- 数据帧类似于二维的关系表，包含一组有序的列，列与列之间的数据类型可以是不同的，但是单个列的数据类型是相同的。
- 数据帧的每一列或每一行都可以认为是一个Series。
- DataFrame中面向行和面向列的操作基本上是相同的，把行和列称作轴（axis），DataFrame是按照轴进行操作的，axis=0表示行轴；axis=1 表示列轴。
- DataFrame对象既有行索引（index），也有列索引（columns），行索引也叫做行标签，列索引也叫做列标签/列名。
- 在DataFrame的构造函数中，columns参数用于设置列索引，index用于设置行索引，都属于Index类型。Index对象既可以使用位置（整数）来表示，也可以使用标签（字符串）来表示，位置的起始值是0，标签是通过列表来指定的。
具体属性和方法可以参考官方API。
1.构造
pandas.DataFrame(data=None, index=None, columns=None)
参数注释:
- data：ndarray、list 或dict
- index：行索引
- columns：列名列表
1.1.使用字典来创建
通过等长的字典来创建数据帧，并可以设置数据框的列名和行索引。字典存储的是每列的数据：
In [3]:
import pandas as pd data = {'user':['小王','小李','小明'],'shcool':['清华','北大','科大'],'class':['数学','历史','计算机']} df = pd.DataFrame(data) df
Out[3]:
1.2.使用列表（列表项是List）来创建
In [7]:
import pandas as pd data = [['小王','小李','小明'],['清华','北大','科大'],['数学','历史','计算机']] columns = ['user','shcool','class'] df = pd.DataFrame(data,columns=columns) df
Out[7]:
1.3.使用from_dict创建
In [6]:
import pandas as pd data = {'user':['小王','小李','小明'],'shcool':['清华','北大','科大'],'class':['数学','历史','计算机']} df = pd.DataFrame.from_dict(data) df
Out[6]:
2.属性
2.1.索引
In [9]:
import pandas as pd data = {'user':['小王','小李','小明'],'shcool':['清华','北大','科大'],'class':['数学','历史','计算机']} df = pd.DataFrame.from_dict(data)
- 通过index属性来访问数据框的行标签
In [10]:
df.index
Out[10]:
RangeIndex(start=0, stop=3, step=1)
- 通过columns属性访问数据框的列标签
In [11]:
df.columns
Out[11]:
Index(['user', 'shcool', 'class'], dtype='object')
2.2.shape
In [12]:
df.shape
Out[12]:
(3, 3)
2.3.轴
In [13]:
df.axes
Out[13]:
[RangeIndex(start=0, stop=3, step=1), Index(['user', 'shcool', 'class'], dtype='object')]
In [14]:
df.axes[0]
Out[14]:
RangeIndex(start=0, stop=3, step=1)
In [15]:
df.axes[1]
Out[15]:
Index(['user', 'shcool', 'class'], dtype='object')
2.4.数据类型
In [16]:
df.dtypes
Out[16]:
user object shcool object class object dtype: object
2.5.值
In [18]:
df.values
Out[18]:
array([['小王', '清华', '数学'],
['小李', '北大', '历史'],
['小明', '科大', '计算机']], dtype=object) In [19]:
df.values[0]
Out[19]:
array(['小王', '清华', '数学'], dtype=object)
3.列操作和行操作
In [20]:
import pandas as pd data = {'user':['小王','小李','小明'],'shcool':['清华','北大','科大'],'class':['数学','历史','计算机']} df = pd.DataFrame.from_dict(data)
3.1.追加列
通过为一个新列赋值来向数据框中追加新列，新列始终处于列名序列的末尾：
In [21]:
df['createtime']=['1910','1900','1965'] df
Out[21]:
3.2.插入列
要制定新列的位置，需要使用insert()函数，该函数向数据框中插入一列，并制定新列的位置：
DataFrame.insert(self, loc, column, value)
参数注释：
- loc：插入列的位置，该位置索引必须0 <= loc <= len(columns)
- column：插入列的名称
- value：插入列的值，可以是单个标量值，插入列的值都是相同的；可以是序列或array-like，为每一行的列设置一个值。
In [22]:
df.insert(1,'score',[98,99,99.5]) df
Out[22]:
In [23]:
df.insert(1,'age',22) df
Out[23]:
3.3.删除列或行
使用drop()函数来删除行或列：
DataFrame.drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise')
参数注释：
- labels 和 axis：labels参数指定要删除的标签(一个或者是列表形式的多个)，如果axis=0 或 'index'，表示行标签；如果axis=1 或 'columns'，表示列标签。axis的默认值是0。
- index：设置index 等价于设置 labels 和axis=0；
- columns：设置columns等价于设置 labels和 axis=1；
In [27]:
df Out[27]:
In [29]:
df.drop(labels=['age1'],axis=1)
Out[29]:
3.4.追加数据行
向数据框的末尾追加数据行：
python|
DataFrame.append(self, other, ignore_index=False, verify_integrity=False, sort=None)功能说明：向dataframe对象中添加新的行，如果添加的列名不在dataframe对象中，将会被当作新的列进行添加
- other：DataFrame、series、dict、list这样的数据结构
- ignore_index：默认值为False，如果为True则不使用index标签
- verify_integrity ：默认值为False，如果为True当创建相同的index时会抛出ValueError的异常
- sort：boolean，默认是None，该属性在pandas的0.23.0的版本才存在。
In [37]:
import pandas as pd data = {'user':['小王','小李','小明'],'shcool':['清华','北大','科大'],'class':['数学','历史','计算机']} df = pd.DataFrame.from_dict(data) df
Out[37]:
In [38]:
df.insert(1,'age',22) df
Out[38]:
In [39]:
data1 = {'user':['小郑','大王'],'shcool':['清华','医大'],'class':['物理','针灸']} df1=df.append(data1,ignore_index=True) df1
Out[39]:
In [41]:
data2 = {'user':['小郑','大王'],'shcool':['清华','医大'],'class':['物理','针灸']} df2 = pd.DataFrame.from_dict(data2) df3 = df.append(df2) df3
Out[41]:
4.列数据类型转换
astype(dtype)函数用于把数据框的列转换为特定的类型，dtype可以是pandas支持的类型，也可以是numpy.dtype，也可以是Python类型：
In [42]:
df.dtypes
Out[42]:
user object age int64 shcool object class object dtype: object
In [48]:
df['age']=df['age'].astype('float64')
In [49]:
df.dtypes
Out[49]:
user object age float64 shcool object class object dtype: object
更多文章，请关注：