添加行索引，newdf=df.columns.insert(4,‘新增’) 这条语句的意思是，在df的行索引上插入一个新的索引，它执行完成后，newdf是一个index类型，并不是最终的DataFrame对象。 再次使用newd=df.reindex(columns=newdf)语句，才能完成索引重排，得到想要的DataFrame对象。 因为没有给新增的列提供数据，所以值为NaN，想要填充这些值，可以在reindex中添加参数fill_value 如果想要删除某列，使用.columns.delete() #####总结，添加或删除行列索引分为两步骤，第一步准备新的索引名.columns.insert（delete）或者.index.insert（delete），第二步使用reindex重排，注意insert和delete的位置参数不能为自定义的索引名，只能使用默认的数字. #####有没有删除更简单的方法呢，那就是使用.drop,这样参数能为自定义的索引名，更简单的添加方法似乎没有。
df.drop(columns=lab) 或者df.drop(lab,axis=1)
这里添加行索引后，又把列顺序给搞乱了，有点烦。 #####检查了一下执行顺序，发现一个疑问：
df.reindex(columns=['城市','同比','环比','定基']) df.columns明明使用reindex方法修改了columns，但是df.columns依然没有变化。 #####改名使用rename 前一章的疑惑，如何给指定的series行索引改名方法，以及DataFrame指定行列索引改名方法，也通过官方文档查询到了。 毕竟如果仅仅需要修改1，2个行列索引名，把全部的名字都重新赋值一次太麻烦了。 使用.rename({})形式，新名字与旧名字用:号隔开，单纯改名，不改变DataFrame对象结构。 rename优点在于只需要写出要改的标签，其余不动。 ####批量改名 比如想把index标签0到4修改成10到14，虽然也可以用rename，但是代码写出来要一一对应，也比较麻烦。 更简单的方法是用.index属性，前一章已经提过.index事实上就是一个列表。
ls=list(range(10,15)) df.index=ls还有一种方式，这个列子.index能够进行算术操作，index标签0到4修改成10到14，只需要原始.index+10
newindex=df.index+10 df.index=newindex和rename比起来，缺点在于.index必须给出所有列表元素，哪怕你不想修改的部分，也要原样填充。
