Pandas笔记2----------Pandas数据结构：DataFrame

于 2025-06-12 11:37:08 发布
阅读量497 收藏 6
点赞数 8
CC 4.0 BY-SA版权
分类专栏： Pandas笔记 文章标签： pandas 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/infinite_shadow/article/details/148564003

DataFrame是一个表格型的数据结构，可以看作是由Series组成的字典（共用同一个索引）。DataFrame由按一定顺序排列的多列数据组成。DataFrame既有行索引，也有列索引。

  • 行索引：index
  • 列索引：columns
  • 值：values

1.DataFrame的创建

pd.DataFrame(data,index,columns)

  • 字典：以字典的键作为每一列的名称；以字典的值（一个数组）作为每一列；会自动加上每一行的索引；若传入的列与字典的键不匹配，填充NaN
    • 基本属性和方法
      • values：值
      • columns：列索引
      • index：行索引
      • shape：形状
      • head()：查看前几条数据，默认5条
      • tail()：查看后几条数据，默认5条
import numpy as np
import pandas as pd
d = {
    "品种":['暹罗猫','阿比西尼亚猫','斯芬克斯猫'],
    "价格":['2800','3500','10000']
}
df = pd.DataFrame(d)
print(df)
print('###########################')
print('value值:',df.values)
print('###########################')
print('列索引:',df.columns)
print('###########################')
print('行索引:',df.index)
print('###########################')
print('形状:',df.shape)
print('###########################')
print('前两条数据:\n',df.head(2))
print('###########################')
print('后两条数据:\n',df.tail(2))
  • 其他方式
import numpy as np
import pandas as pd
df = pd.DataFrame(
    data = np.random.randint(10,100,size=(4,6)),
    index = ['原价','活动价','会员价','团购价'],
    columns= ['暹罗猫','阿比西尼亚猫','斯芬克斯猫','美短猫','布偶猫','缅因猫']
)
print(df)

2.DataFrame的索引（优先对列进行操作）

  • 对列进行索引
    • 通过类似字典的方式
    • 通过属性的方式
import numpy as np
import pandas as pd
df = pd.DataFrame(
    data = np.random.randint(10,100,size=(4,6)),
    index = ['暹罗猫','阿比西尼亚猫','斯芬克斯猫','美短猫'],
    columns= ['原价','活动价','会员价','团购价','秒杀价','促销价'],
)
print(df)
print('###############################')
print(df.原价)
print('###############################')
print(df['原价'])
print('###############################')
print(df[['原价','促销价']])
  • 对行进行索引
    • 使用.loc[]加index来进行行索引
    • 使用.iloc[]加整数来进行行索引
import numpy as np
import pandas as pd
df = pd.DataFrame(
    data = np.random.randint(10,100,size=(4,6)),
    index = ['暹罗猫','阿比西尼亚猫','斯芬克斯猫','美短猫'],
    columns= ['原价','活动价','会员价','团购价','秒杀价','促销价'],
)
print(df)
print('###############################')
print(df.loc['暹罗猫'])
print('###############################')
print(df.iloc[3])
print('###############################')
print(df.loc[['暹罗猫','阿比西尼亚猫']])
print('###############################')
print(df.iloc[[1,3]])
  • 对元素进行索引
    • 使用列索引
    • 使用行索引
    • 使用values属性
import numpy as np
import pandas as pd
df = pd.DataFrame(
    data = np.random.randint(10,100,size=(4,6)),
    index = ['暹罗猫','阿比西尼亚猫','斯芬克斯猫','美短猫'],
    columns= ['原价','活动价','会员价','团购价','秒杀价','促销价'],
)
print(df)
print('###############################')
#先列后行
print('暹罗猫的原价:',df['原价']['暹罗猫'])
print('暹罗猫的原价:',df['原价'][0])
print('暹罗猫的原价:',df.原价[0])
print('暹罗猫的原价:',df.原价.暹罗猫)
print('###############################')
#先行后列
print('阿比西尼亚猫的会员价:',df.loc['阿比西尼亚猫']['会员价'])
print('阿比西尼亚猫的会员价:',df.loc['阿比西尼亚猫'][2])
print('阿比西尼亚猫的会员价:',df.iloc[1][2])
print('阿比西尼亚猫的会员价:',df.iloc[1,2])
print('阿比西尼亚猫的会员价:',df.iloc[1]['会员价'])

