Function application, GroupBy & window

该模块下有10个函数，应该都是比较有用的函数。比较多的没有理解，这里需要仔细一点

apply（1）：4个参数，func要求置入函数，convert_dtype转换为更合适的数据类型，args在当函数参数值>1的时候，可以设置一个元组来配置对应参数的入参值，元组中的入参值为n-1，**kwds和args的情况差不多，不过使用的是字典的形式。 这个函数功能可以通过自定义函数来处理Series中的数据，可用性比较高。

list0 = ['a','b','c','d']
dp = pd.Series(data=list0,index=['a1','b1','c1','d1'])
#返回一个数组列表
def add0(arg0):
    return [0,1]
print(dp.apply(add0))
#返回一个数值
def add1(arg1):
    return arg1
print(dp.apply(add1))
#args参数的使用
def add2(arg0,arg1,arg2):
    return arg0+arg1+arg2
print(dp.apply(add2,args=('a','c')))
print(dp.apply(add2,arg1='a',arg2='c'))

agg（2）：func=None，axis，args，kwargs除了axis设置0或’index’，func的入参更多样，且限定入参的函数，其它和apply没有太大的差别。agg可以直接通过列表存放函数名来调用pandas的内部函数，算是一种便利了。

list0 = ['a','b','c','d']
dp = pd.Series(data=list0,index=['a1','b1','c1','d1'])
print(dp.agg(['min', 'max','sum','unique']))
def add0(arg0):
    return arg0
print(dp.agg(add0,axis='index'))

aggregate（3）：和agg差不多。
transform （4）：不太明白这个函数的功能，应该是一个比较有用的功能，需要以后在实际的操作中来进行细致的区分了。

list0 = ['a','b','c','d']
dp = pd.Series(data=list0)
def add1(arg0):
    return arg0+'aaaaa'
print(dp.transform(add1))

map（5）：映射Series值对应输入值，作用应该是比较大的，根据需要的值来控制Series的值。

list0 = ['a','b','c','d']
dp = pd.Series(data=list0)
print(dp.map(dp))
print(dp.map({'a':'a'},na_action='ignore'))
def add0(arg0):
    return 'a'
print(dp.map(add0,na_action='ignore'))

groupby（6）：这个功能比较重要，需要比较大的篇幅来记录一下

rolling（7）：这个功能比较重要，需要比较大的篇幅来记录一下
expanding（8）：不太明白这个功能的作用，留待后面再来记录。

list0 = ['a','b','c','d']
dp = pd.Series(data=list0)
print(dp.expanding(4))
df = pd.DataFrame({"B": [0, 1, 2, np.nan, 4]})
print(df.expanding(2))
print(df.expanding(4).sum())

ewm（9）：这个功能比较重要，需要比较大的篇幅来记录一下
pipe（10）：没明白这个函数功能的意义，留作以后讨论

list0 = ['a','b','c','d']
dp = pd.Series(data=list0)
def add1(arg):
    return arg
print(dp.pipe(add1))