# Pandas API支持列表

## DataFrame API

### all

```python
delta.pandas.DataFrame.all(self, axis=0, bool_only=False, skipna=True)
```

判断每一行，或每一列上的所有元素是否都为真。

参数：

* axis: 0或1。表示聚合的轴线，0为行，1为列。当axis=0时，返回一个index为当前DataFrame的Columns的Series；当axis=1时，返回一个index为当前DataFrame的index的Series。
* bool\_only: bool类型。bool\_only=True时，只包含元素为bool类型的列；否则包含所有的列。
* skipna: bool类型。如果整行、整列的值都是NA，并且skina=True，那么结果为True；如果skipna=False，那么NA被视作True，因为NA是非零值。

返回值：

* delta.pandas.Series

### any

```python
delta.pandas.DataFrame.any(self, axis=0, bool_only=False, skipna=True)
```

判断每一行，或每一列上是否有任意一个元素为真。

参数：

* axis: 0或1。表示聚合的轴线，0为行，1为列。当axis=0时，返回一个index为当前DataFrame的Columns的Series；当axis=1时，返回一个index为当前DataFrame的index的Series。
* bool\_only: bool类型。bool\_only=True时，只包含元素为bool类型的列；否则包含所有的列。
* skipna: bool类型。如果整行、整列的值都是NA，并且skina=True，那么结果为False；如果skipna=False，那么NA被视作True，因为NA是非零值。

返回值：

* delta.pandas.Series

### count

```python
delta.pandas.DataFrame.count(self, axis=0, numeric_only=False)
```

计算每一行，或每一列上非NA元素的数量。

参数：

* axis: 0或1。表示聚合的轴线，0为行，1为列。当axis=0时，返回一个index为当前DataFrame的Columns的Series；当axis=1时，返回一个index为当前DataFrame的index的Series。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。

返回值：

* delta.pandas.Series

### sum

```python
delta.pandas.DataFrame.sum(self, axis=0, skipna=True, numeric_only=False, min_count=0)
```

计算每一行，或每一列上的元素的和。

参数：

* axis: 0或1。表示聚合的轴线，0为行，1为列。当axis=0时，返回一个index为当前DataFrame的Columns的Series；当axis=1时，返回一个index为当前DataFrame的index的Series。
* skipna: bool类型。skipna=True时，计算时排除NA值；否则包含NA值。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。
* min\_count: int。所需的合法值的最小数量。如果数量不足min\_count，结果会为NA。

返回值：

* delta.pandas.Series

### mean

```python
delta.pandas.DataFrame.mean(self, axis=0, skipna=True, numeric_only=False)
```

计算每一行，或每一列上的元素的平均值。

参数：

* axis: 0或1。表示聚合的轴线，0为行，1为列。当axis=0时，返回一个index为当前DataFrame的Columns的Series；当axis=1时，返回一个index为当前DataFrame的index的Series。
* skipna: bool类型。skipna=True时，计算时排除NA值；否则包含NA值。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。

返回值：

* delta.pandas.Series

### std

```python
delta.pandas.DataFrame.std(self, axis=0, skipna=True, ddof=1, numeric_only=False)
```

计算每一行，或每一列上的元素的标准差。

参数：

* axis: 0或1。表示聚合的轴线，0为行，1为列。当axis=0时，返回一个index为当前DataFrame的Columns的Series；当axis=1时，返回一个index为当前DataFrame的index的Series。
* skipna: bool类型。skipna=True时，计算时排除NA值；否则包含NA值。
* ddof: int类型。自由度（Delta Degrees of Freedom）。计算时的除数是N-ddof，其中N是元素的数量。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。

返回值：

* delta.pandas.Series

### var

```python
delta.pandas.DataFrame.var(self, axis=0, skipna=True, ddof=1, numeric_only=False)
```

计算每一行，或每一列上的元素的方差。

参数：

* axis: 0或1。表示聚合的轴线，0为行，1为列。当axis=0时，返回一个index为当前DataFrame的Columns的Series；当axis=1时，返回一个index为当前DataFrame的index的Series。
* skipna: bool类型。skipna=True时，计算时排除NA值；否则包含NA值。
* ddof: int类型。自由度（Delta Degrees of Freedom）。计算时的除数是N-ddof，其中N是元素的数量。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。

