pandas 数据类型之 DataFrame

梦幻精灵_cq

9829人浏览 · 2022-05-01 13:20:17

梦幻精灵_cq · 2022-05-01 13:20:17 发布

Python 官网：https://www.python.org/

这里，才 python 前沿。可惜是英文原版。所以，我要练习英文阅读。🧐🧐

自学并不是什么神秘的东西，一个人一辈子自学的时间总是比在学校学习的时间长，没有老师的时候总是比有老师的时候多。

—— 华罗庚

本篇学习笔记，需要有 list、dict 数据类型基础打底，如您还没了解请先行学习。如继续下看，可能有些 “吃力”。另：这是 DataFrame 的第二个数据类型，要有 DataFrame 的第一个数据类型 Series 的知识打底，请点击蓝色超链接文字跳转查看。

笔记：pandas 数据类型之 DataFrame

pandas 作为 python的数据处理模块，她是支持 python 的全部数据类型的，也同样可以定义自己的类。但 pandas 还有两个自己的数据类型 Series、DataFrame，让数据在 pandas 中处理变得更得心应手。想要用 python 来处理数据，一定要“吃透” 这两个数据类型。

二、用 dict、Series 创建 DataFrame 实例

Dict 创建
Series 创建
dict 套 dict 创建
索引 index
a. 创建同时设置 index
b. 重置 index
列序 columns

* list.append() 花絮

例子原始数据：六名学生每天跳绳练习个数记录(4月9日至4月13，5天)。

Tom = 453, 307, 618, 742, 267
Rose = 303, 421, 512, 289, 306
John = 367, 431, 519, 279, 336
Anna = 273, 391, 512, 289, 306
Duo = 283, 371, 507, 243, 323
Liuyi = 347, 291, 472, 329, 345

数据初处理：

数据整合成一个列表，姓名字符列表准备好用来重置索引。
globals() 从全局变量名字典中列表解析 names 中的变量名字符串 ( locals() 当前变量函数和 dir() 也可以从当前作用域中获取变量名字符串，前者是跟 globals() 一样是字典，后者是列表)。
直接对字典用一个变量遍历，就是对 key 操作(同时两个变量遍历字典，变量接收的依次是 key、value，类 doct.iters() 字典视图。)，key 即是 globles() 获取的变量名字符串。

names = [Tom, Rose, John, Anna, Duo, Liuyi]
gb = globals() # 全局变量字典获取函数取别名，简化后续语句，方便读写。
names_str = [i for i in gb if gb[i] in names] # if 语句意即全局变量字典中 i 字符名称对应的变量在 names 中就解析出该字符串。

一、DataFrame 实例创建

默认创建

df = pd.DataFrame(names) # 1、数据直接生成 DatsFrame 。
print(f"\n\n{' 1、数据直接生成 DatsFrame ':-^34}\n\n{df}")

运行效果

在这里插入图片描述

默认定义没有设置特定索引，按照惯例( Series 中已经形成的惯例)索引就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构(类似 excel 或者 mysql 中的查看效果)。

回首页

用姓名字符串重置索引。

注意：“用 df.index = ”重置索引，index 序列元素一定要与 DataFrame 的行数匹配，否则报错。但，创建时设置，可以“短长”少的行被舍去，多的无值为空(NaN)。

df.index = names_str # 2、用姓名字符重置索引。
print(f"\n\n{' 2、用姓名字符设置索引 ':-^31}\
\n{cut_line()}{names_str}{cut_line()}{df}")

运行效果

在这里插入图片描述

回首页

用 date 重置 columns

代码

date = [f'{i}日' for i in range(9, 14)] # 准备日期列表。
df.columns = date # 三、用 date 设置 columns
print(f"\n\n{' 3、用 date 设置 columns ':-^37}\
\n{cut_line()}{date}{cut_line()}{df}")

