- 对于一元运算，通用函数将在输出结果中保留行索引和列标签；
- 对于二元运算，通用函数将会在自动对齐索引后进行运算。
1. 一元运算：保留索引
df = pd.DataFrame(np.random.randint(0,100,(3,4)), columns=['A','B','C','D'])
df
|
A |
B |
C |
D |
| 0 |
25 |
73 |
54 |
82 |
| 1 |
74 |
23 |
96 |
47 |
| 2 |
32 |
23 |
87 |
39 |
np.sin(df * np.pi / 4)
|
A |
B |
C |
D |
| 0 |
7.071068e-01 |
0.707107 |
-1.000000e+00 |
1.000000 |
| 1 |
1.000000e+00 |
-0.707107 |
-2.939152e-15 |
-0.707107 |
| 2 |
-9.797174e-16 |
-0.707107 |
-7.071068e-01 |
-0.707107 |
2. 二元运算：索引对齐
# Series
# 先进行索引合并操作，求索引的并集，再根据索引进行对齐，对齐后进行运算
area = pd.Series({'Alaska':1723337, 'Texas':695662, 'California':423967}, name = 'area')
population = pd.Series({'Alaska':38332521, 'Texas':26448193, 'New York':19651127}, name = 'population')
population / area
Alaska 22.243195
California NaN
New York NaN
Texas 38.018740
dtype: float64
# DataFrame
# 合并，对齐，运算
A = pd.DataFrame(np.random.randint(0,10,(2,3)), columns=list('ABD'))
B = pd.DataFrame(np.random.randint(0,10,(3,3)), columns=list('BCA'))
print(A)
print("="*20)
print(B)
print("="*20)
print(A+B)
A B D
0 3 8 3
1 5 7 5
====================
B C A
0 0 6 0
1 2 6 3
2 5 6 7
====================
A B C D
0 3.0 8.0 NaN NaN
1 8.0 9.0 NaN NaN
2 NaN NaN NaN NaN
# 可以使用运算符的通用函数形式，设置fill_value参数：一方有值就不会NaN
A.add(B, fill_value=0)
|
A |
B |
C |
D |
| 0 |
3.0 |
8.0 |
6.0 |
3.0 |
| 1 |
8.0 |
9.0 |
6.0 |
5.0 |
| 2 |
7.0 |
5.0 |
6.0 |
NaN |
3. Series和DataFrame的混合运算
- DataFrame和Series的运算规则，与二维数组和一维数组的运算规则相同。
- 默认按行计算。需要按列计算，则需要利用运算符方法，设置axis参数，
axis=0。