data = {
  'A': [1, 2, 3],
  'B': ['a', 'b', 'c'],
  'C': [1.1, 2.1, 3.1]
}

df = DataFrame(data)

# インデックスのタイトル
df.index.name = "bar"

# カラムのタイトル
df.column.name = "bar"

# データフレームのカラムの順番を指定する
df = DataFrame(data, columns=['C', 'A', 'B'], index=['one', 'two', 'three'])

# 上記と同じ
data = {
  'A': {'one':1, 'two':2, 'three':3},
  'B': {'one':'a', 'two':'b', 'three':'c'},
  'C': {'one':1.1, 'two':2.1, 'three':3.1}
}
df = DataFrame(data)

# 整数で値を取得
df.iloc[0, 0]
# 1
df.iloc[:2, 0]
# [1, 2] (Series)
df.iloc[:2, [0, 1]]
# [[1, 'a'], [2, 'b']] (DataFrame)

# 名前で取得
df.loc['one, ''A']
# 1


# 転置
df.T

# 2次元のnarrayを返す
df.values

# データが無い場合はNaNが割り当てられる
# D列とfour行の値はNaN
df = DataFrame(data, columns=['C', 'A', 'B', 'D'], index=['one', 'two', 'three', 'four'])

# A列とB列をインデックスにする
df.set_index(['A', 'B'])
# インデックスを列にする
df.reset_index()

# カラム名の一覧を取得
df.columns

df.ix[行, 列]

# 行をSeriesとして取得
df['A']
df.A
df.ix[:, 'A']
# 行をSeriesとして取得
df.ix[1]
df.ix['foo']

# DataFrame
# C, Aの列を取得
df[['C', 'A']]
# 上から2行
df[:2]
# Cの値が2より小さい行
df[df['C'] < 2]
# 2より小さいデータをTrue, 小さくないものをFalse
df < 2
# 2より小さいデータを8
df[df < 2] = 8
# df.ix[<indexの条件>, <columnの条件>]
df.ix[df['C'] < 2, :2]

# 行をSeriesとして取得
df.ix['one']

# 値をセット
df['C'] = 1.5
df['C'] = numpy.arange(4)
s = Series([2.9, 3.9], index=['two', 'three'])
# 無いものはNaN
df['C'] = s
# 列の削除
del df['C']

# データフレームやSeriesでの足し算や引き算で両方共通にないカラムとインデックスの値はNaNになる
# 埋めたい場合はfill_valueを指定する
df1.add(df2, fill_value=0)

# 足し算や引き算の反映（ブロードキャスト）は行単位
data = {
  'A': {'one':1, 'two':2, 'three':3},
  'B': {'one':4, 'two':5, 'three':6},
  'C': {'one':7, 'two':8, 'three':8}
}
df = DataFrame(data)
df - df.ix[0]
# [[0,0,0],[3,3,3][6,6,6]]

# 列単位で処理するにはaxis=0にする
s = df.B
df.sub(s, axis=0)
# [[-1,0,1],[-1,0,1][-1,0,1]]

v = s['a']
s['a'] = 8
# インデックス名を指定してSeriesを取得
s[['b', 'c', 'a']]
s[s > 0]
s * 2
np.sqrt(s)
# インデックス名が存在しているか
'a' in s
# 下記2つは同じ
s = Series({'a': 1, 'b': 2, 'c': 3})
s = Series([1, 2, 3], index=['a', 'b', 'c'])
# インデックス名の変更
s.index = ['A', 'B', 'C']
# 足し算で片方にしかないインデックス名の結果はNaN
# つまりNaN + 1はNaN
s1 + S2

# インデックス名と数値どちらでも値にアクセスすることができる
s[0]
s['a']
s[0:2]
s[['c', 'a']]
s[[2, 1]]
s[s < 2]
# スライスは終点が含まれる

# 関数の適用
s.apply(func)

s.index = pd.Index(range(5))

# カラムに該当するデータを削除
df.drop(col_value, 1)
# 行に該当するデータを削除
df.drop(row_value, 0)

def func(group):
    pass
# gropにはdfをcol1, col2の値ごとに区切ったデータフレームが入る
df.groupBy(["col1", "col2"]).apply(func)

foo_series = df['foo']
# filter
bar_series = foo_series[foo_series == 'bar']
v = df['foo'][8]
# 値の数を集計する
df['foo'].value_counts()
# カラムから抽出
df['a']
df[['a', 'b']]
df.a
# インデックスから抽出
df[0:3]
# ixから
# 0行目をSeriesで取得
df.ix[0]
df.ix[3, 3]
df.ix[1:3, 2:3]
df.ix[[1,2,3], [4,5]]
df.ix['r1':'r2', 'c3':'c4']
# dfの引き算でSeriesをdfに加える
df['diff'] = df['a'] - df['b']
# インデックスを抽出
indexs = df.index[df.point >= 70]

# 2階層目の3番目の値を取得
s[:, 3]
df = s.unstack()
s = df.stack()

df = DataFrame(numpy.arange(16).reshape(4, 4),
                index=[['A', 'A', 'B', 'B'], [1, 2, 3, 4]],
                columns=[['C', 'C', 'D', 'D'], [1, 2, 3, 4]])

df.index.names = ['foo1', 'foo2']
df.columns.names = ['bar1', 'bar2']

# インデックスの階層を入れ替える
df.swaplevel('foo1', 'foo2')
# インデックス名だけソート
df.sortlevel(0)
# 階層ごとに関数を適応するときはlevelキーワードを使用する
df.sum(level="foo2")

df.loc[('A', 2)]
# [3, 4, 5]

df.index = pd.MultiIndex([['A', 'A', 'B', 'B'], [1, 2, 3, 4]])

# headerが無い場合
df = pd.read_csv('foo.csv', names=['a', 'b', 'c', 'd'], index_col='a')
# csvで保存
df.to_csv('foo.csv')

# pickle形式で保存
df.save('foo_pickle')
df = pd.load('foo_pickle')

# HDF5形式で保存
hdf5 = pd.HDFStore('foo.h5')
hdf5['bar'] = df

pd.concat([s1, s2], keys=['a', 'b'])

df.rename(index=pd.str.title)
df.rename({'foo': 'bar'})