。
Mul：每个级别长度的元组。
MultiIndex 组件
Mul(levels[, level, …])：在MultiIndex上设置新级别。
Mul(labels[, level, …])：在MultiIndex上设置新标签。
Mul(n_repeat[, n_shuffle])：返回重新整形的MultiIndex以符合n_repeat和n_shuffle给出的形状。
Mul([index])：使用MultiIndex的级别作为列创建DataFrame。
Mul()：如果标签按字典顺序排序，则返回True
Mul([level, ascending, …])：按要求的级别对MultiIndex进行排序。
Mul([level])：已删除请求级别的返回索引。
Mul([i, j])：交换等级i与等级j。
Mul(order)：使用输入顺序重新排列级别。
Mul()：从当前删除未使用的级别创建一个新的MultiIndex，这意味着它们不会在标签中表示
Mul([level])：返回索引中的唯一值。
MultiIndex 选择
Mul(key[, method])：获取标签或标签元组的位置作为整数，切片或布尔掩码。
Mul(target[, method, …])：给定当前索引计算新索引的索引器和掩码。
Mul(level)：返回请求级别的标签值向量，等于索引的长度
DatetimeIndex
DatetimeIndex：datetime64数据的不可变ndarray，内部表示为int64，可以装入Timestamp对象，这些对象是datetime的子类，并携带元数据，如频率信息.
选择时间/日期组件
Da：日期时间
Da：月份为1月= 1，12月= 12
Da：日期时间的日子
Da：日期时间
Da：日期时间的分钟
Da：日期时间的秒数
Da：日期时间的微秒
Da：日期时间的纳秒
Da：返回numpy数组的python da对象（即没有时区信息的Timestamps的日期部分）。
Da：返回da的numpy数组。
Daofyear：一年中的序数日
Da：一年中的一周序数
Da：一年中的一周序数
Daofweek：星期一= 0，星期日= 6的星期几
Daday：星期一= 0，星期日= 6的星期几
Da：日期的四分之一
Da：
Da：如果已设置，则返回频率对象，否则返回None
Dastr：如果设置了频率对象，则将其作为字符串返回，否则为None
Da：逻辑指示是否每月的第一天（由频率定义）
Da：指示日期是否是该月的最后一天。
Da：指示日期是否是一个季度的第一天。
Da：指示日期是否是一个季度的最后一天。
Da：指明日期是否是一年的第一天。
Da：指明日期是一年中的最后一天。
Da：布尔指示符，如果日期属于闰年。
Da：尝试返回表示由infer_freq生成的频率猜测的字符串
选择
Da（time[，asof]）：返回特定时刻的索引值的索引位置（例如，
Da（... [，...]）：返回值的特定时间之间的值的索引位置（例如，9：00-9：30AM）。
特定时间的操作
Da()：将时间转换为午夜。
Da(date_format)：使用指定的date_format转换为Index。
Da([freq])：将时间戳记录到最近出现的频率
Da_convert(tz)：将tz-aware DatetimeIndex从一个时区转换为另一个时区。
Da_localize(tz[, ambiguous, …])：将tz-naive DatetimeIndex本地化为tz-aware DatetimeIndex。
Da(freq, *args, **kwargs)：将数据舍入到指定的频率。
Da(freq)：将数据置于指定的频率。
Da(freq)：将数据ceil到指定的频率。
Da_name([locale])：返回具有指定语言环境的DateTimeIndex的月份名称。
Da_name([locale])：返回具有指定语言环境的DateTimeIndex的日期名称。
转换
Da([freq])：以特定频率转换为PeriodIndex。
Dadelta(freq)：计算索引值与指定频率下转换为periodIndex的索引之间差异的TimedeltaIndex。
Da()：返回DatetimeIndex作为datime对象的对象ndarray
Da([keep_tz, index, name])：创建一个索引和值等于索引键的系列，该索引键对map用于根据索引返回索引器
Da([index])：使用包含索引的列创建DataFrame。
TimedeltaIndex
TimedeltaIndex：timedelta64数据的不可变ndarray，内部表示为int64，可以装入timedelta对象
ConversionComponents
Timedel：每个元素的天数。
