8. Pct_change
此函数用于计算一系列值的变化百分比。假设我们有一个包含[2,3,6]的序列。如果我们对这个序列应用pct_change，则返回的序列将是[NaN，0.5，1.0]。从第一个元素到第二个元素增加了50%，从第二个元素到第三个元素增加了100%。Pct_change函数用于比较元素时间序列中的变化百分比。
df.value_1.pct_change()
9. Rank
Rank函数实现对数据进行排序。假设我们有一个包含[1,7,5,3]的序列。分配给这些值的等级为[1,4,3,2]。
df['rank_1'] = df['value_1'].rank() df
10. Melt
Melt用于将维数较大的 dataframe转换为维数较少的 dataframe。一些dataframe列中包含连续的度量或变量。在某些情况下，将这些列表示为行可能更适合我们的任务。考虑以下情况：
我们有三个不同的城市，在不同的日子进行测量。我们决定将这些日子表示为列中的行。还将有一列显示测量值。我们可以通过使用'melt'函数轻松实现：
df_wide.melt(id_vars=['city']) df
变量名和列名通常默认给出。我们也可以使用melt函数的var_name和value_name参数来指定新的列名。
11. Explode
假设数据集在一个观测（行）中包含一个要素的多个条目，但您希望在单独的行中分析它们。
我们想在不同的行上看到“c”的测量值，这很容易用explode来完成。
df1.explode('measurement').reset_index(drop=True) df
12. Nunique
Nunique统计列或行上的唯一条目数。它在分类特征中非常有用，特别是在我们事先不知道类别数量的情况下。让我们看看我们的初始数据：
df.year.nunique() 10df.group.nunique() 3
我们可以直接将nunique函数应用于dataframe，并查看每列中唯一值的数量：
如果axis参数设置为1，nunique将返回每行中唯一值的数目。
13. Lookup
'lookup'可以用于根据行、列的标签在dataframe中查找指定值。假设我们有以下数据：
我们要创建一个新列，该列显示“person”列中每个人的得分：
df['Person_point'] =df.lookup(df.index, df['Person']) df
14. Infer_objects
Pandas支持广泛的数据类型，其中之一就是object。object包含文本或混合（数字和非数字）值。但是，如果有其他选项可用，则不建议使用对象数据类型。使用更具体的数据类型，某些操作执行得更快。例如，对于数值，我们更喜欢使用整数或浮点数据类型。
infer_objects尝试为对象列推断更好的数据类型。考虑以下数据：
df2.dtypesAobjectBobjectCobjectDobjectdtype: object
通过上述代码可知，现有所有的数据类型默认都是object。让我们看看推断的数据类型是什么：
df2.infer_objects().dtypesAint64Bfloat64CboolDobjectdtype: object
'infer_obejects'可能看起来微不足道，但在有很多列时作用巨大。
