DataFrame 类型类似于数据库表结构的数据结构，这篇文章主要介绍了pandas 数据结构之DataFrame,需要的朋友可以参考下
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 pd In [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]: data Out[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]: frame1 Out[73]: pop state year 0 1.5 Ohio 2000 1 1.7 Ohio 2001 2 3.6 Ohio 2002 3 2.4 Nevada 2001 4 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]: frame1 Out[75]: year state pop 0 2000 Ohio 1.5 1 2001 Ohio 1.7 2 2002 Ohio 3.6 3 2001 Nevada 2.4 4 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]: frame1 Out[78]: pop state year one 1.5 Ohio 2000 two 1.7 Ohio 2001 three 3.6 Ohio 2002 four 2.4 Nevada 2001 five 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]: frame3 Out[86]: Nevada Ohio 2000 NaN 1.5 2001 2.4 1.7 2002 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]: frame3 Out[96]: Nevada Ohio 2002 2.9 3.6 2001 2.4 1.7 2000 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 Ohio two Ohio three Ohio four Nevada five Nevada Name: state, dtype: object # 以属性方式获取 In [101]: frame1.state Out[101]: one Ohio two Ohio three Ohio four Nevada five Nevada Name: 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 1.5 state Ohio year 2000 Name: one, dtype: object # 获取多行数据 In [110]: frame1.ix[["tow","three","four"]] Out[110]: pop state year tow NaN NaN NaN three 3.6 Ohio 2002.0 four 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 year one 1.5 Ohio 2000 two 1.7 Ohio 2001 three 3.6 Ohio 2002
获取指定行，指定列的交汇值：
In [119]: frame1["state"] Out[119]: one Ohio two Ohio three Ohio four Nevada five Nevada Name: state, dtype: object In [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 1.5 state Ohio year 2000 Name: one, dtype: object In [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]: 1.5 In [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"] = 10 In [132]: frame1 Out[132]: pop state year debt one 1.5 Ohio 2000 10 two 1.7 Ohio 2001 10 three 3.6 Ohio 2002 10 four 2.4 Nevada 2001 10 five 2.9 Nevada 2002 10 # 更改一列的值 In [133]: frame1["debt"] = np.arange(5) In [134]: frame1 Out[134]: pop state year debt one 1.5 Ohio 2000 0 two 1.7 Ohio 2001 1 three 3.6 Ohio 2002 2 four 2.4 Nevada 2001 3 five 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]: east Out[138]: one True two True three True four False five False Name: state, dtype: bool # 赋Series值 In [139]: frame1["east"] = east In [140]: frame1 Out[140]: pop state year debt east one 1.5 Ohio 2000 0 True two 1.7 Ohio 2001 1 True three 3.6 Ohio 2002 2 True four 2.4 Nevada 2001 3 False five 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]: frame3 Out[147]: state Nevada Ohio year 2002 2.9 3.6 2001 2.4 1.7 2000 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html中文网网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！
以上就是浅析pandas 数据结构中的DataFrame的详细内容，更多请关注0133技术站其它相关文章！