Timedel：每个元素的秒数（> = 0且小于1天）。
Timedel：每个元素的微秒数（> = 0且小于1秒）。
Timedel：每个元素的纳秒数（> = 0且小于1微秒）。
Timedel：返回Timedeltas的组件（天，小时，分钟，秒，毫秒，微秒，纳秒）的数据帧。
Timedel：尝试返回表示由infer_freq生成的频率猜测的字符串。
转换
Timedel()：返回TimedeltaIndex作为dadelta对象的对象ndarray
Timedel([index, name])：创建一个索引和值等于索引键的系列，该索引键对map用于根据索引返回索引器
Timedel(freq, *args, **kwargs)：将数据舍入到指定的频率。
Timedel(freq)：将数据置于指定的频率。
Timedel(freq)：将数据ceil到指定的频率。
Timedel([index])：使用包含索引的列创建DataFrame。
PeriodIndex
PeriodIndex：不可变的ndarray持有序数值，表示特定的时间段，如特定的年，季度，月等
属性
PeriodIndex.day：这段时期
PeriodIndex.dayofweek：星期一= 0，星期日= 6的星期几
PeriodIndex.dayofyear：一年中的序数日
PeriodIndex.days_in_month：本月的天数
PeriodIndex.daysinmonth：本月的天数
PeriodIndex.end_time：
PeriodIndex.freq：如果已设置，则返回频率对象，否则返回None
PeriodIndex.freqstr：如果设置了频率对象，则将其作为字符串返回，否则为None
PeriodIndex.hour：这段时间
PeriodIndex.is_leap_year：逻辑指示日期是否属于闰年
PeriodIndex.minute：这段时间的一分钟
PeriodIndex.month：月份为1月= 1，12月= 12
PeriodIndex.quarter：日期的四分之一
PeriodIndex.qyear：
PeriodIndex.second：第二个时期
PeriodIndex.start_time：
PeriodIndex.week：一年中的一周序数
PeriodIndex.weekday：星期一= 0，星期日= 6的星期几
PeriodIndex.weekofyear：一年中的一周序数
PeriodIndex.year：这一年的一年
Methods
PeriodIndex.asfreq([freq, how])：将PeriodIndex转换为指定的频率freq。
PeriodIndex.strftime(date_format)：使用指定的date_format转换为Index。
PeriodIndex.to_timestamp([freq, how])：转换为DatetimeIndex
PeriodIndex.tz_convert(tz)：将tz-aware DatetimeIndex从一个时区转换为另一个时区（使用pytz / dateutil）
PeriodIndex.tz_localize(tz[, ambiguous])：将tz-naive DatetimeIndex本地化为给定时区（using pytz/dateutil），或从tz-aware DatetimeIndex中删除时区
标量
Period
Period：代表一段时间
属性
Period.day：获取某个时段所在月份的某一天。
Period.dayofweek：返回星期几。
Period.dayofyear：返回一年中的某一天。
Period.days_in_month：获取此期间所在月份的总天数。
Period.daysinmonth：获取该期间所在月份的总天数。
Period.end_time：
Period.freq：
Period.freqstr：
Period.hour：获取期间的小时组成部分。
Period.is_leap_year：
Period.minute：获取期间的小时部分。
Period.month：
Period.ordinal：
Period.quarter：
Period.qyear：
Period.second：获取期间的第二个组成部分。
Period.start_time：获取期间开始的时间戳。
Period.week：获取给定期间的一年中的一周。
Period.weekday：
Period.weekofyear：
Period.year：
方法
Period.asfreq：将周期转换为所需频率，在间隔的开始或结束时
Period.now：
Period.strftime：返回的字符串表示形式Period，具体取决于所选的fmt。
