DataFrame支持算术运算（+、-、、/、*），自动按索引对齐，可通过add()等方法结合fill_value处理缺失值；2. 比较运算返回布尔型数据，用于条件筛选，如df['A'] > 5；3. 统计运算包括sum、mean、std等，默认跳过NaN，支持axis参数与groupby结合；4. apply()可对行或列应用函数，map()用于元素级操作。掌握这些可提升数据处理效率，注意对齐与缺失值处理。
在Python中，DataFrame是pandas库中最常用的数据结构之一，适用于处理表格型数据。它支持丰富的运算操作，能高效完成数据清洗、转换和分析任务。以下是关于DataFrame常见运算的总结，涵盖算术运算、比较运算、统计运算及应用函数等核心内容。
算术运算
DataFrame支持标准的算术操作，如加（+）、减（-）、乘（*）、除（/）和幂（**）。这些操作默认按列对齐，自动处理索引匹配问题。
- 两个DataFrame进行运算时，pandas会基于行索引和列标签对齐数据，未对齐的部分结果为NaN
- DataFrame与标量运算时，操作会广播到每个元素
- 支持使用方法形式如 add()、sub()、mul()、div()，可指定fill_value处理缺失值
示例：
df1 + df2
df * 2
df.add(other_df, fill_value=0)
比较运算
比较运算返回布尔型DataFrame，常用于条件筛选。
立即学习“Python免费学习笔记（深入）”；
- 支持 ==、!=、>、=、
- 结果是相同形状的DataFrame，元素为True或False
- 可用于构建掩码，配合布尔索引提取子集
示例：
df > 5
df[df['A'] > df['B']]
统计运算
DataFrame提供多种内置统计方法，多数默认跳过缺失值。
- sum()：求和，axis=0表示按列计算，axis=1按行
- mean()、median()：均值和中位数
- std()、var()：标准差和方差
- min()、max()、quantile()：极值与分位数
- describe()：生成描述性统计摘要
- count()：非空值数量
这些方法可配合 groupby 实现分组统计。
应用自定义函数
使用 apply() 方法可在行或列上应用函数。
- df.apply(func, axis=0)：对每列应用func
- df.apply(func, axis=1)：对每行应用func
- func可以是lambda表达式或自定义函数
- applymap() 已弃用，推荐使用 map() 或 apply() 代替元素级操作
示例：
df.apply(lambda x: x.max() - x.min(), axis=1)
df['A'].map(lambda x: x * 2)
基本上就这些。掌握这些运算方式，能大幅提升数据处理效率。注意对齐规则和缺失值处理，避免意外结果。