返回值：

* delta.pandas.Series

### sem

```python
delta.pandas.DataFrame.sem(self, axis=0, skipna=True, ddof=1, numeric_only=False)
```

计算每一行，或每一列上的元素的标准误差(standard error of the mean, SEM)。

参数：

* axis: 0或1。表示聚合的轴线，0为行，1为列。当axis=0时，返回一个index为当前DataFrame的Columns的Series；当axis=1时，返回一个index为当前DataFrame的index的Series。
* skipna: bool类型。skipna=True时，计算时排除NA值；否则包含NA值。
* ddof: int类型。自由度（Delta Degrees of Freedom）。计算时的除数是N-ddof，其中N是元素的数量。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。

返回值：

* delta.pandas.Series

### add

```python
delta.pandas.DataFrame.add(self, other, axis=1, fill_value=None)
```

将DataFrame与other逐元素相加。等同于dataFrame + other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`radd`。

参数：

* other: DataFrame, Series, 值序列或单个值。
* axis: 0或1。0为行，1为列。是否沿行或列对dataFrame与other之间的元素进行比较。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.DataFrame

### sub

```python
delta.pandas.DataFrame.sub(self, other, axis=1, fill_value=None)
```

将DataFrame与other逐元素相减。等同于dataFrame - other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rsub`。

参数：

* other: DataFrame, Series, 值序列或单个值。
* axis: 0或1。0为行，1为列。是否沿行或列对dataFrame与other之间的元素进行比较。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.DataFrame

### mul

```python
delta.pandas.DataFrame.mul(self, other, axis=1, fill_value=None)
```

将DataFrame与other逐元素相乘。等同于dataFrame \* other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rmul`。

参数：

* other: DataFrame, Series, 值序列或单个值。
* axis: 0或1。0为行，1为列。是否沿行或列对dataFrame与other之间的元素进行比较。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.DataFrame

### div

```python
delta.pandas.DataFrame.div(self, other, axis=1, fill_value=None)
```

将DataFrame与other逐元素相除。等同于dataFrame / other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rdiv`。

参数：

* other: DataFrame, Series, 值序列或单个值。
* axis: 0或1。0为行，1为列。是否沿行或列对dataFrame与other之间的元素进行比较。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.DataFrame

### truediv

```python
delta.pandas.DataFrame.truediv(self, other, axis=1, fill_value=None)
```

将DataFrame与other逐元素相除。等同于dataFrame / other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rtruediv`。

参数：

* other: DataFrame, Series, 值序列或单个值。
* axis: 0或1。0为行，1为列。是否沿行或列对dataFrame与other之间的元素进行比较。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.DataFrame

### floordiv

```python
delta.pandas.DataFrame.floordiv(self, other, axis=1, fill_value=None)
```

将DataFrame与other逐元素相除。等同于dataFrame // other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rfloordiv`。

参数：

* other: DataFrame, Series, 值序列或单个值。
* axis: 0或1。0为行，1为列。是否沿行或列对dataFrame与other之间的元素进行比较。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.DataFrame

### mod

```python
delta.pandas.DataFrame.mod(self, other, axis=1, fill_value=None)
```

将DataFrame与other逐元素取余。等同于dataFrame % other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rmod`。

参数：

* other: DataFrame, Series, 值序列或单个值。
* axis: 0或1。0为行，1为列。是否沿行或列对dataFrame与other之间的元素进行比较。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.DataFrame

### pow

```python
delta.pandas.DataFrame.pow(self, other, axis=1, fill_value=None)
```

计算DataFrame与other逐元素的幂。等同于dataFrame \*\* other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rpow`。

参数：

* other: DataFrame, Series, 值序列或单个值。
* axis: 0或1。0为行，1为列。是否沿行或列对dataFrame与other之间的元素进行比较。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.DataFrame

## Series API

### all

```python
delta.pandas.Series.all(self, axis=0, bool_only=False, skipna=True)
```

判断所有元素是否都为真。

参数：

* axis: 0。与DataFrame的api兼容。
* bool\_only: bool类型。bool\_only=True时，只包含元素为bool类型的值；否则包含所有的值。
* skipna: bool类型。如果整行、整列的值都是NA，并且skina=True，那么结果为True；如果skipna=False，那么NA被视作True，因为NA是非零值。

返回值：

* 单个值

### any

```python
delta.pandas.Series.any(self, axis=0, bool_only=False, skipna=True)
```

判断是否有任意一个元素为真。

参数：

* axis: 0。与DataFrame的api兼容。
* bool\_only: bool类型。bool\_only=True时，只包含元素为bool类型的值；否则包含所有的值。
* skipna: bool类型。如果整行、整列的值都是NA，并且skina=True，那么结果为True；如果skipna=False，那么NA被视作True，因为NA是非零值。