Period.to_timestamp：将Period的Timestamp表示返回到Period的指定末尾（how）的目标频率
时间戳
Timestamp：Pandas 替换 for datime
方法
Time：将tz-aware Timestamp转换为另一个时区。
Time：返回一个新的时间戳，该时间戳已通过此决议
Time(date, time)：date，time - > datetime，具有相同的日期和时间字段
Time：返回ctime（）样式字符串。
Time：返回具有相同年，月和日的日期对象。
Time：返回具有指定语言环境的时间戳的日期名称。
Time：返回（自我）。
Time：返回一个覆盖此分辨率的新时间戳
Time：
Timestr：
Time(ordinal[, freq, tz])：传递了序数，翻译并转换为ts音符：根据定义，序数本身不能有任何tz信息
Time(ts)：timestamp [，tz] - > tz来自POSIX时间戳的本地时间。
Time：返回包含ISO年份，周数和工作日的3元组。
Time：
Time：返回日期所代表的星期几。
Time：返回具有指定语言环境的时间戳的月份名称。
Time：将时间戳标准化为午夜，保留tz信息。
Time([tz])：返回表示tz本地当前时间的新Timestamp对象。
Time：实现da，处理纳秒
Time：将时间戳舍入为指定的分辨率
Time：format - > strftime（）样式字符串。
Time：string，format - >从字符串解析的新日期时间（如（））。
Time：同时返回时间对象但是tzinfo = None。
Timestamp：将POSIX时间戳返回为float。
Timetuple：返回时间元组，与（）兼容。
Timetz：同时返回时间对象和tzinfo。
Time：返回具有'ns'精度的num对象
Time：将TimeStamp转换为Julian日期。
Time：返回此时间戳为观察值的时段。
Time：将Timestamp对象转换为本机Python datetime对象。
Time(cls[, tz])：返回当地时区的当前时间。
Time：返回预感格里高利序数。
Time：将tz-aware Timestamp转换为另一个时区。
Time：将天真时间戳转换为本地时区，或从tz感知时间戳中删除时区。
Time：返回（个体经营）。
Time(ts)：从POSIX时间戳构造一个天真的UTC日期时间。
Time()：返回表示UTC日期和时间的新时间戳。
Time：返回（个体经营）。
Time：返回UTC时间元组，与（）兼容。
Time：返回日期所代表的星期几。
间隔
Interval：不可变对象实现Interval，有界切片状间隔.
属性
In：是否在左侧，右侧，两侧或两者都关闭间隔
In_left：检查左侧是否关闭间隔。
In_right：检查右侧是否关闭间隔。
In：左边界限
In：返回Interval的长度
In：返回间隔的中点
In：检查左侧是否打开间隔。
In：检查右侧是否打开间隔。
In：右边界限
Timedelta
Timedelta：表示持续时间，两个日期或时间之间的差异
属性
Timedel：返回我自己的numpy timedelta64数组视图
Timedel：返回与NamedTuple类似的组件
Timedel：天数。
Timedel：以纳秒（ns）为单位返回timedelta，以获得内部兼容性。
Timedel：
Timedel：
Timedel：
Timedel：微秒数（> = 0且小于1秒）。
Timedel：
Timedel：返回纳秒数（n），其中0 <= n <1微秒。
Timedel：返回表示我们拥有的最低分辨率的字符串
Timedel：秒数（> = 0且不到1天）。
Timedel：
Timedel：数组视图compat
方法
Timedel：返回一个新的Timedelta以此决议
Timedel：返回一个新的Timedelta，落在这个分辨率上
Timedel：将Timedelta格式化为ISO 8601持续时间P[n]Y[n]M[n]DT[n]H[n]M[n]S，其中[n]s由值替换。
Timedel：将Timedelta四舍五入到指定的分辨率
Timedel：返回一个实际的dadelta对象注释：如果有的话，我们将失去纳秒分辨率
Timedel：返回具有'ns'精度的num对象
Timedel：timedelta的总持续时间，以秒为单位（以ns精度计）
频率
to_offset(freq)：从字符串或元组表示或dadelta对象返回DateOffset对象
窗口
滚动物体被返回.rolling电话：()，()，等扩展对象通过返回.expanding的呼叫：()，()，等EWM对象通过返回.ewm的呼叫：()，()，等.
