本Task设计知识点：
- DataFrame筛选——文本包含
- 列表的降维——sum()的妙用
- 拼接列表中的字符串——" ".join([列表])
- 把列表/字典转换为DataFrame
1.DataFrame筛选——文本包含
上一篇已经讨论了DataFrame筛选的query函数，可以筛选出大于、小于、等于，或者给出一个列表，选出value在其中的数据行。
然而，对于筛选value中包含 “某某字符串”的情况，query函数也不能解决。
此时，可以使用以下的方法：
data2 = data[data["姓名"].apply(lambda x: "张" in x)]
这条语句，就可以把姓名中含有“张”字的人筛选出来了。
技巧就是使用.apply(lambda x: 返回布尔值的函数)
这种方式更加通用，不但可以用来处理简单的大小比较，文本包含，也可以结合正则表达式，筛选出符合某些特定规则的数据。
使用re.match(表达式，字符串)函数，如果符合，则返回match对象，如果不符合，则返回None。只需要在后面加上 is not None，就可以变成布尔型的返回值。
string = "我是大坏蛋"
match_result = re.match(".*大.*",string) is not None
print(match_result)
>>>True
print(type(match_result))
>>> <class 'bool'>
结合正则表达式、lambda匿名函数的筛选方法，可以写成：
data3 = data[data["姓名"].apply(lambda x: re.match(".*张.*",x) is not None)]
通过正则表达式，可以将其拓展为“叫张XX的”、“叫张X明的”等筛选条件。
2. 列表的降维——sum()的妙用
参考文章：https://blog.csdn.net/chinesehuazhou2/article/details/89367571
面对的问题场景：
oldlist = [[1, 2, 3], [4, 5]]
# 想得到结果：
newlist = [1, 2, 3, 4, 5]
方法一，粗暴拼接法：
newlist = oldlist[0] + oldlist[1]
方法二，列表推导式：
列表推导式的双层嵌套，在前一篇博客中的第三点已经讨论了。
newlist = [i for j in range(len(oldlist)) for i in oldlist[j]]
方法三，巧用sum：
newlist = sum(oldlist,[])
语法： sum(iterable[, start]) ，sum() 函数的第一个参数是可迭代对象，如列表、元组或集合等，第二个参数是起始值，默认为 0 。其用途是以 start 值为基础，再与可迭代对象的所有元素相“加”。
在上例中，执行效果是 oldlist 中的子列表逐一与第二个参数相加，而列表的加法相当于 extend 操作，所以最终结果是由 [] 扩充成的列表。
这里有两个关键点：sum() 函数允许带两个参数，且第二个参数才是起点。 可能 sum() 函数用于数值求和比较多，然而用于作列表的求和，就有奇效。它比列表推导式更加优雅简洁！
另外，第二个参数不能用字符串，会报错，因为如果要拼接字符串，使用.join()更快，所以限制了sum字符串的使用。
3. 拼接列表中的字符串——" ".join([列表])
' '.join(["张三","李四","王五"])
>>> '张三 李四 王五'
4. 把列表/字典转换为DataFrame
pd.DataFrame( 数据，index=，columns= )
pd.DataFrame（）里面的参数index和columns是可选的，一般是列表，而数据可以是多种形式。
- 如果是单个元素的列表，就会转为仅有一列的DataFrame；
- 如果是列表的列表，即[[列表],[列表],[列表]]，就转化为二维表。列名需要通过columns参数指定。
- 如果是字典的列表，即 [{字典},{字典},{字典}]，也是转换为二维表。字典里面的key就是列名。
- 如果数据就是一个字典，而字典中的value是列表，如{“name”:[列表],"age":[列表]}，也可以转换为二维DataFrame，与前一种是相同的。
