條件過濾 我們需要看第一季度的數據是怎樣的，就需要使用條件過濾 體感的舒適適濕度是40-70，我們試著過濾出體感舒適濕度的數據 最後整合上面兩種條件，在一季度體感濕度比較舒適的數據 列排序 數據按照某列進行排序 “by”參數可以使用字元串，也可以是列表，ascending 的參數也可以是單個值或者列 ...
條件過濾
我們需要看第一季度的數據是怎樣的，就需要使用條件過濾
體感的舒適適濕度是40-70，我們試著過濾出體感舒適濕度的數據
最後整合上面兩種條件，在一季度體感濕度比較舒適的數據
列排序
數據按照某列進行排序
“by”參數可以使用字元串，也可以是列表，ascending 的參數也可以是單個值或者列表
ascending 預設值是 True
列中的每行上的 apply 函數
在前一篇的增加列的部分，根據風速計算人體感覺是否舒適，為了功能的演示，在這裡使用 DataFrame 的 apply 方法，他會在指定列的每個值上執行。詳見代碼：
均值和標準差
我們通過 describe 方法查看的統計信息中均值和方差都是按照列統計呢，這裡要說的，既可以按照列，還可以按照行
均值，行 df.mean(axis=0)，列df.mean(axis=1)
方差，行 df.std(axis=0)，列df.std(axis=1)
DataFrame 轉換為 Numpy
DataFrame 合併
連接合併
在兩個 df 的結果一致的情況下，我們可以簡單兩個 df 拼接起來
垂直（行）拼接，pd.concat([df1,df2],axis=0)，水平（列）拼接，pd.concat([df1,df2],axis=1)
基於索引關鍵字合併
Pandas 還提供了像 SQL 一樣的連接，內聯，外聯，左聯，右聯
作為我們的示例數據，可以唯一標識一行的就是 Datatime 列
merged_df = df_1.merge(df_2, how='left', on='datetime')
在 DataFrame 中查找 NaN
每行有多少 NaN，df.isnull().sum()
Dataframe 中 NaN 的總數，上面統計出來的數量求和，df.isnull().sum().sum()
分組 Group By
分組在數據統計的時候經常使用。特別是統計數量、計算和、求平均值，等等。
我們在這裡統計一下每個季度的假期數是多少
在統計一下，每個季度的平均分風速是多少
定義範圍
如果我們想根據風力把風的等級區分出來，你可能可快就想到上面剛剛介紹的 apply，不過，現在介紹另外一種方式
通過這兩次的分享，我們已經瞭解了 pandas 數據處理常用的方式方法。
文件內容簡單說明：
文件地址：
bikeshare.zip