运行效果

在这里插入图片描述
至此，终于有了数据的样子。😝
每一行为一个学生的跳绳练习数据，每一列为每日跳绳练习各个学生跳绳练习数据，这才是一个有实际意义的二维数据表格的样子。

回首页

在创建 DataFrme 时，是可以直接设置 index 和 columns 的咯。

代码

df01 = pd.DataFrame(names, index=names_str)
df02 = pd.DataFrame(names, columns=date)
df03 = pd.DataFrame(names, columns=date, index=names_str)
print(f"\n\n{cut_line()}{'':>4}在创建 DataFrme 时，是可以直接设置 index 和 columns的。\
{cut_line()}只设置 index：\n\n{df01}{cut_line()}\
{cut_line()}只设置 columns：\n\n{df02}{cut_line()}\
同时设置 index、columns：\n\n{df03}{cut_line()}")

运行效果

在这里插入图片描述

回首页

二、用 dict、Series 创建 DataFrame 实例

1. Dict 创建

使用 dict 定义。这是定义一个 DataFrame 对象的常用方法。字典的“键”( names、date )就是 DataFrame 的 index、columns 的值(名称)，字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。

代码

# columns = date, index = names_str
data_dict_d = {x: y for x, y in zip(date, data_date)} # 解析每日学生数据字典。
df_dict_d = pd.DataFrame(data_dict_d, index=names_str)

# columns = names_str, index = date
data_dict_n = {x: y for x, y in zip(names_str, names)} # 解析每日学生数据字典。
df_dict_n = pd.DataFrame(data_dict_n, index=date)

运行效果

在这里插入图片描述

回首页

2. Series 创建

代码

# columns = date, index = names_str
data_S_name = [pd.Series(i, index=date) for i in names] # 解析 Series 数据列表。
df_S_n = pd.DataFrame(data_S_name, index=names_str)

# columns = names_str, index = date
data_S_date = [pd.Series(i, index=names_str) for i in data_date] # 解析 Series 数据列表。
df_S_d = pd.DataFrame(data_S_date, index=date)

运行效果

在这里插入图片描述

如上试验，可以看出，dict、Series 创建 DataFrame 实例，效果完全一样。用行或者列表示一个人的数据，都是可以的。

3. Series 创建

代码

定义 DataFrame 的方法，除了 dict、Series，还可以用字典套字典创建 DataFrame 。
在字典中就规定好行列名称(第一层键)和每横行索引(第二层字典键)以及对应的数据(第二层字典值)，也就是在字典中规定好了每个数据格子中的数据。

嵌套字典生成代码

d = data_dict_d # 每日数据字典变量起别名，简短代码语句。
dd = {} # 嵌套字典：{date: {name: 数据}}。
for x, y in zip(date, d): # 生成外层字典键。
    tem = {} # 外层字典值，内层字典。
    for m,n in zip(names_str, d.get(y)):
        	tem[m] = n # 内层字典赋值。
    dd[x] = tem # 外层字典赋值。

代码

df = pd.DataFrame(dd) # dict 套 dict 创建 Dataframe 。
print(f"\n\n{' 3、dict 套 dict 创建 Dataframe ':-^37}\
{cut_line()}嵌套字典：\n\n{dd}\
{cut_line()}创建的 Dataframe：\n\n{df}{cut_line()}") # 在字典中就规定好行列名称(第一层键)和每横行索引(第二层字典键)以及对应的数据(第二层字典值)，也就是在字典中规定好了每个数据格子中的数据。

运行效果

在这里插入图片描述

回首页

3. 索引 index

a. 创建同时设置 index

字典创建时设置，Series创建时设置

b. 重置 index

代码

print(f"{cut_line()}当前 DataFrame：\n\n{df}")
tem = df.copy()
tem.index = list('ABCDEF')
print(f"\n\n用{list('ABCDEF')}设置 index：\n\n{tem}")
tem.index = list('abcde') + ['Tom']
print(f"\n\n重置 index 不可以“自动对齐”：\n\n{tem}{cut_line()}")