标准移动窗口函数
Rolling.count()：窗口内任何非NaN观测值的滚动计数。
Rolling.sum(*args, **kwargs)：计算给定DataFrame或Series的滚动总和。
Rolling.mean(*args, **kwargs)：计算值的滚动平均值。
Rolling.median(**kwargs)：计算滚动中位数。
Rolling.var([ddof])：计算无偏滚动方差。
Rolling.std([ddof])：计算滚动标准偏差。
Rolling.min(*args, **kwargs)：计算滚动最小值。
Rolling.max(*args, **kwargs)：滚动最大值
Rolling.corr([other, pairwise])：滚动样本相关性
Rolling.cov([other, pairwise, ddof])：滚动样本协方差
Rolling.skew(**kwargs)：无偏见的滚动偏度
Rolling.kurt(**kwargs)：计算无偏滚动峰度。
Rolling.apply(func[, raw, args, kwargs])：滚动功能适用
Rolling.aggregate(arg, *args, **kwargs)：使用指定轴上的一个或多个操作进行聚合。
Rolling.quantile(quantile[, interpolation])：滚动分位数。
Window.mean(*args, **kwargs)：计算值的窗口均值。
Window.sum(*args, **kwargs)：计算给定DataFrame或Series的窗口总和。
标准扩展窗口函数
Ex(**kwargs)：窗口内任何非NaN观测值的扩展计数。
Ex(*args, **kwargs)：计算给定DataFrame或Series的扩展和。
Ex(*args, **kwargs)：计算值的扩展平均值。
Ex(**kwargs)：计算扩展中位数。
Ex([ddof])：计算无偏扩展方差。
Ex([ddof])：计算扩展标准偏差。
Ex(*args, **kwargs)：计算扩展的最小值。
Ex(*args, **kwargs)：扩大最大化
Ex([other, pairwise])：扩大样本相关性
Ex([other, pairwise, ddof])：扩展样本协方差
Ex(**kwargs)：不偏不倚地扩大偏斜
Ex(**kwargs)：计算无偏扩张峰度。
Ex(func[, raw, args, kwargs])：扩展功能适用
Ex(arg, *args, **kwargs)：使用指定轴上的一个或多个操作进行聚合。
Ex(quantile[, interpolation])：扩大分位数。
指数加权移动窗口函数
EWM.mean(*args, **kwargs)：指数加权移动平均线
EWM.std([bias])：指数加权移动stddev
EWM.var([bias])：指数加权移动方差
EWM.corr([other, pairwise])：指数加权样本相关
EWM.cov([other, pairwise, bias])：指数加权样本协方差
GroupBy
GroupBy objects are returned by groupby calls: (), (), etc.
索引, 迭代
Grou()：Groupby迭代器
Grou：dict {组名 - >组标签}
Grou：dict {组名 - >组索引}
Grou(name[, obj])：从提供名称的组构造NDFrame
Grouper([key, level, freq, axis, sort])：Grouper允许用户为目标对象指定groupby指令
功能应用
Grou(func, *args, **kwargs)：func 分组应用功能并将结果组合在一起.
Grou(func, *args, **kwargs)：
Grou(func, *args, **kwargs)：
Grou(func, *args, **kwargs)：将func带有参数的函数应用于此GroupBy对象并返回函数的结果.
计算/ 描述性统计
Grou([skipna])：如果组中的所有值都是真实的，则返回True，否则返回False
Grou([skipna])：如果组中的任何值是真实的，则返回True，否则返回False
Grou([limit])：向后填充值
Grou()：计算组的计数，不包括缺失值
Grou([ascending])：将每个组中的每个项目编号从0到该组的长度 - 1。
Grou([limit])：向前填充值
Grou(**kwargs)：首先计算组值
Grou([n])：返回每组的前n行。
Grou(**kwargs)：计算最后一组值
Grou(**kwargs)：计算组值的最大值
Grou(*args, **kwargs)：计算组的平均值，不包括缺失值
Grou(**kwargs)：计算组的中位数，排除缺失值
Grou(**kwargs)：计算组值的最小值
Grou([ascending])：将每个组的编号从0到组的数量 - 1。
Grou(n[, dropna])：如果n是int，则从每个组中取第n行;如果n是int列表，则从行的子集获取。
Grou()：计算值的总和，不包括缺失值对于多个分组，结果索引将是MultiIndex
Grou(**kwargs)：计算组值的产品
Grou([method, ascending, na_option, …])：提供每个组中的值的等级。
Grou([periods, fill_method, …])：计算每个值的pct_change到组中的上一个条目
Grou()：计算组大小
Grou([ddof])：计算组平均值的标准误差，排除缺失值
Grou([ddof])：计算组的标准偏差，不包括缺失值
Grou(**kwargs)：计算组值的总和
Grou([ddof])：计算组的方差，排除缺失值
Grou([n])：返回每组的最后n行
以下方法在两个对象SeriesGroupBy和 DataFrameGroupBy对象中都可用，但可能略有不同，通常是因为DataFrameGroupBy版本通常允许指定axis参数，并且通常是指示是否将应用程序限制为特定数据类型的列的参数.
