大佬教程收集整理的这篇文章主要介绍了DataFrame的构造，大佬教程大佬觉得挺不错的，现在分享给大家，也给大家做个参考。
DateFrame:一个二维标记数据结构，具有可能不同类型的列，每一列可以是不同值类型(数值，字符串，布尔值)，既有行索引也有列索引。我们可以把它看作为excel表格，或者SQL表，或Series对象的字典。
构建DateFrame的方法:
字典类：数组、列表或元组构成的字典构造dataframe，Series构成的字典构造dataframe， 字典构成的字典构造dataframe
列表类:2D ndarray 构造dataframe，字典构成的列表构造dataframe，Series构成的列表构造dataframe
查看数据 head()，tail()
pd5 = pd.DataFrame(np.arange(20).reshape(10,2))
pd5
0 1
0 0 1
1 2 3
2 4 5
3 6 7
4 8 9
5 10 11
6 12 13
7 14 15
8 16 17
9 18 19
# head()默认查看前5行，输入参数N，就查看前N行
pd5.head()
0 1
0 0 1
1 2 3
2 4 5
3 6 7
4 8 9
#tail()默认查看后5行,输入参数N，就查看后N行
pd5.tail()
0 1
5 10 11
6 12 13
7 14 15
8 16 17
9 18 19
.T
#和Numpy一样，进行转置
pd6 = pd.DataFrame(np.arange(4).reshape(2,2),index=['a','b'],columns=['A','B'])
pd6
A B
a 0 1
b 2 3
pd6.T #行和列进行转置
a b
A 0 2
B 1 3
数组、列表或元组构成的字典构造dataframe
#构造一个字典
data = {'a':[1,2,3,4],
'b':(5,6,7,8),
'c':np.arange(9,13)}
#构造dataframe
frame = pd.DataFrame(data)
frame
a b c
0 1 5 9
1 2 6 10
2 3 7 11
3 4 8 12
#index属性查看行索引
frame.index
RangeIndex(start=0, stop=4, step=1)
#columns属性查看列索引
frame.columns
Index(['a', 'b', 'c'], dtype='object')
#values属性查看值
frame.values
array([[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11],
[ 4, 8, 12]], dtype=int64)
# 每个序列是DateFrame的一列，所有的序列长度必须相等，columns为字典的key,index为默认的数字标签，我们可以通过index属性进行修改
#指定index
frame = pd.DataFrame(data,index=['A','B','C','D'])
frame
a b c
A 1 5 9
B 2 6 10
C 3 7 11
D 4 8 12
#指定columns，显示所指定列的数据，并按指定的顺序进行排序,当没有数据中没有该列('e')，那么就会用NaN来填充
frame = pd.DataFrame(data,index=['A','B','C','D'],columns=['a','b','c','e'])
frame
a b c e
A 1 5 9 NaN
B 2 6 10 NaN
C 3 7 11 NaN
D 4 8 12 NaN
2D ndarray 构造dataframe
#构造二维数组对象
arr1 = np.arange(12).reshape(4,3)
#构造dateframe
frame1 = pd.DataFrame(arr1)
frame1
0 1 2
0 0 1 2
1 3 4 5
2 6 7 8
3 9 10 11
#我们通过二维数组对象创建dataframe，行索引和列索引都是可选参数，指定index和columns必须和原数组长度一致，默认0到N-1
frame2 = pd.DataFrame(arr1,index=['a','b','c','d'],columns=['A','B','C'])
frame2
A B C
a 0 1 2
b 3 4 5
c 6 7 8
d 9 10 11
Series构成的字典构造dataframe
pd1 = pd.DataFrame({'a':pd.Series(np.arange(3)),
'b':pd.Series(np.arange(3,5)),
})
pd1
a b
0 0 4
1 1 5
2 2 NaN
#设置index,
pd1 = pd.DataFrame({'a':pd.Series(np.arange(3),index=['a','b','c']),
'b':pd.Series(np.arange(3,5),index=['a','b']),
})
pd1
a b
a 0 3.0
b 1 4.0
c 2 NaN
#我们用Series构成的字典创建dataframe，指定索引我们需要在Series里面指定索引,index为Series的标签，Series长度可以不一样，会以NaN填充
字典构成的字典构造dataframe
#字典嵌套
data = {
'a':{'apple':3.6,'banana':5.6},
'b':{'apple':3,'banana':5},
'c':{'apple':3.2}
}
#构造dataframe
pd2 = pd.DataFrame(data3)
pd2
a b c
apple 3.6 3 3.2
banana 5.6 5 NaN
#内部字典是一列,内部字典的key是行索引index,外部字典的key是列索引columns,
字典构成的列表构造dataframe
l1 = [{'apple':3.6,'banana':5.6},{'apple':3,'banana':5},{'apple':3.2}]
pd3 = pd.DataFrame(l1)
pd3
apple banana
0 3.6 5.6
1 3.0 5.0
2 3.2 NaN
#列表中的每一个元素是一行,字典的key是列索引columns
#指定行索引index,必须和数据长度一致
pd3 = pd.DataFrame(l1,index=['a','b','c'])
pd3
apple banana
a 3.6 5.6
b 3.0 5.0
c 3.2 NaN
Series构成的列表构造dataframe
l2 = [pd.Series(np.random.rand(3)),pd.Series(np.random.rand(2))]
pd4=pd.DataFrame(l2)
pd4
0 1 2
0 0.482106 0.025374 0.020586
1 0.912417 0.229153 NaN
#列表中的每一个元素是一行
#设置行索引index,和原数组长度一致
pd4=pd.DataFrame(l2,index=['a','b'])
pd4
0 1 2
a 0.482106 0.025374 0.020586
b 0.912417 0.229153 NaN
#设置列索引columns,我们需要在series对象设置index
l2 = [pd.Series(np.random.rand(3),index=['A','B','C']),pd.Series(np.random.rand(2),index=['A','B'])]
pd4=pd.DataFrame(l2,index=['a','b'])
pd4
A B C
a 0.999713 0.507880 0.091274
b 0.798486 0.268391 NaN
以上是大佬教程为你收集整理的DataFrame的构造全部内容，希望文章能够帮你解决DataFrame的构造所遇到的程序开发问题。
如果觉得大佬教程网站内容还不错，欢迎将大佬教程推荐给程序员好友。
本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。