运行效果

在这里插入图片描述

重置 index 不可以“自动对齐”，是按照 df.index = 后面的序列排序。注意：跟定义 DataFrame 一样，
index 序列的元素个数必须匹配行数，否则报错。

回首页

4. 列序 columns

列序 columns 的重置和定义时设置：日期、姓名设置，与 index 类似，这里就不再赘述( 点击蓝色超链接文字可以查看)。

回首页

list.append() 花絮

在 DataFrame 的参数中 index=list.append() ，可以得到想要的结果。
在这里，好像打破了 list.append() 没能返回值的“神话🧐🧐”。
打断点查看，list 也是成功追加新元素的，DataFrome 也是得到了新增元素的 list 赋值 index 的。

在这里插入图片描述

回首页

三、插入行、列

14日新数据

new_data = {'Anna': 337, 'Tom': 403, 'Rose': 567, 'Liuquan': 453} # 4月14日数据。

1. 同时插入行列

代码

old_names_str = names_str[:] # append() 前names-str 副本。
dd['14日']=new_data # 新数据添加到嵌套字典。
df_new_dict = pd.DataFrame(dd, index=names_str.append('Liuquan'),
 columns=list(df.columns).append('14日'))
print(f"{cut_line()}原姓名列表：\n\n{old_names_str}\
\n\n在 DataFrame 中 执行 index=names_str.append('Liuquan') 后的 names_str ：\n{names_str}{cut_line()}")
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 追加新数据的嵌套字典新建 DataFrame ':-^29}\n\n{df_new_dict}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}")

运行效果

在这里插入图片描述

用追加新数据的嵌套字典重建 DataFrame ，新的行、列都可以得到保存。

回首页

2. 插入列

代码

# 插入列
new_Series = pd.Series(new_data) # 4月17日数据打包成 Series 。注意：参数只能是列表或一层字典，因为 Series 是一维数组。
df_new_S = df.copy() # DataFrame 对象复制。
df_new_S['14日'] = new_Series # 追加 Series 到 DataFrame 。
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 数据创建 Seroies，字典式赋值追加 ':-^29}\n\n{df_new_S}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}")

运行效果

在这里插入图片描述

如您所见， Series 追加数据虽然方便快捷，但不可以新增行索引，不匹配 index 的数据将被舍弃。DataFrame 新建实例确是可以定义多于原数据的索引的。这，就需要根据追加的数据选择了。当然，我更喜欢 Series 。

回首页

3. 追加空列并整列赋值

代码

df = df_new_dict.copy() # DataFrame 对象复制。
print(f"{cut_line()}当前 DataFrame：\n\n{df}")
df['15日'] = pd.Series() # 添加空列。
print(f"\n\n{'添加空列':-^37}\n\n{df}")
data_new1 = (389, 452, 422, 309, 433, 398, 409) # 用数组添加列，元素一定匹配列数，不然报错。
df['15日'] = data_new1 # 整列依次赋值(元素须与行数匹配，类型可以是 tuple、list等有序数组)。
print(f"\n\n{'对空列依次赋值':-^34}\n\n数据 = {data_new1}\n\n{df}")
data_new2 = {'Anna': 347, 'Any': 564, 'Liuyi': 389, 'Tom': 422, 'Duo': 402, 'John': 338, 'Rose': 409, 'Liuquan': 309}
df['16日'] = pd.Series(data_new2)
print(f"\n\n{'用 Series 添加元素多于行数的数据':-^29}\
\n\n数据 = {data_new2}\n\n{df}")

运行效果
在这里插入图片描述

添加不等行数元素，可以用 dict、Series ，不多于 DataFrame 行数的数据，二者皆可；多于行数就只可以 Series 数据类型添加。DataFrame 会自动对齐索引，不在意数据字典顺序。索引中没有的数据，将被“丢弃”。