Da(arg, *args, **kwargs)：使用指定轴上的一个或多个操作进行聚合。
DataFrameGrou([skipna])：如果组中的所有值都是真实的，则返回True，否则返回False
DataFrameGrou([skipna])：如果组中的任何值是真实的，则返回True，否则返回False
DataFrameGrou([limit])：向后填充值
Da：计算列的成对相关性，不包括NA / null值
DataFrameGrou()：计算组的计数，不包括缺失值
Da：计算列的成对协方差，不包括NA / null值。
Da([axis])：每组累积最大值
Da([axis])：每组累积最小值
Da([axis])：每组的累积产品
Da([axis])：每组的累计金额
Da(**kwargs)：生成描述性统计数据，总结数据集分布的集中趋势，分散和形状，不包括NaN值。
Da：第一个离散的元素差异。
DataFrameGrou([limit])：向前填充值
Da：使用指定的方法填充NA / NaN值
Da(func[, dropna])：返回DataFrame的副本，不包括不满足func指定的布尔标准的组中的元素。
Da：制作DataFrame的直方图。
Da：返回请求轴上第一次出现最大值的索引。
Da：返回首次出现最小请求轴的索引。
Da：返回请求轴的值的平均绝对偏差
DataFrameGrou([periods, …])：计算每个值的pct_change到组中的上一个条目
Da：实现groupby对象的.plot属性的类
Da：在请求的轴上返回给定分位数的值，即la num。
DataFrameGrou([method, ascending, …])：提供每个组中的值的等级。
Da(rule, *args, **kwargs)：使用TimeGrouper时提供重新采样返回附加了重新采样器的新石斑鱼
Da([periods, freq, axis])：按周期观察移动每组
DataFrameGrou()：计算组大小
Da：返回请求轴的无偏偏差，由N-1归一化
Da：沿轴返回给定位置索引中的元素。
Da：如果可用，使用索引的频率来移动时间索引。
以下方法仅适用于SeriesGroupBy对象.
Serie：返回最大的n个元素。
Serie：返回最小的n个元素。
Serie（[dropna]）：返回组中唯一元素的数量
Serie：返回Series对象的唯一值。
Serie（[normalize，...]）：
Serie：如果对象中的值是monotonic_increasing，则返回布尔值
Serie：如果对象中的值是monotonic_decreasing，则返回布尔值
以下方法仅适用于DataFrameGroupBy对象.
Dawith：计算两个DataFrame对象的行或列之间的成对关联.
Da([subplots, column, …])：从DataFrameGroupBy数据制作箱形图.
重新采样
重新采样对象由resample调用返回: (), ().
索引, 迭代
Re()：Groupby迭代器
Re：dict {组名 - >组标签}
Re：dict {组名 - >组索引}
Re(name[, obj])：从提供名称的组构造NDFrame
功能应用
Re(arg, *args, **kwargs)：使用指定轴上的一个或多个操作进行聚合。
Re(arg, *args, **kwargs)：使用指定轴上的一个或多个操作进行聚合。
Re(arg, *args, **kwargs)：调用函数在每个组上生成类似索引的Series，并返回带有转换值的Series
Re(func, *args, **kwargs)：将func带有参数的函数应用于此Resampler对象并返回函数的结果。
上采样
Re([limit])：向前填充值
Re([limit])：向后填充重新采样数据中的新缺失值。
Re([limit])：向后填充重新采样数据中的新缺失值。
Re([limit])：向前填充值
Re([limit])：从中心开始用最近邻居填充值
Re(method[, limit])：填写上采样引入的缺失值。
Re([fill_value])：返回新频率的值，基本上是一个reindex
Re([method, axis, limit, …])：根据不同的方法插值。
计算/ 描述性统计
Re([_method])：计算组的计数，不包括缺失值
Re([_method])：返回组中唯一元素的数量
Re([_method])：首先计算组值
Re([_method])：计算最后一组值
Re([_method])：计算组值的最大值
Re([_method])：计算组的平均值，不包括缺失值
Re([_method])：计算组的中位数，排除缺失值
Re([_method])：计算组值的最小值
Re([_method])：计算值的总和，不包括缺失值对于多个分组，结果索引将是MultiIndex
Re([_method, min_count])：计算组值的产品
Re()：计算组大小
Re([_method])：计算组平均值的标准误差，排除缺失值
Re([ddof])：计算组的标准偏差，不包括缺失值
Re([_method, min_count])：计算组值的总和
Re([ddof])：计算组的方差，排除缺失值
Style
Styler objects are returned by .
