算数运算

和Numpy数组一样，DataFrame和Series也利用了向量化技术。例如：

不过pandas真正强大之初在于自动对齐机制：当对多个DataFrame使用算数运算符时，pandas会自动将它们按照列或行索引对齐。

结果DataFrame的索引和列是两个DataFrame的并集：两个DataFrame中都有的字段会被相加，而其他的部分会显示NaN。如果只想要两个DataFrame都没有的字段显示NaN，可以使用add方法，并将fill_value参数设置为0来代替原本默认的NaN：

 其他运算符也有对应的方法，也是同样的原理：

运算符	方法
*	mul
+	add
-	sub
/	div
**	pow

当算式的操作数是一个DataFrame和一个Series时，默认情况会按索引进行广播。这里index=0的列和index=1的列都加上了Series中对应的值：

如果要按列加上一个Series，则需要在调用add方法时显式地提供axis参数：

处理文本列

        要在含有文本字符串的列上执行相关操作，需要使用str属性。str属性可以访问Python的字符串方法。例如：strip方法移除字符串首位空白，capitalize方法将首字母大写等。 

 还有查找以J开头的字符串：

视图和副本

        对Numpy数组进行切片时，返回的是视图。但是DataFrame情况比较复杂，loc和iloc返回的是视图还是副本难以预测。因此pandas认为你在无意中修改数据时会发出警告：SettingWithCopyWarning。下面是规避这个警告的一些建议：

• 在原本的DataFrame中设置值，而不是在切片生成的DataFrame中操作
• 如果想要切片后获得一个单独的DataFrame，应该显式的调用copy：

selection = df.loc[:, ["country", "continent"]].copy()

虽然loc和iloc情况比较复杂，但是诸如df.dropna()或df.sort_value("column_name")这样的DataFrame方法 总是返回副本。