DataFrame 类型类似于数据库表结构的数据结构，其含有行索引和列索引，可以将DataFrame 想成是由相同索引的Series组成的Dict类型。在其底层是通过二维以及一维的数据块实现。

1. DataFrame 对象的构建

　　1.1 用包含等长的列表或者是NumPy数组的字典创建DataFrame对象

In [68]: import pandas as pdIn [69]: from pandas import Series,DataFrame# 建立包含等长列表的字典类型In [70]: data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],'year': [2000, 2001, 20 ...: 02, 2001, 2002],'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}In [71]: dataOut[71]: {'pop': [1.5, 1.7, 3.6, 2.4, 2.9], 'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'], 'year': [2000, 2001, 2002, 2001, 2002]}# 建立DataFrame对象In [72]: frame1 = DataFrame(data)# 红色部分为自动生成的索引In [73]: frame1Out[73]: pop state year0 1.5 Ohio 20001 1.7 Ohio 20012 3.6 Ohio 20023 2.4 Nevada 20014 2.9 Nevada 2002

　　在建立过程中可以指点列的顺序：

In [74]: frame1 = DataFrame(data,columns=['year', 'state', 'pop'])In [75]: frame1Out[75]: year state pop0 2000 Ohio 1.51 2001 Ohio 1.72 2002 Ohio 3.63 2001 Nevada 2.44 2002 Nevada 2.9

　　和Series一样，DataFrame也是可以指定索引内容：

In [76]: ind = ['one', 'two', 'three', 'four', 'five']In [77]: frame1 = DataFrame(data,index = ind)In [78]: frame1Out[78]: pop state yearone 1.5 Ohio 2000two 1.7 Ohio 2001three 3.6 Ohio 2002four 2.4 Nevada 2001five 2.9 Nevada 2002

　　1.2. 用由字典类型组成的嵌套字典类型来生成DataFrame对象

　　当由嵌套的字典类型生成DataFrame的时候，外部的字典索引会成为列名，内部的字典索引会成为行名。生成的DataFrame会根据行索引排序

In [84]: pop = {'Nevada': {2001: 2.4, 2002: 2.9},'Ohio': {2000: 1.5, 2001: 1.7, 2002: 3.6}}In [85]: frame3 = DataFrame(pop)In [86]: frame3Out[86]: Nevada Ohio2000 NaN 1.52001 2.4 1.72002 2.9 3.6

　　除了使用默认的按照行索引排序之外，还可以指定行序列：

In [95]: frame3 = DataFrame(pop,[2002,2001,2000])In [96]: frame3Out[96]: Nevada Ohio2002 2.9 3.62001 2.4 1.72000 NaN 1.5

　　1.3 其它构造方法：

　　

2. DataFrame 内容访问

　　从DataFrame中获取一列的结果为一个Series，可以通过以下两种方式获取：

# 以字典索引方式获取In [100]: frame1["state"]Out[100]: one Ohiotwo Ohiothree Ohiofour Nevadafive NevadaName: state, dtype: object# 以属性方式获取In [101]: frame1.stateOut[101]: one Ohiotwo Ohiothree Ohiofour Nevadafive NevadaName: state, dtype: object

　　也可以通过ix获取一行数据：

In [109]: frame1.ix["one"] # 或者是 frame1.ix[0]Out[109]: pop 1.5state Ohioyear 2000Name: one, dtype: object# 获取多行数据In [110]: frame1.ix[["tow","three","four"]]Out[110]: pop state yeartow NaN NaN NaNthree 3.6 Ohio 2002.0four 2.4 Nevada 2001.0# 还可以通过默认数字行索引来获取数据In [111]: frame1.ix[range(3)]Out[111]: pop state yearone 1.5 Ohio 2000two 1.7 Ohio 2001three 3.6 Ohio 2002

　　获取指定行，指定列的交汇值：

In [119]: frame1["state"]Out[119]: one Ohiotwo Ohiothree Ohiofour Nevadafive NevadaName: state, dtype: objectIn [120]: frame1["state"][0]Out[120]: 'Ohio'In [121]: frame1["state"]["one"]Out[121]: 'Ohio'

　　先指定列再指定行：

In [125]: frame1.ix[0]Out[125]: pop 1.5state Ohioyear 2000Name: one, dtype: objectIn [126]: frame1.ix[0]["state"]Out[126]: 'Ohio'In [127]: frame1.ix["one"]["state"]Out[127]: 'Ohio'In [128]: frame1.ix["one"][0]Out[128]: 1.5In [129]: frame1.ix[0][0]Out[129]: 1.5

3. DataFrame 对象的修改

　　增加一列，并所有赋值为同一个值：

# 增加一列值In [131]: frame1["debt"] = 10In [132]: frame1Out[132]: pop state year debtone 1.5 Ohio 2000 10two 1.7 Ohio 2001 10three 3.6 Ohio 2002 10four 2.4 Nevada 2001 10five 2.9 Nevada 2002 10# 更改一列的值In [133]: frame1["debt"] = np.arange(5)In [134]: frame1Out[134]: pop state year debtone 1.5 Ohio 2000 0two 1.7 Ohio 2001 1three 3.6 Ohio 2002 2four 2.4 Nevada 2001 3five 2.9 Nevada 2002 4

　　追加类型为Series的一列

# 判断是否为东部区In [137]: east = (frame1.state == "Ohio")In [138]: eastOut[138]: one Truetwo Truethree Truefour Falsefive FalseName: state, dtype: bool# 赋Series值In [139]: frame1["east"] = eastIn [140]: frame1Out[140]: pop state year debt eastone 1.5 Ohio 2000 0 Truetwo 1.7 Ohio 2001 1 Truethree 3.6 Ohio 2002 2 Truefour 2.4 Nevada 2001 3 Falsefive 2.9 Nevada 2002 4 False

DataFrame 的行可以命名，同时多列也可以命名：

In [145]: frame3.columns.name = "state"In [146]: frame3.index.name = "year"In [147]: frame3Out[147]: state Nevada Ohioyear 2002 2.9 3.62001 2.4 1.72000 NaN 1.5

总结

以上所述是小编给大家介绍的pandas 数据结构之DataFrame,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！