3.DataFrame的切片（优先对行进行操作）

  • 行切片

import numpy as np
import pandas as pd
df = pd.DataFrame(
    data = np.random.randint(10,100,size=(4,6)),
    index = ['暹罗猫','阿比西尼亚猫','斯芬克斯猫','美短猫'],
    columns= ['原价','活动价','会员价','团购价','秒杀价','促销价'],
)
print(df)
print('###############################')
print(df[1:3]) #左闭右开
print('###############################')
print(df['阿比西尼亚猫':'美短猫']) #左闭右闭
print('###############################')
print(df.iloc[1:3]) #左闭右开
print('###############################')
print(df.loc['阿比西尼亚猫':'美短猫']) #左闭右闭
print('###############################')

  • 列切片，必须先对行进行切片

import numpy as np
import pandas as pd
df = pd.DataFrame(
    data = np.random.randint(10,100,size=(4,6)),
    index = ['暹罗猫','阿比西尼亚猫','斯芬克斯猫','美短猫'],
    columns= ['原价','活动价','会员价','团购价','秒杀价','促销价'],
)
print(df)
print('###############################')
print(df.iloc[:,1:3]) 
print('###############################')
print(df.loc[:,"活动价":"团购价"]) 
print('###############################')

  • 同时切片

import numpy as np
import pandas as pd
df = pd.DataFrame(
    data = np.random.randint(10,100,size=(4,6)),
    index = ['暹罗猫','阿比西尼亚猫','斯芬克斯猫','美短猫'],
    columns= ['原价','活动价','会员价','团购价','秒杀价','促销价'],
)
print(df)
print('###############################')
print(df.iloc[1:3,1:3]) 
print('###############################')
print(df.loc["阿比西尼亚猫":"斯芬克斯猫","活动价":"团购价"]) 
print('###############################')
print(df.loc[["暹罗猫","斯芬克斯猫"],"活动价":"团购价"]) 
print('###############################')
print(df.iloc[[0,2],1:3]) 
print('###############################')

4.DataFrame的运算

示例数据

import numpy as np
import pandas as pd
a = [ 
    [90,80,70],
    [100,89,78],
    [78,99,65]
]
n = np.array(a)
b = [ 
    [45,88,92],
    [74,81,96],
    [67,80,77]
]
m = np.array(b)
df1 = pd.DataFrame(
    data = n,
    index = ['学生1','学生2','学生3'],
    columns= ['语文','数学','英语'],
)
df2 = pd.DataFrame(
    data = m,
    index = ['学生1','学生2','学生3'],
    columns= ['语文','数学','英语'],
)
c = [ 
    [45,88,92,61],
    [74,81,96,88],
    [67,80,77,78],
    [56,84,69,93]
]
x = np.array(c)
df3 = pd.DataFrame(
    data = x,
    index = ['学生1','学生2','学生3','学生4'],
    columns= ['语文','数学','英语','物理'],
)
print(df1)
print('#################################')
print(df2)
print('#################################')
print(df3)
  • DataFrame和标量之间的运算
import numpy as np
import pandas as pd
a = [ 
    [90,80,70],
    [100,89,78],
    [78,99,65]
]
n = np.array(a)
df1 = pd.DataFrame(
    data = n,
    index = ['学生1','学生2','学生3'],
    columns= ['语文','数学','英语'],
)
print('加法:\n',df1+100)
print('#################################')
print('减法:\n',df1-10)
print('#################################')
print('乘法:\n',df1*2)
print('#################################')
print('除法:\n',df1/2)
print('#################################')
print('取余:\n',df1%10)
print('#################################')
print('次方:\n',df1**2)
  • DataFrame之间的运算

        在运算中自动对齐不同索引的数据

import numpy as np
import pandas as pd
a = [ 
    [90,80,70],
    [100,89,78],
    [78,99,65]
]
n = np.array(a)
b = [ 
    [45,88,92],
    [74,81,96],
    [67,80,77]
]
m = np.array(b)
df1 = pd.DataFrame(
    data = n,
    index = ['学生1','学生2','学生3'],
    columns= ['语文','数学','英语'],
)
df2 = pd.DataFrame(
    data = m,
    index = ['学生1','学生2','学生3'],
    columns= ['语文','数学','英语'],
)
print(df1+df2)

        如果索引不对应，用NaN补齐;没有广播机制

import numpy as np
import pandas as pd
a = [ 
    [90,80,70],
    [100,89,78],
    [78,99,65]
]
n = np.array(a)
c = [ 
    [45,88,92,61],
    [74,81,96,88],
    [67,80,77,78],
    [56,84,69,93]
]
x = np.array(c)
df1 = pd.DataFrame(
    data = n,
    index = ['学生1','学生2','学生3'],
    columns= ['语文','数学','英语'],
)
df3 = pd.DataFrame(
    data = x,
    index = ['学生1','学生2','学生3','学生4'],
    columns= ['语文','数学','英语','物理'],
)
print(df1+df3)

