这是利用Excel学习Python系列的第7篇文章
前一篇文章提到了序列,可以理解为Excel里没有列名的一列数据,那么Excel里的由行列组成的表数据是如何对应到Python中的呢？就是今天要说的数据框：Dataframe。
它是由一组数据和一对索引（行索引和列索引）组成的二维数据结构，可以看成Excel里的表格，与Series不同的是，Dataframe可以有多行/列数据。
1．建首先要导入pandas模块，简写为pd。
In[1]:importpandasaspd从列表中创建Dataframe
#从列表中创建
list1=[2,5,8,10]
df_l=pd.Dataframe(list1)
df_l
结果：
这里传入的是一个单一的列表，得到的是带有行列索引的一列数据，行索引用index表示，就是这里最前面竖着的那一列[0,1,2,3]，相当于Excel里的第一列，列索引用columns表示，相当于Excel里的第一行，由于没有指定索引，因此都是默认从0开始递增的索引，这里横排第一行就是列索引，除去行列索引，中间的区域为values：值区域。
#从字典中创建
dict1={"name":["Tony","Nancy","Judy","Cindy"],
"age":[16,17,18,15],
"sex":["male","female","female","female"]}
df_d=pd.Dataframe(dict1)
df_d
结果：
从字典中创建Dataframe，每个键就默认为columns。
从嵌套列表中创建嵌套列表顾名思义，就是列表中还有列表，这种方式也可以创建数据框，同字典不同的是，字典创建的数据框键值对是一列一列的，嵌套列表创建的数据框是一行一行的。
#嵌套列表创建
list2=[["Jane",15,101],["David",18,103],["Peter",16,102]]
df1=pd.Dataframe(list2)
df1
结果：
以上创建数据框都没有指定索引，下面我们来指定行列索引，columns指定列索引，index指定行索引。
#指定行列索引
list2=[["Jane",15,101],["David",18,103],["Peter",16,102]]
df1=pd.Dataframe(list2,index=[1,2,3],columns=["name","age","num"])
df1
结果：
查是指对数据框行/列数据的访问
2.1 选择行Excel里没有专门的选择行的方法，就是直接用鼠标选择。在Pandas里要选择一行或几行数据，可以用loc或iloc方法，区别在于，loc方法传入的是行所在索引的名称，而iloc方法传入的是行的绝对位置。
选择一行选择df1数据框的第二行，可以用df1.loc[2]，这里的2是第二行对应的行索引的名称。
#访问df1第二行
df1.loc[2]
结果：
若用iloc方法，则这样写df1.iloc[1]，别忘了一直说的索引是从0开始递增，所以第二行的绝对位置是1，iloc[1]表示取第二行的值。
df1.iloc[1]
结果同loc是一样的
选择几行要选择几行，可以用iloc选择绝对位置并切片的方法。
#选择前2行
df1.iloc[:2]
结果：
若选择的不是连续的几行，就不用切片，iloc方法传入选择行的绝对位置，loc传入索引名称，并用列表括起来。
#选择第一行和第三行
df1.iloc[[0,2]]
df1.loc[[1,3]]
结果：
在Excel里选择列也是鼠标直接操作，除非是进行条件筛选，这个就是后话了，pandas里选择列的方式很简单，直接按列名选择即可，在数据框后面用中括号加上要选择的列名，或者数据框后面.列名，二者任选。
选择一列数据框[列名]
数据框.列名
df.列名 等价于 Df[列名]
#选择name列
df1["name"]
df1.name
结果：
注意到这样选择列得到的是序列而非数据框，如果想要得到数据框，要再加中括号。
同行选择一样，选择几列的时候，要用中括号括起来。
#选择1、3列
df1[["name","num"]]
结果：
df.loc[行索引，列索引]可以定位一个数据.