回首页

四、赋值

1. 整列赋值

a. 等长依次赋值

b. 整列赋同一值

代码

df.insert(0, '班级', [f'4.{i}班' for i in range(1, 8)])
index_num = list(df.columns).index('16日') + 1
df.insert(index_num, '职务', '学生')
print(f"\n\n{' 插入列(colmuns) ':-^34}\n\n{df}")

运行效果

在这里插入图片描述

插入列，赋同一值也可赋不同值(不同值数量一定得与行数匹配)。DataFrame ，添加本来没有的列，这操作同字典(字典可以添加本来没有的键）。

按日期倒序重置列序

代码

columns_lis = ['班级'] + [f'{i}日' for i in range(16, 8, -1)]+['职务'] # 生成日期倒序列表。
print(f"\n\n{'重置列序':-^37}\n\n列序：\n{columns_lis}\
\n\n{df.loc[:, columns_lis]}{cut_line()}")

代码运行效果
在这里插入图片描述

回首页

2. 单个精准赋值

a. 字典列表式赋值

代码

print(f"{cut_line()} Liuquan 4月9日、11日原有数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}\n\n")
df['9日']['Liuquan'] = 453
df['11日']['Liuquan'] = 386
print(f"\n\n补录(修改)后 Liuquan 4月9日、11日数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}{cut_line()}")

运行效果

在这里插入图片描述

字典列表式赋值( df[rows][columns] = value )虽然跟loc方法同效，但我的两个 pandas ( python3.10.2+pandas1.4.1、python3.6.6+pandas0.23.4 )环境都有“警告”信息抛出，虽然也可以实现赋值。我不明白：是不是因为手机环境？

回首页

b. loc 方法选择赋值

代码

print(f"{cut_line()}原有数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}\n\n{'-'*41}")
df.loc['Liuquan', ['10日']] = 436 # 用loc 方法修改更明了，且静默。
df.loc['Liuquan', ['12日']] = 398
print(f"\n\nLiuquan 4月10日、12日(436, 398)数据补录：\n\n{df}\
\n\n{df[df.index == 'Liuquan']}\
补全(修改)后数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}{cut_line()}")

运行效果

在这里插入图片描述

用 loc 方法修改更明了，且静默。

回首页

四、df.loc 方法条件筛选

空值判定

代码

df.insert(len(df.columns), 'Rank', 'OK') # 插入考评等级列“Rank”。
df_bool = df.isna() # df.isna() 方法判定空值NAN。

for date in [f"{i}日" for i in range(9,17)]:
    for name in df.index:
        
        if df_bool[date][name]:
            df.loc[name,['Rank']] = 'NG'
        elif not df_bool[date][name] and df['Rank'][name]=='OK':
            df.loc[name,['Rank']] = 'OK'

print(f"{cut_line()}计算全勤后的列表：\n\n{df}\n\n{'-'*41}\
\n\n4月9日至16日每天坚持跳绳练习的有：\
\n{df.loc[df['Rank']=='OK']}\n{cut_line()}")

运行效果

在这里插入图片描述

回首页

条件筛选

换组数据试试，换一组实验数据来看看 df.loc() 方法的条件筛选。

代码

english = [45, 89, 88, 89]
chinese = [92, 92, 89, 92]
math = [34, 78, 78, 92]
names = ['Rose', 'Jhon', 'Anna', 'Tom']

df = pd.DataFrame({'Chinese': chinese, 
	                 'English': english, 
	                 'Math': math}, 
	                 index=names, columns=('Chinese', 'Math', 'English'))

print('数据：')
for i in ('Names', 'Chinese', 'Math', 'English'):
    print(f"\n{i}：\n{eval(i.lower())}")

print(f"\n\nDataFrame：\n{df}")

# 分数筛选
print(f"\n\n语文{color(92, 'b_gray', 'f_red')}分的：\n{df.loc[df['Chinese']==92]}\
\n\n英语{color(89, 'f_red', 'b_gray')}分的：\n{df.loc[df['English']==89]}\
\n\n数学{color(78, 'f_red', 'b_gray')}分的：\n{df.loc[df['Math']==78]}")