Styler 构造函数
Styler(data[, precision, table_styles, …])：根据HTML和CSS的数据帮助设置DataFrame或Series的样式.
S(searchpath, name)：用于创建Styler具有自定义模板和Jinja环境的子类的工厂函数.
Styler 属性
S
S
S
风格应用
S(func[, axis, subset])：按列，按行或按行应用函数，使用结果更新HTML表示。
Smap(func[, subset])：元素应用函数，使用结果更新HTML表示。
S(cond, value[, other, subset])：元素应用函数，使用根据函数的返回值选择的样式更新HTML表示。
S(formatter[, subset])：格式化单元格的文本显示值。
S(precision)：设置用于渲染的精度。
S(table_styles)：在Styler上设置表格样式。
S(attributes)：设置表属性。
S(caption)：在样式器上设置标题
S([subset])：用于设置一个或多个非数据相关属性或每个单元的便捷方法。
S(uuid)：为Styler设置uuid。
S()：“重置”样式器，删除任何以前应用的样式。
内置样式
S([subset, color, axis])：通过着色背景突出显示最大值
S([subset, color, axis])：通过着色背景突出显示最小值
S([null_color])：null_color为缺失值着色背景。
S([cmap, low, …])：根据每列（可选行）中的数据为渐变中的背景着色。
S([subset, axis, color, width, align])：将背景颜色设置color为每列中的值。
样式导出和导入
S(**kwargs)：将构建的样式呈现为HTML
S()：导出要应用于当前Styler的样式。
S(styles)：在当前Styler上设置样式，可能使用样式S。
S(excel_writer[, sheet_name, …])：将Styler写入Excel工作表
绘图
模块中包含以下函数。
andrews_curves(frame, class_column[, ax, …])：生成安德鲁斯曲线的matplotlib图，用于可视化多元数据的聚类。
bootstrap_plot(series[, fig, size, samples])：关于均值，中位数和中位数统计的Bootstrap图。
deregister_matplotlib_converters()：删除pandas的格式化程序和转换器
lag_plot(series[, lag, ax])：时间序列的滞后图。
parallel_coordinates(frame, class_column[, …])：平行坐标绘图。
radviz(frame, class_column[, ax, color, …])：在2D中绘制多维数据集。
register_matplotlib_converters([explicit])：使用matplotlib注册Pandas格式化程序和转换器
scatter_matrix(frame[, alpha, figsize, ax, …])：绘制散点图矩阵。
一般实用功能
使用选项
describe_option(pat[, _print_desc])：打印一个或多个已注册选项的说明。
reset_option(pat)：将一个或多个选项重置为其默认值。
get_option(pat)：检索指定选项的值。
set_option(pat, value)：设置指定选项的值。
option_context(*args)：上下文管理器临时设置with语句上下文中的选项。
测试功能
(left, right[, …])：检查左右DataFrame是否相等。
(left, right[, …])：检查左右系列是否相等。
(left, right[, …])：检查左右索引是否相等。
例外 and 警告
errors.DtypeWarning：从文件中读取列中的不同dtypes时出现警告。
errors.EmptyDataError：遇到空数据或标头时，在（由C和Python引擎引发）中抛出的异常。
errors.OutOfBoundsDatetime：
errors.ParserError：中遇到的错误引发的异常。
errors.ParserWarning：读取不使用默认“c”解析器的文件时引发警告。
errors.PerformanceWarning：出现可能的性能影响时发出警告。
errors.UnsortedIndexError：尝试获取MultiIndex切片时出错，并且索引尚未被lexsorted。
errors.UnsupportedFunctionCall：尝试在pandas对象上调用numpy函数时引发异常，但该对象不支持该函数，例如
数据类型相关功能
a(to_union[, …])：结合列表类似类别，联合类别。
a：有效地推断传递的val或类似列表的数组的类型。
a(dtype)：将输入转换为仅pandas的dtype对象或numpy dtype对象。
Dtype内省
