數據異常值的過濾
在數據分析中，經常需要檢測數據結構中的異常值。我們還是舉個例子，先來創建一個包含三列的DataFrame對象，每一列都包含1000個隨機數。
可以用describe( )函數查看每一列的描述性統計量。
例如，你可以會將比標準差大3倍的元素視作異常值。用std( )函數就可以求得DataFrame對象每一列的標準差。
j接下來，根據每一列的標準差，對DataFrame對象的所有元素進行過濾。藉助any( )函數，就可以對每一列應用篩選條件。
數據排序
用numpy.random.permutation( )函數，調整Series對象或DataFrame對象各行的順序（隨機排序）很簡單。
舉個例子，創建一個元素為整數且按照升序排列的DataFrame對象。
用permutation( )函數創建一個包含0～4（順序隨機）這五個整數的數組。我們將按照這個數組元素的順序為DataFrame對象的行排序。
對DataFrame對象的所有行應用take( )函數，把新的次序傳給它。
如上所見，DataFrame對象各行的位置已發生改變。新索引的順序跟new_order數組的元素順序保持一致。
你甚至還可以只對DataFrame對象的一部分進行排序操作。它將生成一個數組，只包含特定索引範圍的數據。例如我們這裡的2～4。
隨機取樣
上面剛講了如何通過指定排列次序，從DataFrame對象中抽取一部分數據。若DataFrame規模很大，有時可能需要從中隨機取樣，最快的方法莫過於使用np.random.randint( )函數。
從隨機取樣這個例子可知，你可以多次獲取相同的樣本。
字符串處理
Python語言由於處理字符串和文本很方便，因而很受歡迎。大多數字符串操作用Python的內置函數就能輕鬆實現。字符串匹配及其他更為複雜的字符串處理，就有必要用正則表達式了。
內置的字符串處理方法
你常常需要將複合字符串劃分為幾個部分，分別賦給不同的變量。split( )函數以參考點為分隔符，比如逗號，將文本分為幾部分。
如上所見，切分後得到的第一個元素以空白字符結尾。這個問題很常見。為了解決這個問題，使用split( )函數切分後，還要再用strip( )函數刪除空白的字符，包括換行符。
這樣我們就得到了一個字符串數組。如果元素數量較少且固定不變，可使用下面這種非常有意思的賦值方式：
上面講的是文本的切分方法，但我們通常還需要其逆操作，也就是把多個字符串拼接在一起形成一段長文本。
最直觀和簡單的方法就是使用運算符『+』把這幾個文本片段拼接在一起。
如果只有寥寥幾個字符串，那麼這種拼接方式就顯得很簡單。但是如果要拼接很多字符串，更為實用的方式就是使用join( )函數。