在前面的章节中，我们讨论了Series的计算方法与Pandas的自动对齐功能。不光是Series，DataFrame也是支持运算的，而且还是经常被使用的功能之一。
由于DataFrame的数据结构中包含了多行、多列，所以DataFrame的计算与统计可以是用行数据或者用列数据。为了更方便我们的使用，Pandas为我们提供了常用的计算与统计方法：
| 操作 | 方法 | 操作 | 方法 |
|---|---|---|---|
| 求和 | sum | 最大值 | max |
| 求均值 | mean | 最小值 | min |
| 求方差 | var | 标准差 | std |
| 中位数 | median | 众数 | mode |
| 分位数 | quantile |
一.运算
接上文的例子，我们已经有了N个学生的数学、语文、英语的成绩表，现在，我们要算出每个学生的总成绩，那么我们就可以用以下的方法：
'''
行的求和以下演示两种方法：
方法1：先把待求和的列数据删选出来（剔除掉name列）,然后使用sum函数求和
方法2：把待求和的列一个一个选出来然后使用运算符求和
两种方法最后的结果为像原有的DataFrame中新增一列，数据为每行数据的求和
'''
df['sum'] = df[['chinese', 'math', 'english']].sum(1) #方法1
df['sum'] = df['chinese'] + df['math'] + df['english'] #方法2
Output：
name chinese english math sum
0 XiaoMing 99 100 80 279
1 LiHua 102 79 92 273
2 HanMeiNei 111 130 104 345
在sum方法中我们传入了参数1，代表的是我们使用的轴（axis）为行（对行数据进行求和），如果想要计算出每列的求和我们只用传入0即可（sum函数默认参数为0，所以也可不传）：
df[['chinese', 'math', 'english']].sum(0)
Output：
chinese 312
math 276
english 309
dtype: int64
现在有了总成绩，那么数学老师或者语文老师就会关心本班学生的数据平均分是多少，同样的，我们可以非常快速的计算出来：
df['math'].mean() #方法一：直接使用Pandas提供的mean求均值方法
df['math'].sum() / df.shape[0] #方法二：使用求和方法算出总和后除以总人数（行数）
Output：
92.0
本🌰中使用了DataFrame的shape方法，这个方法是用来显示DataFrame的行数和列数的，行数为0，列数1。需要注意的是输出的列数值是不含索引列的。
上述🌰只计算了数学的平均分，感兴趣的小伙伴可以自行基础出英语和语文的平均分哦~
二.统计
这个时候数学老师又有新的需求了，他想查看本班学生数学成绩的最高分、最低分、中位数等统计数据，那么根本不慌，Pandas统统可以帮我们搞定：
df['math'].min() # math列的最小值
Output：80
df['math'].max() # math列的最大值
Output：104
df['math'].quantile([0.3, 0.4, 0.5]) # math列的30%、40%、50%分位数
Output：
0.3 87.2
0.4 89.6
0.5 92.0
Name: math, dtype: float64
df['math'].std() # math列的标准差
Output：12
df['math'].var() # math列的方差
Output：144
df['math'].mean() # math列的平均数
Output：92
df['math'].median() # math列的中位数
Output：92
df['math'].mode() # math列的众数，返回一个Series对象（有可能出现并列的情况，例子中众数为1，所以都返回）
Output:
0 80
1 92
2 104
dtype: int64
我们也可以使用DataFrame的describe方法对DataFrame查看基本的统计情况：
df.describe()
Outprint:
chinese english math sum
count 3.000000 3.000000 3.0 3.000000
mean 104.000000 103.000000 92.0 299.000000
std 6.244998 25.632011 12.0 39.949969
min 99.000000 79.000000 80.0 273.000000
25% 100.500000 89.500000 86.0 276.000000
50% 102.000000 100.000000 92.0 279.000000
75% 106.500000 115.000000 98.0 312.000000
max 111.000000 130.000000 104.0 345.000000
三.排序
一般来讲我们的成绩表都是按照总分从高到低进行排序：
df = df.sort_values(by='sum', ascending=False)
Output:
name chinese english math sum
2 HanMeiNei 111 130 104 345
0 XiaoMing 99 100 80 279
1 LiHua 102 79 92 273
可以看到我们使用了sort_values方法对DataFrame进行排序，同时by参数传入‘sum’指定按照‘sum’字段进行排序，ascending用来设置是降序（False）还是升序（True，默认值）排序。使用sort_values排序后默认会返回一个新的DataFrame对象，也就是说并不会影响原有的DataFrame对象，所以例子中我们才会把排序后的对象赋值给原有的DataFrame对象，如果不想排序后创建新的对象也是可以的，只需要传入inplace=True即可（在原有的DataFrame基础上修改）：
df.sort_values(by='sum', ascending=False, inplace=True)
print(df)
Output:
name chinese english math sum
2 HanMeiNei 111 130 104 345
0 XiaoMing 99 100 80 279
1 LiHua 102 79 92 273
细心的小伙伴可能会发现当我们进行排序后，如果DataFrame中的行数据有调整的话，其行的索引值是不会更改的，上述例子中因为我们用了默认的递增数列索引，所以排序后看起来并不是很友好，不过不用担心，我们还是可以重置索引值的：
df = df.sort_values(by='sum', ascending=False).reset_index()
Output:
index name chinese english math sum
0 2 HanMeiNei 111 130 104 345
1 0 XiaoMing 99 100 80 279
2 1 LiHua 102 79 92 273
使用reset_index重设索引后我们的DataFrame对象的索引列确实被重置成了递增的序列，同时也多了列名为index的一列数据。当然我们可以传入drop=True将原有的索引列不插入到新的DataFrame中：
df = df.sort_values(by='sum', ascending=False).reset_index(drop=True)
name chinese english math sum
0 HanMeiNei 111 130 104 345
1 XiaoMing 99 100 80 279
2 LiHua 102 79 92 273
为了更直观的展示排名情况，我们可以索引值+1这样就展示出了学生的排名情况：
df.index += 1
name chinese english math sum
1 HanMeiNei 111 130 104 345
2 XiaoMing 99 100 80 279
3 LiHua 102 79 92 273