        使用.add()函数填充数据，先填充数据，再相加

import numpy as np
import pandas as pd
a = [ 
    [90,80,70],
    [100,89,78],
    [78,99,65]
]
n = np.array(a)
c = [ 
    [45,88,92,61],
    [74,81,96,88],
    [67,80,77,78],
    [56,84,69,93]
]
x = np.array(c)
df1 = pd.DataFrame(
    data = n,
    index = ['学生1','学生2','学生3'],
    columns= ['语文','数学','英语'],
)
df3 = pd.DataFrame(
    data = x,
    index = ['学生1','学生2','学生3','学生4'],
    columns= ['语文','数学','英语','物理'],
)
print(df1.add(df3,fill_value=0))
  • Series与DataFrame之间的运算

        列运算        

import numpy as np
import pandas as pd
a = [ 
    [90,80,70],
    [100,89,78],
    [78,99,65]
]
n = np.array(a)
df1 = pd.DataFrame(
    data = n,
    index = ['学生1','学生2','学生3'],
    columns= ['语文','数学','英语'],
)
s = pd.Series([10,20,30],index=df1.columns)
print('s:\n',s)
print('#############################')
print(df1+s)
print('#############################')
print(df1.add(s,axis='columns'))
print('#############################')
print(df1.add(s,axis=1))

        行运算

import numpy as np
import pandas as pd
a = [ 
    [90,80,70],
    [100,89,78],
    [78,99,65]
]
n = np.array(a)
df1 = pd.DataFrame(
    data = n,
    index = ['学生1','学生2','学生3'],
    columns= ['语文','数学','英语'],
)
s = pd.Series([10,20,30],index=df1.index)
print('s:\n',s)
print('#############################')
print(df1.add(s,axis='index'))
print('#############################')
print(df1.add(s,axis=0))

知识点为听课总结笔记，课程为B站“千锋教育Pandas数据分析从入门到实战，零基础小白保姆级Python数据分析教程”：001_Pandas_Pandas介绍_哔哩哔哩_bilibili