#loc定位
df1.loc[[1,3],["name","age"]]
结果：
[1,3]是行索引，是一个列表值，表示获取1、3行标签所在的行，[“name”,”age”]是列索引，表示获取name,age列索引所在的列。
还可以用切片获取全部的行
#获取namenum列的全部行
df1.loc[:,["name","num"]]
结果：
左边的冒号表示获取全部的行，右边的列表值表示获取name列和num列。
同理获取全部列
#获取23行全部列
df1.loc[[2,3],:]
结果：
：号不仅可以用来表示全部的行/列，还可以用在行/列中，进行切片。
#获取1~3行全部列
df1.loc[1:3,:]
结果：
按照元素的绝对位置定位，行列索引都是从0开始。对比loc方法，loc里的1,3是行索引的名称，而iloc里的0,2是1、3这两个行索引所处的位置，同样地，name和age列的位置是0,1.
#loc定位
df1.loc[[1,3],["name","age"]]
#iloc
df1.iloc[[0,2],[0,1]]#iloc方法
iloc也可以切片。
#获取namenum列的全部行
df1.loc[:,["name","num"]]
df1.iloc[:,[0,2]]#iloc方法
结果：
#获取23行全部列
df1.loc[[2,3],:]
df1.iloc[[1,2],:]#iloc方法
结果：
#获取1~3行全部列
df1.loc[1:3,:]
df1.iloc[0:3,:]#iloc方法
结果：
Iloc切片是左闭右开的，也就是右区间时不包含的，0:3的意思是取第1行至第四行的值，不包括第四行，那实际上就只取到了第三行。Iloc切片的规则同Series切片是一样的。
3.增3.1 插入行同序列一样，如果想要在Dataframe里增加行记录，做法是建立一个新的Dataframe，然后将两个Dataframe纵向合并起来，同样用到append方法，
#追加行
df2=pd.Dataframe({"name":["Jane"],"age":[16],"sex":["female"]})
df_d.append(df2,ignore_index=True)
结果：
除了append方法可以进行表的纵向合并以达到插入行记录的目的外，还有concat方法。Concat是基于pandas的方法，用列表框起来，表示将两个数据框纵向拼接。这里我们可以看到索引还是原来数据框的索引，可以重置索引，设置ignore_index = True,就新生成一个索引了，append里也可以用。
pd.concat([df_d,df2],ignore_index=True)
结果是一样的：
直接对新增的列赋值，新增的列在数据框末尾。新增score列，用列表赋值，这里df1[“score”]不能替换成df1.score。
#插入列
df1["score"]=[85,58,99]
df1
结果：
Insert方法，可以指定新增列的位置。
df1.insert(1,"score2",[77,78,79])
df1
结果：
insert方法的第一个参数是要插入列的位置，1表示将新列插入在第二列，第二个参数是列名，这里是score2，第三个参数是值。
3.删3.1 删除行Drop方法，index指定行，index = 1的意思是删除行索引名称为1的这一行。
#删除行
df1.drop(index=1)
结果：
还可以不写index，写axis = 0，表示按行删除。
df1.drop(1,axis=0)
结果是一样的
3.2 删除列对应删除行的操作，可以传入columns指定列
#删除列
df1.drop(columns="num")
结果：
也可以不传入columns，但要传入axis = 1参数。
df1.drop("num",axis=1)4.改
数据框修改实际上就是数据框中数值的替换，用replace方法，replace(A,B)，表示把A替换成B。选中age列，将age列中15的值替换为25，输出df1，并设置inplace = True参数，表示立即更新。
#一对一替换
df1["age"].replace(15,25,inplace=True)
df1
结果：
上个例子是将1个值替换成另一个值，那如果是要把18和16替换成26呢？把16和18用列表框起来，用26去替换他们。
#多对一替换
df1["age"].replace([18,16],26,inplace=True)
df1
结果：
再比如要将num列的101，102,103分别对应替换成1001,1002和1003呢？这时字典就派上用场了。
#多对多替换
df1["num"].replace({101:1001,102:1002,103:1003},inplace=True)
df1
结果：
猜你喜欢：
Python数据结构：神奇的序列
你真的了解参数估计和假设检验吗？
高手都是怎样用图表的：用图表说话
@ 作者：可乐
@ 公众号/知乎专栏/头条/简书：可乐的数据分析之路
@ 加微信（data_cola）备注：进群，拉你进可乐的数据分析交流群，数据分析知识总结，不定期行业经验分享
以上就是Python数据结构大结局：Dataframe不畏浮云遮望眼自缘身在最高层的全部内容了，希望大家喜欢。