a(arr_or_dtype)：检查提供的数组或dtype是否为布尔dtype。
a(arr_or_dtype)：检查类似数组或dtype是否属于Categorical dtype。
a(arr_or_dtype)：检查提供的数组或dtype是否为复杂的dtype。
a(arr_or_dtype)：检查提供的数组或dtype是否为datetime64 dtype。
a(arr_or_dtype)：检查数组类型或dtype是否为datetime64 dtype。
a(arr_or_dtype)：检查提供的数组或dtype是否为datetime64 [ns] dtype。
a(arr_or_dtype)：检查数组类型或dtype是否为DatetimeTZDtype dtype。
a(arr)：检查类似数组是否是pandas扩展类实例。
a(arr_or_dtype)：检查提供的数组或dtype是否为float dtype。
a(arr_or_dtype)：检查提供的数组或dtype是否为int64 dtype。
a(arr_or_dtype)：检查提供的数组或dtype是否为整数dtype。
a(arr_or_dtype)：检查数组类型或dtype是否为Interval dtype。
a(arr_or_dtype)：检查提供的数组或dtype是否为数字dtype。
a(arr_or_dtype)：检查数组类型或dtype是否为对象dtype。
a(arr_or_dtype)：检查数组类型或dtype是否为Period dtype。
a(arr_or_dtype)：检查提供的数组或dtype是否为带符号整数dtype。
a(arr_or_dtype)：检查提供的数组或dtype是否为字符串dtype。
a(arr_or_dtype)：检查数组类型或dtype是否属于timedelta64 dtype。
a(arr_or_dtype)：检查提供的数组或dtype是否为timedelta64 [ns] dtype。
a(arr_or_dtype)：检查提供的数组或dtype是否为无符号整数dtype。
a(arr)：检查数组是否是pandas稀疏数组。
可迭代的内省
a(obj)：检查对象是否像dict一样。
a(obj)：检查对象是否是类文件对象。
a(obj)：检查对象是否类似于列表。
a(obj)：检查对象是否是命名元组。
a(obj)：检查对象是否是迭代器。
标量内省
a：
a(arr)：检查类似数组是否是分类实例。
a：
a(arr)：检查类似数组是否与日期时间数组一样，其dtype中包含时区组件。
a：
a(obj)：如果hash（obj）成功则返回True，否则返回False。
a：
a：
a(obj)：检查对象是否为数字。
a(arr)：检查类似数组是否是一个周期性索引。
a(obj)：检查对象是否是正则表达式模式实例。
a_compilable(obj)：检查对象是否可以编译为正则表达式模式实例。
a：如果给定值是标量，则返回True。
扩展
这些主要用于寻求扩展pandas对象的库作者.
a(name)：在DataFrame对象上注册自定义访问器。
a(name)：在Series对象上注册自定义访问器。
a(name)：在Index对象上注册自定义访问器。
a：自定义数据类型，与ExtensionArray配对。
a：自定义1-D数组类型的抽象基类。
Grou([skipna])：如果组中的所有值都是真实的，则返回True，否则返回False
Grou([skipna])：如果组中的任何值是真实的，则返回True，否则返回False
Grou([limit])：向后填充值
Grou()：计算组的计数，不包括缺失值
Grou([ascending])：将每个组中的每个项目编号从0到该组的长度 - 1。
Grou([limit])：向前填充值
Grou(**kwargs)：首先计算组值
Grou([n])：返回每组的前n行。
Grou(**kwargs)：计算最后一组值
Grou(**kwargs)：计算组值的最大值
Grou(*args, **kwargs)：计算组的平均值，不包括缺失值
Grou(**kwargs)：计算组的中位数，排除缺失值
Grou(**kwargs)：计算组值的最小值
Grou([ascending])：将每个组的编号从0到组的数量 - 1。
Grou(n[, dropna])：如果n是int，则从每个组中取第n行;如果n是int列表，则从行的子集获取。
Grou()：计算值的总和，不包括缺失值对于多个分组，结果索引将是MultiIndex
Grou(**kwargs)：计算组值的产品
Grou([method, ascending, na_option, …])：提供每个组中的值的等级。
Grou([periods, fill_method, …])：计算每个值的pct_change到组中的上一个条目
Grou()：计算组大小
Grou([ddof])：计算组平均值的标准误差，排除缺失值
Grou([ddof])：计算组的标准偏差，不包括缺失值
Grou(**kwargs)：计算组值的总和
Grou([ddof])：计算组的方差，排除缺失值
Grou([n])：返回每组的最后n行