DataFrame和Series除了前一天教的功能外，還有其他幾個運用，像是Python本身的應用、NumPy、lambda等等。

DataFrame

• Python本身運用：
  • 針對dict/list：

cities = pd.DataFrame({ 'City name': city_names, 'Population': population })
print(type(cities['City name'][1]))
cities['City name'][1]

結果會是：

<class 'str'>
'San Jose'

同樣的例子，加上：

print(type(cities[0:2]))
cities[0:2]

就會變成：
<class 'pandas.core.frame.DataFrame'>

是不是跟Python平常處理list的狀況很類似呢？因為他是python底下的程式，所以如果需要一些資料的處理，可以直接使用python的功能，就把DataFrame視為dic或list吧！
當然pandas是一個厲害的套件，所以更多的運用可以參考更多API的功能吧！

Series

• Python本身的功能：
  可以針對Series，進行Python的基本運算。像是「加減成除」等四則運算。
  我們使用先前的範例，也就是population來進行四則運算：

population = pd.Series([852469, 1015785, 485199])
a = population + 10000
b = population - 10000
c = population * 1000
d = population / 1000.

print(a)
print(b)
print(c)
print(d)

結果是：

0     862469
1    1025785
2     495199
dtype: int64
0     842469
1    1005785
2     475199
dtype: int64
0     852469000
1    1015785000
2     485199000
dtype: int64
0     852.469
1    1015.785
2     485.199
dtype: float64

是不是很厲害呢！不用逐一拿出來計算，直接用公式套進每個數字，讓數字整批的作業，這個概念跟進行資料庫欄位的作法相同。

• NumPy功能： NumPy 是一種進行科學計算常用的套件。pandas的Series 可用作大多數的NumPy內的功能，[Day05]聊聊重要的三個package吧！
  也提到「Numpy具備平行處理的能力，可以將操作動作一次套用在大型陣列上，幫助我們做更多方法建立多維數據以及矩陣運算，像是Pandas就是建立在Numpy的基礎延伸的套件」

同樣的population，只要引入numpy就可以用

import numpy as np

np.log(population)

結果：

0    13.655892
1    13.831172
2    13.092314
dtype: float64

更多功能直接參考網站吧！

• lambda功能：
  如同Python中的映射函数，Series.apply 也可以參數公式的形式使用 lambda 函数。
  直接看範例比較快：

population.apply(lambda val: val > 1000000)

結果：

0    False
1     True
2    False
dtype: bool

是不是跟一般使用的lambda一樣呢！（如果不熟悉lambda的話，趕快去惡補一下）

以上為簡單的說明，更多運用要參考文件。

睫毛之聲：
pandas套件不僅僅儲存資料結構而已，還有本身的各種運用，再結合python的運算，可以讓資料產生更多的變化，跟直接在資料庫處理數據相仿，功能十分強大。