Data Wrangling: Join, Combine and Reshape
Hierarchical Indexing
Hierarchical indexing is an important feature of pandas that enables you to have multiple (two or more) index levels on an axis.
需要注意的一点是在使用 loc 方法获取数据时，两个维度分别是外部 index 和内部 index：
data.loc['a',2]
可以使用 unstack 方法得到一个分层 Series 的 DataFrame， stack 方法由 DataFrame 得到一个 Series：
data.unstack()
DataFrame 也支持分层 index 和 columns，index 和 columns 的列表序号越小越在外面，也可以对每一个 index 或者 column 的 name 属性进行赋值：
pandas 中的 MultiIndex Object 是支持分层 index 或 columns 的对象：
multindex = pd.MultiIndex.from_arrays([['Ohio','Ohio','Colorado'],['Green','Red','Green']],names=['state','color'])
df.columns = multindex
Reordering and Sorting Levels
swaplevel 可以交换两个分层的 index；
sort_index 可以选择在某一层上对 index 进行排序。
Summary Statistics by Level
可以在某一个 level 上进行数据统计，书中拿 sum 来举例。主要涉及的参数是 level 和 axis。
Indexing with a DataFrame's columns
set_index 可以把 columns 当做 DataFrame 的 index，返回一个新的 DataFrame：
reset_index 可以把分层 index 都还原到 columns 上。
Combining and Merging Datasets
Database-Style DataFrame Joins
Merging on Index
主要依靠 merge 方法进行处理。
Concatenating Along an Axis
Combining Data with Overlap
这几部分基本是在介绍这几个方法的用法，pandas 文档里介绍的很详细，这里就不再赘述了。
Reshaping and Pivoting
Reshaping with Hierarchical Indexing
[pivot 的 pandas 文档]
这部分主要是返回一个新的 DataFrame，其 index 和 columns 都是原 DataFrame 的某些 value：
看了这几章之后，对 pandas 有了大致的了解，其实这本书最主要的作用是让读者知道在遇到某些情况时如何处理，而不是遇到问题才去找各种博客，而对于具体方法的使用，没有比 pandas 文档更好的选择了。
因为以后的方向可能不在数据分析方向，而且数模竞赛也结束了，这几章的学习也确实给我带来了收获。所以，就到这里吧，以后有缘的话还会捡回来看，下面要提升 C++ 的深度了，顺便把算法的坑填了，冲冲冲！
（以上是我咕咕咕的借口hhh）