Pandas 是我们常用的一个Python数据分析库。其中有不少操作是我们平时很少用到的。如下：

数据源：

df

一、获取最大或最小值所对应对象的名称

获取某列的最小值：

df["数量"].min()

获取最小值所对应的汽车品牌：

df[df["数量"] == df["数量"].min()]["品牌"].values[0]

获取最大值同理。

然而，我们可以使用.idxmax() 或 idxmin() 函数来更优雅得实现以上功能：

df.loc[df["数量"].idxmin()]["品牌"]

可见，所得结果一致，并且语句显得更加简短优雅。

二、数据切片

用 .cut() 函数将数据区间 [10,80] 均等地分成10份，等差为（80 - 10） / 10 = 7.

pd.cut(df["数量"],10)

查看当前数据所属的划分区间：

pd.cut(df["数量"],10,labels = False)

比如获取数量最小的前3条记录：

df[["国家", "品牌", "数量"]].nsmallest(3, "数量")

再跟常用的方法对比一下，如下：

df.sort_values(by = "数量",ascending = True).head(3)

注意事项：.nsmallest() 或 .nlargest() 参数里的筛选条件一定要包好在所抽取出来的DataFrame里面。

4.1 普通的筛选求和：

df[(df["国家"] == "中国") & (df["品牌"] == "五菱")]["数量"].sum()

4.2 pivot_table

pd.pivot_table(df, values = "数量", index = "品牌", columns = "国家", aggfunc = "sum").fillna(0)

4.2 pivot_table + unstack

pd.pivot_table(df, values = "数量", index = "品牌", columns = "国家", aggfunc = "sum").fillna(0).unstack()