on是一个键，how=\'left\' 根据两个表，用第一个表 how=\'right\' 根据两个表 ，用第二个表
指定参考键：我想用左边的lkey列作为左边的参考键， 我想用右边表的index 作为 参考键 （两个数据表合并比较）
（left_index right_index 左边（设置True就行） left_on right_on 这俩on（还是制定 index只不过分开指定，左表，右表说法） ）
代码展示dataG = pd.DataFrame({\'key\':list(\'abcdedf\'),\'list\':range(7)});
dataW = pd.DataFrame({\'key\':list(\'abcdedf\'),\'list\':range(3,10)});
print(pd.merge(dataG,dataW,on=[\'list\'],how=\'outer\'))
how =\'outer\' 根据list为合并的条件，用了outer 没有达到要求的NaN补全
print(pd.merge(df1, df2, left_on=\'key\', right_index=True))
左边的指定键 为key，右边的表用 角标index 为键 合并比较
数据连接
两个DataFrame 连接，通过pd.concat([数组表1，数组表2]).sort_index() 角标顺序排列连接
两个DataFrame 连接，通过 pd.concat([数组表1，数组表2])，axis=1 列+列 成为一个DataFrame ，空的位置 用 NaN补全
inplace
两个Series pd.reset_index(inplace=True).drop = True
一个Series一维，重置了他的index值，0 1 2 3 4 5 6 然后吧替换之前的index 设置为一个列，drop 设置True 就是问你是否删除这个之前的；列
去重
按照 s.duplicate() 就会出现一个 True False 的列表 ， 打印出 s[s.s.duplicate() == False] False 就代表不重复的值
replace
replace(\'a\',\'w\') replace([\'a\',\'b\'],50) 都可以进行一个替换
DataFrame 数据分组（简称列分组）
根据数据列columns名字，分组，并计算处理，得出数据 求和、平均值、长度、常用的一些列计算
简单解释语句：
df.groupby(\'A\') 通过A列，里面的数据 只要不一样就会成组， 分成一个组然后 计算
df.groupby([\'A\',\'B\']).mean() 通过A/B两列，里面的数据，只要A 和 B两个组成不同的配对，就可以成组，计算
df.groupby([\'A\'])[\'D\'].mean() # 以A分组，算D的平均值
分组后 类型格式为 groupby类型， 经过处理后 得出 可迭代对象，可以是数组、元祖、字典 一一对应操作方法
print(list(df.groupby(\'X\')), \'→ 可迭代对象，直接生成list\n\')
print(list(df.groupby(\'X\'))[0], \'→ 以元祖形式显示\n\')
for n,g in df.groupby(\'X\'):
print(n)
print(g)
print(\'###\') # n是组名，g是分组后的Dataframe
# .get_group()提取分组后的组
print(df.groupby([\'X\']).get_group(\'A\'),\'\n\')
# .groups：将分组后的groups转为dict
# 可以字典索引方法来查看groups里的元素
grouped = df.groupby([\'X\'])
print(grouped.groups)
print(grouped.groups[\'A\']) # 也可写：df.groupby(\'X\').groups[\'A\']
# .size()：查看分组后的长度
grouped.size()
# 按照两个列进行分组