4. 统计类方法：（下面的DataFrame方法对于Series也适用）

• DataFrame.mean([axis, skipna, level, ...])：沿着指定轴，计算平均值
• DataFrame.median([axis, skipna, level, ...])：沿着指定轴，计算位于中间大小的数
• DataFrame.var([axis, skipna, level, ddof, ...])：沿着指定轴，计算样本的方差
• DataFrame.std([axis, skipna, level, ddof, ...])：沿着指定轴，计算样本的标准差
• DataFrame.mad([axis, skipna, level])：沿着指定轴，根据平均值计算平均绝对离差
• DataFrame.diff([periods, axis])：沿着指定轴的一阶差分。periods为间隔。
• DataFrame.skew([axis, skipna, level, ...])：沿着指定轴计算样本的偏度（二阶矩）
• DataFrame.kurt([axis, skipna, level, ...])：沿着指定轴，计算样本的峰度（四阶矩）
  • 对随机变量 X，E(X^k),k=1,2,... 若存在，则称它为 X 的 k 阶原点矩，简称 k 阶矩。若 E[(X-E(X))^k],k=1,2,... 存在，则称它为 X 的 k 阶中心矩。
• DataFrame.describe([percentiles, include, ...])：获取顺序统计量以及其他的统计结果。
  • percentiles：一个array-like。每个元素都是 0~1之间。如 0.5代表 50%分位
  • include,exclude：指定包含/不包含哪些列（通过dtype来指定）。可以为None/'all'，或者一个dtype列表
• DataFrame.corr([method, min_periods])：计算任意两个列之间的非NAN的、按照索引对齐的值的相关系数。method为相关系数的类型，可以为：
  • 'pearson'：标准的相关系数
  • 'kendall'：Kendall Tau相关系数
  • 'spearman'：Spearman rank相关系数

  而min_periods：一个整数。它指定为了生成一个有效的相关系数，每一对列数据的最短长度。

• DataFrame.corrwith(other[, axis, drop]) ：计算两个DataFrame的行-行、列-列的相关系数。
  • axis：如果为0/'index'则沿着0轴，则计算列-列之间的相关系数。如果为1/'columns'，则沿着1轴，计算行-行之间的相关系数
  • drop：一个布尔值。如果为True，则如果某行/列都是NaN，则抛弃该行/列。如果为False，则返回全部。
• DataFrame.cov([min_periods])：计算任意两列之间的协方差。min_periods指定为了生成一个有效的协方差，每一对列数据的最短长度。
  • 对于Series，其调用为：Series.cov(other,[min_periods])

5. 对于Series：唯一值、值计数、成员资格：

• Series.unique()：返回Series中唯一值组成的一维ndarray
• Series.value_counts(normalize=False, sort=True, ascending=False, bins=None, dropna=True)：对Series中的数进行计数。如果normalize为True，则返回频率而不是频数。sort为True则结果根据出现的值排序，排序方式由ascending指定。
  • bins是一个整数或者None。如果它为整数，则使用半开半闭区间来统计，它给出了该区间的数量。
• Series.isin(values)：返回一个布尔数组，给出Series中各值是否位于values中。

DataFrame也有此方法。

6. 对于多级索引，可以通过level参数来指定在某个轴上的操作索引级别。如果level=None，则不考虑索引的多级。