pandas数据可视化（四）之pandas.DataFrame 操作(总结)
bluewater的专栏
04-19 8596
https://www.scipy.org/ pandas.DataFrame 创建，索引，增添，删除 - CSDN博客   https://blog.csdn.net/haruhi330/article/details/60872526 【python DataFrame】Pandas里面的屠龙宝刀DataFrame - CSDN博客  https://blog.csdn.net/u0134...
Pandas 数据结构——DataFrame
toufaduoduo369的博客
06-14 8532
DataFrame 是 Pandas 中的另一个核心数据结构，用于表示二维表格型数据。DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。DataFrame 提供了各种功能来进行数据访问、筛选、分割、合并、重塑、聚合以及转换等操作。
python中pandas之dataframe知识
最新发布
hutaotaotao的博客
05-25 1436
pandas中dataframe用法详细总结
（六）Python：Pandas中的DataFrame
weixin_66578482的博客
03-28 4501
基本特征 一个表格型的数据结构 含有一组有序的列（类似于index） 大致可看成共享同一个index的Series集合 创建
python dataframe详细使用方法
叶子的博客
08-21 1万+
dataframe为pandas中的数据格式，通常用来存储时间序列数据，比如K线数据，这在量化分析时通常用到。 1、创建dataframe import pandas as pd df0 = pd.DataFrame([[1,2,3,4],[5,6,7,8]], columns=['a', 'b', 'c', 'd']) 2、读取csv文件为dataframe格式 df0 = pd.read_csv(data_path) 3、获取column列栏目名称，行索引名，全部数值 df0.colu
pandas - DataFrame 基本操作（创建、遍历、查询、增加行、增加列、loc更新数据、iloc更新数据、删除、排序）
weixin_42115865的博客
07-05 6157
pandas - DataFrame 创建、遍历、更新行、更新列、增加行、增加列、删除、排序
【python】Pandas中DataFrame基本函数整理（全）
热门推荐
brucewong0516的博客
08-17 5万+
构造函数 DataFrame([data, index, columns, dtype, copy]) #构造数据框 属性和数据 DataFrame.axes #index: 行标签；columns: 列标签 DataFrame.as_matrix([columns]) #转换为矩阵 Da...
kaggle入门之pd.DataFrame
weixin_45209433的博客
01-14 2998
看各种kaggle的代码时，发现pd.DataFrame是常用的数据结构，要想快速浏览、熟练修改各种kaggle代码，首先入门的应该是pd.DataFrame这个结构，下面记录pd.DataFrame常用的几种函数。 1、创建DataFrame import pandas as pd import numpy as np #数据，行名，列名 df1 = pd.DataFrame(np.random.randn(3, 3), index=list('abc'), columns=list('ABC'))
Python-Pandas：Pandas数据处理笔记本
02-18
1. **Pandas DataFrame**：DataFrame是Pandas的核心数据结构，它是一个二维表格型数据结构，可以存储各种类型的数据（整数、字符串、浮点数等），并且拥有行和列的标签。DataFrame可以看作是SQL数据库中的表格或者...
dask-scaling-dataframe:Python和Dask
03-10
Python和Dask：扩展DataFrame 该存储库包含有关Python和Dask的幻灯片，练习和答案：缩放数据框。 本教程的目标是教给您一个在熊猫中处理表格数据方面经验丰富的人，以解决不适合在一台计算机上存储的问题。 为什么...
带有Python的数据科学项目：使用Python，Pandas和Scikit-Learn的成功数据科学项目的案例研究方法
02-03
本课程将帮助您了解如何使用pandas和Matplotlib来严格检查具有摘要统计信息和图形的数据集，并提取要寻求的见解。 使用scikit-learn包，您将在学习如何准备数据并将其提供给机器学习算法（例如正则化逻辑回归和随机...
-saylani-pandas-class-4:saylani-pandas-class-4
04-03
1. **Series与DataFrame**：Pandas的两个主要数据结构。Series是一维数组，可以存储各种类型的数据，并有内置的索引。DataFrame是二维表格型数据结构，包含列标签（columns）和行标签（index）。 2. **数据读取与...
Jupyter-Notebook-and-Pandas项目：Jupyter Notebook熊猫进阶项目
02-10
Pandas提供了高效的数据结构，如DataFrame，能够方便地处理和操纵结构化或半结构化数据。 **NumPy** 是Python科学计算的基础库，提供高效的多维数组对象和一系列数学函数。在Pandas中，NumPy的数组操作是DataFrame...
pandas库中 DataFrame的用法记录
allrubots的博客
10-13 907
一次的实验记录
pandas中关于DataFrame数据类型超好用的方法
Daisy_Wang777的博客
12-23 6704
本文详细介绍了pandas中关于DataFrame数据类型的常用函数及其使用方法，结合了pandas给出的官方文档，佐以简单示例，万字长文助您一文搞定DataFrame相关的api调用问题。
pandas(二)DataFrame类型
风华浪浪的博客
12-21 784
每列的index与columns的数量可以不相同的。每列的index与columns的数量相同的。如果没有为值，会根据行列索引自动补齐。, 返回的是pd.DataFrame。根据索引查找，如果查不到，自动补齐。，返回的是pd.DataFrame。获取索引index、获取列名列表。, 返回的是pd.Series。，返回的是pd.Series。获取其中某行某列具体值。基于Series创建。
pandas DataFrame 赋值注意事项（index）
ruguowoshiyu的博客
04-09 1万+
一 pandas DataFrame一列赋值问题说明，把的b列赋值给a情况1：a,b index设置相同如下代码import pandas as pd import numpy as np a = pd.DataFrame(np.arange(16).reshape(4,4),index=list('abcd'),columns=list('wxyz')) b = pd.DataFrame(np....
Pandas 数据结构之 DataFrame使用教程
chenchen5152的博客
05-20 1594
Pandas 数据结构DataFrame 简介DataFrame 实例化行数据的选择1.按位置选择行数据（单行选择）2.按位置选择行数据（多行选择：类似于切片）3.按索引值选择单（多）行数据4.按条件（bool）选择指定的行数据列数据的选择 DataFrame 简介 DataFrame是Pandas中的一个表格型的数据结构，包含一组有序的列，每列的值的类型都可不同（整型、浮点型、布尔型、字符串等），DataFrame既有行索引也有列索引，可以被看作是由Series组成的字典 DataFrame也可以理解
df pd 属性_pd.DataFrame()函数解析
weixin_34194482的博客
01-12 6833
DataFrame是Python中Pandas库中的一种数据结构，它类似excel，是一种二维表。==简介DataFrame的单元格可以存放数值、字符串等，这和excel表很像，同时DataFrame可以设置列名columns与行名index。1、创建DataFrame1.1函数创建pandas常与numpy库一起使用，所以通常会一起引用importpandas as pdimportnumpy ...
Clustergrammer-Widget：打造交互式热图分析的Jupyter小部件
- PandasDataFrame（Pandas数据框）：Pandas是Python中一个强大的数据分析库，DataFrame是Pandas中用于存储表格数据的主要数据结构。Clustergrammer-widget很可能支持直接使用Pandas DataFrame作为输入数据。 - ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值