1、可以使用单个列表或列表列表创建数据帧(DataFrame)。
单个列表
import pandas as pd
data = [1,2,3,4,5]
df = pd.DataFrame(data)
print df
#Python
#执行上面示例代码，得到以下结果 - 0
0 1
1 2
2 3
3 4
4 5
列表列表
import pandas as pd
data = [['Alex',10],['Bob',12],['Clarke',13]]
df = pd.DataFrame(data,columns=['Name','Age'])
print df
#执行上面示例代码，得到以下结果 - Name Age
0 Alex 10
1 Bob 12
2 Clarke 13 import pandas as pd
data = [['Alex',10],['Bob',12],['Clarke',13]]
df = pd.DataFrame(data,columns=['Name','Age'],dtype=float)
print df
#执行上面示例代码，得到以下结果 -可以观察到，dtype参数将Age列的类型更改为浮点。 Name Age
0 Alex 10.0
1 Bob 12.0
2 Clarke 13.0
2、从ndarrays/Lists的字典来创建DataFrame
#所有的ndarrays必须具有相同的长度。如果传递了索引(index)，则索引#的长度应等于数组的长度。
#如果没有传递索引，则默认情况下，索引将为range(n)，其中n为数组长#度。
import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data)
print df
#执行上面示例代码，得到以下结果 - Age Name
0 28 Tom
1 34 Jack
2 29 Steve
3 42 Ricky
#注 - 观察值0,1,2,3。它们是分配给每个使用函数range(n)的默认索引。 #使用数组创建一个索引的数据帧(DataFrame)。
import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data, index=['rank1','rank2','rank3','rank4'])
print df
#执行上面示例代码，得到以下结果 - Age Name
rank1 28 Tom
rank2 34 Jack
rank3 29 Steve
rank4 42 Ricky #注意 - index参数为每行分配一个索引。
3、字典列表可作为输入数据传递以用来创建数据帧(DataFrame)，字典键默认为列名。
#以下示例显示如何通过传递字典列表来创建数据帧(DataFrame)。 import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print df
#Python
#执行上面示例代码，得到以下结果 - a b c
0 1 2 NaN
1 5 10 20.0
#Shell
#注意 - 观察到，NaN(不是数字)被附加在缺失的区域。 #示例-2 #以下示例显示如何通过传递字典列表和行索引来创建数据帧(DataFrame)。 import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data, index=['first', 'second'])
print df
#Python
#执行上面示例代码，得到以下结果 - a b c
first 1 2 NaN
second 5 10 20.0
#Shell
#实例-3 #以下示例显示如何使用字典，行索引和列索引列表创建数据帧(DataFrame)。 import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}] #With two column indices, values same as dictionary keys
df1 = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b']) #With two column indices with one index with other name
df2 = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b1'])
print df1
print df2
#Python
#执行上面示例代码，得到以下结果 - #df1 output
a b
first 1 2
second 5 10 #df2 output
a b1
first 1 NaN
second 5 NaN
#Shell
#注意 - 观察，df2使用字典键以外的列索引创建DataFrame; 因此，附加了NaN到位置上。 而df1是使用列索引创建的，与字典键相同，所以也附加了NaN。
4、从系列的字典来创建DataFrame
#字典的系列可以传递以形成一个DataFrame。 所得到的索引是通过的所有系列索引的并集。
#示例
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print df
#`
#Python
#执行上面示例代码，得到以下结果 -
one two
a 1.0 1
b 2.0 2
c 3.0 3
d NaN 4
#Shell
#注意 - 对于第一个系列，观察到没有传递标签'd'，但在结果中，对于d标签，附加了NaN。
#现在通过实例来了解列选择，添加和删除。
#列选择
#下面将通过从数据帧(DataFrame)中选择一列。
#示例
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print df ['one']
#Python
#执行上面示例代码，得到以下结果 -
a 1.0
b 2.0
c 3.0
d NaN
Name: one, dtype: float64
#Shell
#列添加
#下面将通过向现有数据框添加一个新列来理解这一点。
#示例
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
# Adding a new column to an existing DataFrame object with column label by passing new series
print ("Adding a new column by passing as Series:")
df['three']=pd.Series([10,20,30],index=['a','b','c'])
print df
print ("Adding a new column using the existing columns in DataFrame:")
df['four']=df['one']+df['three']
print df
#Python
#执行上面示例代码，得到以下结果 -
Adding a new column by passing as Series:
one two three
a 1.0 1 10.0
b 2.0 2 20.0
c 3.0 3 30.0
d NaN 4 NaN
#Adding a new column using the existing columns in DataFrame:
one two three four
a 1.0 1 10.0 11.0
b 2.0 2 20.0 22.0
c 3.0 3 30.0 33.0
d NaN 4 NaN NaN
#Shell
#列删除
#列可以删除或弹出; 看看下面的例子来了解一下。
#例子
# Using the previous DataFrame, we will delete a column
# using del function
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']),
'three' : pd.Series([10,20,30], index=['a','b','c'])}
df = pd.DataFrame(d)
print ("Our dataframe is:")
print df
# using del function
print ("Deleting the first column using DEL function:")
del df['one']#删除标签为one的行
print df
# using pop function
print ("Deleting another column using POP function:")
df.pop('two')#删除标签为two的行
print df
Python
#执行上面示例代码，得到以下结果 -
Our dataframe is:
one three two
a 1.0 10.0 1
b 2.0 20.0 2
c 3.0 30.0 3
d NaN NaN 4
Deleting the first column using DEL function:
three two
a 10.0 1
b 20.0 2
c 30.0 3
d NaN 4
Deleting another column using POP function:
three
a 10.0
b 20.0
c 30.0
d NaN
#Shell
#行选择，添加和删除
#现在将通过下面实例来了解行选择，添加和删除。我们从选择的概念开始。
#标签选择
#可以通过将行标签传递给loc()函数来选择行。参考以下示例代码 -
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print df.loc['b']
#Python
#执行上面示例代码，得到以下结果 -
one 2.0
two 2.0
Name: b, dtype: float64
#Shell
#结果是一系列标签作为DataFrame的列名称。 而且，系列的名称是检索的标签。
按整数位置选择
#
#可以通过将整数位置传递给iloc()函数来选择行。参考以下示例代码 -
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print df.iloc[2]
#Python
#执行上面示例代码，得到以下结果 -
one 3.0
two 3.0
Name: c, dtype: float64
#Shell
#行切片
#可以使用:运算符选择多行。参考以下示例代码 -
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print df[2:4]
#Python
#执行上面示例代码，得到以下结果 -
one two
c 3.0 3
d NaN 4
#Shell
#附加行
#使用append()函数将新行添加到DataFrame。 此功能将附加行结束。
import pandas as pd
df = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])
df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])
df = df.append(df2)#添加多行
print df
#Python
#执行上面示例代码，得到以下结果 -
a b
0 1 2
1 3 4
0 5 6
1 7 8
#Shell
#删除行
#使用索引标签从DataFrame中删除或删除行。 如果标签重复，则会删除多行。
#如果有注意，在上述示例中，有标签是重复的。这里再多放一个标签，看看有多少行被删除。
import pandas as pd
df = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])
df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])
df = df.append(df2)
# Drop rows with label 0
df = df.drop(0) #删除多行同标签的数据
print df
#Python
#执行上面示例代码，得到以下结果 -
a b
1 3 4
1 7 8
#Shell
#在上面的例子中，一共有两行被删除，因为这两行包含相同的标签0。