pandas.Series 的一些方法：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.corr.html
- plt.subplots()：将 plt.figure 创建的画板，分割成多个子图（clos——列、rows——行）；
- plt.figure(figsize=(15,5))：创建一个图形实例，俗称话本，在这个画板上绘制几行几列的图；figsize 表示图形的（宽，高）；
- sns.barplot()：绘制不同Series之间的相关性图
- figure、subplot 的使用，参考：https://blog.csdn.net/claroja/article/details/70841382
- pd.concat(df1, df2)：连接两个DataFrame 数据集；
- df1.loc[[0, 2, 3], :]：删除数据 df1的第0、2、3 行；
- df1.loc[:, [0, 2, 3]]：删除数据 df1的第0、2、3 列；
- df2 = df1.reset_index()：将 df1 的每行的引索（Id）保留，以列名做为新的 index，生成新的数据 df2；（一般默认以行做引索）
- df3 = df1.reset_index(drop=True)：drp = True，删除 df1 的行引索，一列名作为新的 index，生成新的数据 df3；
- df1.dtypes(include=None, exclude=None)：按类型查看数据 df1 中的其它数据；
- df1.dtypes[df1.dtypes == 'object']：查看 df1 数据中，类型为 'object' 类型的数据；
- df1.index：返回数据 df1 的引索对象；
- df1.index.values：以 array 的形式返回 df1 的引索的值；（多用于获取所有的特征，也就是 df1 的所有列名）
- stats.probplot()：
- DataFrame 中 sort_values()：
- Seaborn 中的箱型图：
- 箱型图：统计学中应用
- 四等分点：
- 方差齐次验证：如何理解线性回归中的方差齐性；
- 方差分析：统计学知识；参考百科自学
- 协方差：
- scipy.stats 模块：
- f, p = scipy.stats.f_oneway(sample1, sample2, ...)：单向方差分析，入参是分好组的多个 array；
- 单向方差分析：计算各组数据间的差异性，统计学知识，参考百科；
- df1.isnull()：判断 df1 的数据是否为 np.NaN 类型；返回 bool 类型，是则为 True，不是返回 False；
- Series1.corr(Series2, method='pearson', min_periods=None)：计算 Series1 和 Series2 之间的相关性（不包含数据中的缺失值）；（采用了方差的分析思路）参考pandas文档；
- DataFrame.corr(method='pearson', min_periods=None)：计算 DataFrame 的协方差关联程度；
- sns.heatmap()：绘制热力图；
- DataFrame.nlargest(n, 'columns1')：从数据 DataFrame 的 ‘columns1’ 列中，找出数值最大的 n 个数所在行，返回一个新的 DataFrame；
- sns.pairplot()：绘图
- train.sort_values(by='GrLivArea', ascending=False)[:2][['Id', 'GrLivArea', 'SalePrice']]：按 ‘GrLivArea’ 列的数值对 train 从大到小排序（ascending=False 表示从大到小），并且查看排序后的数据集的前 2 行的列名是 ['Id', 'GrLivArea', 'SalePrice'] 的数据；
- DataFrame[:n][['columns1', 'columns2', 'columns3']]：查看数据的前 n 行的列名为 ['columns1', 'columns2', 'columns3'] 的数据；
- “偏度 - 峰度” 检验法：
- 偏度：统计学知识
- 峰度：统计学知识；
- DataFrame.apply()：
- dataframe.fillna()：
- Series.to_dict()：
- DataFrame.gtoupby()：
- 学习《Python 科学计算》：做数据处理的；