这篇文章的作者（我们今天将要翻译的译本）说，当他发现自己想在这里谈论的Pandas库的方法时，他感到自己像一个完全没有能力的程序员。 怎么了 事实是，当他之前编写代码时，他懒得去研究搜索引擎并找出是否有解决某些问题的有效方法。 结果，他甚至不知道存在许多非常有用的Pandas方法。 在不使用这些方法的情况下，他仍然能够实现必要的逻辑，但这需要他花费几个小时的工作，这使他感到紧张。 当然，在此过程中，他编写了许多不必要的代码。 他为那些不想陷入困境的人准备了这篇文章。
idxmin（）和idxmax（）方法
我已经
写过关于
idxmin()和
idxmax()方法的文章，但是如果我在这里不讨论它们，您将不容易理解我们稍后将讨论的内容。
简而言之，这些方法将返回所需记录的索引（指针位置）。 假设我创建了以下
Series Pandas对象。
x = pd.Series ([ 1, 3, 2, 8, 124, 4, 2, 1 ])
我需要找到最小和最大元素的索引。 当然，仅通过查看对象的描述就可以发现问题，但在实际项目中，从来没有（完全像这样-“从不”）不满足由这么少的元素组成的数据集。
怎么办 使用
idxmin()和
idxmax()方法。 看起来是这样的：
使用这些方法，您一定不要忘记它们返回第一次出现的最小值或最大值的索引。
Ne（）方法
ne()方法对我来说是一个巨大的发现。 前一段时间，我正在处理数据时间序列，当前
n观测值为0时遇到一个问题。
想象一下您买了东西，但在一定时间内没有消费。 您所购买的东西随时都可以使用，但是由于您没有使用它，因此它在特定日期的消费水平为0。由于我对实际开始使用时获得的消费数据感兴趣，因此“购买”，结果证明
ne()方法正是我所需要的。
请考虑以下情形。 我们有一个Pandas
DataFrame对象，其中包含一些观察结果，该观察结果在列表顶部以0值表示。
df = pd.DataFrame()
只有在调用此方法时当前值不是指定的值（例如，当调用该方法时，可以指定值0）时，
ne()方法才会返回
True ；否则，它返回
False ：
df['X'].ne(0)
仅此方法不能被称为特别有用。 现在，请记住在文章开头我曾说过，要理解该文章，您需要熟悉
idxmax()方法。 那时我不是在开玩笑。 您可以将
idxmax()调用附加到上述
ne()调用中。 结果如下：
df['X'].ne(0).idxmax()
这告诉我们第一个非零的观察结果位于位置6。同样，这似乎不是一个如此重要的发现。 但是，这里最重要的是，此信息可用于选择
DataFrame对象的子集，并仅显示从检测到的位置开始出现的那些值：
df.loc[df['X'].ne(0).idxmax():]
在许多必须使用时间序列数据的情况下，此技术非常有用。
Nsmallest（）和nlargest（）方法
我怀疑只有看到这些方法的名称后，您才能猜出它们的用途。 假设我创建了以下
DataFrame ：
df = pd/DataFrame({ 'Name': ['Bob', 'Mark', 'Steph', 'Jess', 'Becky'], 'Points': [55, 98, 46, 77, 81] })
为了使它更有趣，假设这是一些学生通过的测试结果。 我们想找到三名在测试中表现最差的学生：
df.nsmallest(3, 'Points')
或者-找出谁在前三名中：
df.nlargest(3, 'Points')
这些方法可以很好地替代
sort_values()类的方法。
总结
在这里，我们研究了一些有用的Pandas方法。 对于那些了解它们的人来说，它们的应用似乎是完全自然的，但是对于那些刚刚了解它们的人来说，它们看起来像是一个真正的发现。 我们希望他们能为您服务。
亲爱的读者们！ 知道其他人可能不知道的一些有用的Pandas方法吗？