返回值：

* 单个值

### count

```python
delta.pandas.Series.count(self, axis=0, numeric_only=False)
```

计算非NA元素的数量。

参数：

* axis: 0。与DataFrame的api兼容。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。

返回值：

* 单个值

### sum

```python
delta.pandas.Series.sum(self, axis=0, skipna=True, numeric_only=False, min_count=0)
```

计算所有元素的和。

参数：

* axis: 0。与DataFrame的api兼容。
* skipna: bool类型。skipna=True时，计算时排除NA值；否则包含NA值。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。
* min\_count: int。所需的合法值的最小数量。如果数量不足min\_count，结果会为NA。

返回值：

* 单个值

### mean

```python
delta.pandas.Series.mean(self, axis=0, skipna=True, numeric_only=False)
```

计算所有元素的平均值。

参数：

* axis: 0。与DataFrame的api兼容。
* skipna: bool类型。skipna=True时，计算时排除NA值；否则包含NA值。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。

返回值：

* 单个值

### std

```python
delta.pandas.Series.std(self, axis=0, skipna=True, ddof=1, numeric_only=False)
```

计算所有元素的标准差。

参数：

* axis: 0。与DataFrame的api兼容。
* skipna: bool类型。skipna=True时，计算时排除NA值；否则包含NA值。
* ddof: int类型。自由度（Delta Degrees of Freedom）。计算时的除数是N-ddof，其中N是元素的数量。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。

返回值：

* 单个值

### var

```python
delta.pandas.Series.var(self, axis=0, skipna=True, ddof=1, numeric_only=False)
```

计算所有元素的方差。

参数：

* axis: 0。与DataFrame的api兼容。
* skipna: bool类型。skipna=True时，计算时排除NA值；否则包含NA值。
* ddof: int类型。自由度（Delta Degrees of Freedom）。计算时的除数是N-ddof，其中N是元素的数量。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。

返回值：

* 单个值

### sem

```python
delta.pandas.Series.sem(self, axis=0, skipna=True, ddof=1, numeric_only=False)
```

计算所有元素的标准误差(standard error of the mean, SEM)。

参数：

* axis: 0。与DataFrame的api兼容。
* skipna: bool类型。skipna=True时，计算时排除NA值；否则包含NA值。
* ddof: int类型。自由度（Delta Degrees of Freedom）。计算时的除数是N-ddof，其中N是元素的数量。
* numeric\_only: bool类型。numeric\_only=True时，只统计float，int，bool类型的值。

返回值：

* delta.pandas.Series

### add

```python
delta.pandas.Series.add(self, other, fill_value=None)
```

将Series与other逐元素相加。等同于Series + other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`radd`。

参数：

* other: Series, 值序列或单个值。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.Series

### sub

```python
delta.pandas.Series.sub(self, other, fill_value=None)
```

将Series与other逐元素相减。等同于Series - other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rsub`。

参数：

* other: Series, 值序列或单个值。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.Series

### mul

```python
delta.pandas.Series.mul(self, other, fill_value=None)
```

将Series与other逐元素相乘。等同于Series \* other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rmul`。

参数：

* other: Series, 值序列或单个值。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.Series

### div

```python
delta.pandas.Series.div(self, other, fill_value=None)
```

将Series与other逐元素相除。等同于Series / other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rdiv`。

参数：

* other: Series, 值序列或单个值。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.Series

### truediv

```python
delta.pandas.Series.truediv(self, other, fill_value=None)
```

将Series与other逐元素相除。等同于Series / other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rtruediv`。

参数：

* other: Series, 值序列或单个值。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.Series

### floordiv

```python
delta.pandas.Series.floordiv(self, other, fill_value=None)
```

将Series与other逐元素相除。等同于Series // other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rfloordiv`。

参数：

* other: Series, Series, 值序列或单个值。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.Series

### mod

```python
delta.pandas.Series.mod(self, other, fill_value=None)
```

将Series与other逐元素取余。等同于Series % other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rmod`。

参数：

* other: Series, 值序列或单个值。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.Series

### pow

```python
delta.pandas.Series.pow(self, other, fill_value=None)
```

计算Series与other逐元素的幂。等同于Series \*\* other，但是支持fill\_value参数来填充输入中的NA值。交换操作顺序的版本是`rpow`。

参数：

* other: Series, 值序列或单个值。
* fill\_value: float或None。在计算前，填充缺失的值（NA值），以及数据对齐时需要填充的新元素。如果两个输入在同一位置的值都是缺失的，那么结果在该位置上也是缺失的。

返回值：

* delta.pandas.Series


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.deltampc.com/federated-analytics/pandas-api-supporting.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.