定义：
DataFrame是二维的、大小可变的、成分混合的、具有标签化坐标轴（行和列）的表数据结构。基于行和列标签进行计算。可以被看作是为序列对象（Series）提供的类似字典的一个容器，是pandas中主要的数据结构。
形式：
class pandas.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)
参数含义：
data : numpy ndarray（多维数组）（结构化或同质化的）, dict（字典）, or DataFrame（数据表）如果是字典类型，该字典可以包含序列，数组，常量或类列表型对象
index : Index or array-like 索引或数组类型，如果输入数据中没有索引信息以及没有提供索引时默认赋值为arange(n)即从0开始的等差数组
columns : Index or array-like 索引或数组类型，没有提供列标签时默认赋值为0开始的等差数组
dtype : dtype, default None 数据类型，默认为空。只允许有一种数据类型，如果为空，自动推断类型
copy : boolean, default False 布尔类型，默认为False。从输入值中拷贝数据，只对输入为DataFrame或者二维数组时有影响
其他构建DataFrame类型的方法：
classmethod DataFrame.from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None)[source] classmethod DataFrame.from_dict(data, orient='columns', dtype=None)pandas.read_csv, pandas.read_table,pandas.read_clipboard,pandas.read_excel等
举例：
从字典构建DataFrame
>>> d = {'col1': [1, 2], 'col2': [3, 4]}
>>> df = pd.DataFrame(data=d)
>>> df
col1 col2
0 1 3
1 2 4
推断类型为int64
>>> df.dtypes
col1 int64
col2 int64
dtype: object
强制设置为单一类型
>>> df = pd.DataFrame(data=d, dtype=np.int8)
>>> df.dtypes
col1 int8
col2 int8
dtype: object
从numpy多维数组类型构建DataFrame
>>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)),
... columns=['a', 'b', 'c', 'd', 'e'])
>>> df2
a b c d e
0 2 8 8 3 4
1 4 2 9 0 9
2 1 0 7 8 0
3 5 1 7 1 3
4 6 0 2 4 2
属性：
获取和创建DataFrame
import pandas as pd
import numpy as np df=pd.read_excel('南京银行.xlsx',index_col='Date')
df1=df[:5] In [38]:df1.head()
Out[38]:
Open High Low Close Turnover Volume
Date
2017-09-15 8.06 8.08 8.03 8.04 195.43 24272800
2017-09-18 8.05 8.13 8.03 8.06 200.76 24867600
2017-09-19 8.03 8.06 7.94 8.00 433.76 54253100
2017-09-20 7.97 8.06 7.95 8.03 319.94 39909700
2017-09-21 8.02 8.10 7.99 8.04 241.94 30056600
--转置，转置以后DataFrame的index属性值为None
In [39]: df1.T
Out[39]:
Date 2017-09-15 2017-09-18 2017-09-19 2017-09-20 2017-09-21
Open 8.06 8.05 8.03 7.97 8.02
High 8.08 8.13 8.06 8.06 8.10
Low 8.03 8.03 7.94 7.95 7.99
Close 8.04 8.06 8.00 8.03 8.04
Turnover 195.43 200.76 433.76 319.94 241.94
Volume 24272800.00 24867600.00 54253100.00 39909700.00 30056600.00
--基于标签快速访问
In [35]: date=pd.to_datetime('2017-09-15')
In [36]: date
Out[36]: Timestamp('2017-09-15 00:00:00')
In [37]: df1.at[date,'Open']
Out[37]: 8.0600000000000005
--获取行轴和列轴标签名
In [44]: df1.axes
Out[44]:
[DatetimeIndex(['2017-09-15', '2017-09-18', '2017-09-19', '2017-09-20',
'2017-09-21'], dtype='datetime64[ns]', name='Date', freq=None),
Index(['Open', 'High', 'Low', 'Close', 'Turnover', 'Volume'], dtype='object')]
--内置属性
In[45]: df1.blocks
Out[45]:
{'float64': Open High Low Close Turnover
Date
2017-09-15 8.06 8.08 8.03 8.04 195.43
2017-09-18 8.05 8.13 8.03 8.06 200.76
2017-09-19 8.03 8.06 7.94 8.00 433.76
2017-09-20 7.97 8.06 7.95 8.03 319.94
2017-09-21 8.02 8.10 7.99 8.04 241.94,
'int64': Volume
Date
2017-09-15 24272800
2017-09-18 24867600
2017-09-19 54253100
2017-09-20 39909700
2017-09-21 30056600}
--各列数据类型
In[46]: df1.dtypes
Out[46]:
Open float64
High float64
Low float64
Close float64
Turnover float64
Volume int64
dtype: object
--判断DataFrame是否完全为空
In [47]: df1.empty
Out[47]: False
--返回稀疏或密集的标示及数据类型
In[48]: df1.ftypes
Out[48]:
Open float64:dense
High float64:dense
Low float64:dense
Close float64:dense
Turnover float64:dense
Volume int64:dense
dtype: object
--快速整数标量定位（到具体元素，相当于给出坐标）
In[49]: df1.iat[0,1] #第1行，第2列
Out[49]: 8.0800000000000001 In[50]: df1.iat[1,0] #第2行，第1列
Out[50]: 8.0500000000000007
--用于位置选择的基于整数定位的索引（切片）
In []: df1.iloc[:]
Out[]:
Open High Low Close Turnover Volume
Date
-- 8.06 8.08 8.03 8.04 195.43
In []: df1.iloc[:,:]
Out[]:
Low Close Turnover Volume
Date
-- 8.03 8.04 195.43
--混合方式定位（基于整数位置或标签名以及它们的组合，可以只用行标签，但是不能只用列标签）
In []: df1.ix[,'Open']
Out[]: 8.0500000000000007
In []: df1.ix[]
Out[]:
Open 8.05
High 8.13
Low 8.03
Close 8.06
Turnover 200.76
Volume 24867600.00
Name: -- ::, dtype: float64
--选择位置的基于标签名的索引
In[7]: df1.loc[date,'Low']
Out[7]: 8.0299999999999994 In [8]: df1.loc[df1.index[0],'Low']
Out[8]: 8.0299999999999994
--坐标轴个数
In [10]: df1.ndim
Out[10]: 2
--DataFrame的形状（行列数）
In [11]: df1.shape
Out[11]: (5, 6)
--DataFrame的大小（元素个数）
In [12]: df1.size
Out[12]: 30
--返回DataFrame样式对象
In [13]: df1.style
Out[13]: <pandas.io.formats.style.Styler at 0x1c410cf8eb8>
--返回DataFrame里的数值（二维数组）
In [14]: df1.values
Out[14]:
array([[ 8.06000000e+00, 8.08000000e+00, 8.03000000e+00,
8.04000000e+00, 1.95430000e+02, 2.42728000e+07],
[ 8.05000000e+00, 8.13000000e+00, 8.03000000e+00,
8.06000000e+00, 2.00760000e+02, 2.48676000e+07],
[ 8.03000000e+00, 8.06000000e+00, 7.94000000e+00,
8.00000000e+00, 4.33760000e+02, 5.42531000e+07],
[ 7.97000000e+00, 8.06000000e+00, 7.95000000e+00,
8.03000000e+00, 3.19940000e+02, 3.99097000e+07],
[ 8.02000000e+00, 8.10000000e+00, 7.99000000e+00,
8.04000000e+00, 2.41940000e+02, 3.00566000e+07]])
以上为DataFrame的主要属性，后面继续介绍DataFrame的方法。