apply(str)效率优于astype(str)、pivot中columns参数列重命名、df.rename、python引用传递和值传递

发现astype(str)的效率低于apply(str)

pivot命名有一个小技巧，pivot中的columns参数的列，比如是一些月份数字，这个时候可以
df['month'] = 'month_' + df['month'].apply(str)，这样pivot后不用重命名直接可以merge，如果是有values的单column name情况，如果是双重column name，直接组合就好，但是作者这种方式有个缺陷就是训练集和测试集本身的groupby后columns参数字段的value个数不一致，这导致训练集和测试集有不同的字段个数，作者两个函数都涉及到这个问题

df.rename(map, axis='columns',inplace=True)，map是字典，旧字段名到新字段名的映射，axis是对列名进行操作，axis=1也可以

python中函数的引用传递和值传递，程序员是不能指定的，python的类都是引用传递，所以我遇到了在另外一个函数中全局的df生成的字段在另一个函数中直接引用，我找了半天这个字段的出处，其实这种结构不是很易于理解和维护，这个字段应该在外部生成比较好，而不应该在封装到另外一个功能的函数中，作为一个中间过程生成的变量

关于引用传递和值传递，再强调一下，函数如果收到是一个可变对象的引用，就能修改原来的值，如果是一个不可变对象（数字、字符串、元组）的引用，就不能修改原始对象，要修改可以声明global

a = a + 3 存在这种赋值的话相当于生成一个局部变量，如果没通过函数参数传递进来就报错，要不然只能显示申明 global a，但是如果是df添加列，list添加元素，可以不要形参直接引用global的df或list，但是不传参不好，相当于内部把名称写死了，没有复用的可能性了。