03-Pandas的方法介绍

str.startwith()，用于检查列中的值是否以指定的字符串开头
```
df = patients[patients['conditions'].str.startswith("DIAB1") | patients["conditions"].str.contains(" DIAB1", regex=False)]
```
regex=False代表不使用正则表达式进行匹配，而是直接查找子字符串。
str.contains()用于检查值是否包含指定的字符串，示例见1
```
df = patients[patients['conditions'].str.contains("DIAB1", case=False, na=False)]
```
case=False表示不区分大小写，na=False将缺失值视为不匹配。
pivot()方法用于重塑DataFrame，用于将行转换为列，或者将列转换为行
```
result = department.pivot(index='id', columns='month', values='revenue').reindex(columns=columns).rename(columns=lambda x:f'{x}_Revenue').reset_index()
```
其中参数index表示新DataFrame的索引列，即原DataFrame中的行标签
参数columns表示DataFrame的列，即原DataFrame中的列标签
参数values表示要填充到新DataFrame中的值，通常是原DataFrame中的数据
reindex()用于重新索引，可以用于DataFrame或Series，可以填充缺失值
dropna=False指定保留存在缺失值的行
```
df = transactions.groupby(['country','month'],dropna = False).agg(...)
```
在pandas中，groupby方法不接受dropna参数，它本身就是默认保留所有行的，而在聚合函数内部会默认忽略缺失值，它通常用于DataFrame.dropna()，上述代码中agg()是一个聚合函数

agg()是Pandas 中一个非常强大的函数，它允许用户对 DataFrame或 Series对象的分组数据进行多种聚合操作。

result = sales_df.groupby(['country', 'year']).agg({  
'sales': ['sum', 'mean', 'max']  
})  
result.columns = ['total_sales', 'average_sales', 'max_sales']

当使用字典作为 agg() 的参数时，字典的键是列名，值是聚合函数的名称或自定义函数。

result_df = transactions_copy.groupby(['month', 'country'], dropna=False).agg(trans_count=('id', 'count'),  # 计算总交易数量approved_count=('state', lambda x: (x == 'approved').sum()),  # 计算已批准交易数量trans_total_amount=('amount', 'sum'),  # 计算总交易金额approved_total_amount=('amount', lambda x:sum(x[transactions_copy["state"]=="approved"]))  # 计算已批准交易总金额
).reset_index()

strftime()是datetime模块中的函数，用于格式化日期和时间

transactions_copy['trans_date'] = pd.to_datetime(transactions_copy['trans_date'])
transactions_copy['month'] = transactions_copy['trans_date'].dt.strftime('%Y-%m')