运行效果

在这里插入图片描述

回首页

完整 Python 代码

我的解题思路，已融入代码注释，博文中就不再赘述。

(如果从语句注释不能清楚作用，请评论区留言指教和探讨。🤝)

#!/sur/bin/env python
# coding: utf-8

'''
filename: /sdcard/qpython/tem.py
梦幻精灵_cq的炼码场
'''

from mypythontools import color, wait, cut_line # 从自码工具模块加载需用代码模块中要使用的函数。
print(f"\n\n{'正在加载 Pandad ...':^38}")
import pandas as pd # 加载 pandas 并取别名 pd 。


# 例子原始数据：六名学生每天跳绳练习个数记录(4月9日至4月13，6天)。
Tom = 453, 307, 618, 742, 267
Rose = 303, 421, 512, 289, 306
John = 367, 431, 519, 279, 336
Anna = 273, 391, 512, 289, 306
Duo = 283, 371, 507, 243, 323
Liuyi = 347, 291, 472, 329, 345

# 数据初处理：数据整合成一个列表，姓名字符列表准备好用来重置索引。
names = [Tom, Rose, John, Anna, Duo, Liuyi]
gb = globals() # 全局变量字典获取函数取别名，简化后续语句，方便读写。
# 从全局变量名字典中列表解析 names 中的变量名字符串。
# 直接对字典用一个变量遍历，就是对 key 操作(同时两个变量遍历字典，变量接收的依次是 key、value，类 doct.iters() 字典视图。)，key 即是 globles() 获取的变量名字符串。
names_str = [i for i in gb if gb[i] in names] # if 语句意即全局变量字典中 i 字符名称对应的变量在 names 中就解析出该字符串。

# 创建 DataFrame 
df = pd.DataFrame(names) # 1、数据直接生成 DatsFrame 。
print(f"\n\n{' 1、数据直接生成 DatsFrame ':-^34}\n\n{df}") # 上面的定义中没有设置特定索引，所以，按照惯例( Series 中已经形成的惯例)就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构(类似 excel 或者 mysql 中的查看效果)。

df.index = names_str # 2、用姓名字符重置索引。
print(f"\n\n{' 2、用姓名字符设置索引 ':-^31}\
\n{cut_line()}{names_str}{cut_line()}{df}") # 注意：“用 df.index = ”重置索引，index 序列元素一定要与 DataFrame 的行数匹配，否则报错。但，创建时设置，可以“短长”少的行被舍去，多的无值为空(NaN)。

date = [f'{i}日' for i in range(9, 14)] # 准备日期列表。
df.columns = date # 3、用 date 设置 columns
print(f"\n\n{' 3、用 date 设置 columns ':-^37}\
\n{cut_line()}{date}{cut_line()}{df}")

# 在创建 DataFrme 时，是可以直接设置 index 和 columns 的咯。
df01 = pd.DataFrame(names, index=names_str)
df02 = pd.DataFrame(names, columns=date)
df03 = pd.DataFrame(names, columns=date, index=names_str)
print(f"\n\n{cut_line()}{'':>4}在创建 DataFrme 时，是可以直接设置 index 和 columns的。\
{cut_line()}只设置 index：\n\n{df01}{cut_line()}\
{cut_line()}只设置 columns：\n\n{df02}{cut_line()}\
同时设置 index、columns：\n\n{df03}{cut_line()}")

data_date = [] # 从每个学生数据中提取每日学生数据。
for k in range(5): # 循环提取每天数据。
    tem = [] # 每人每天数据列表。
    for i in names:
        tem.append(i[k]) # 追加当天每人数据。
    data_date.append(tem) # 追加当天每人数据。

# 二、用 dict、Series 创建 DataFrame 实例。

# Dict：
data_dict_d = {x: y for x, y in zip(date, data_date)} # 解析每日学生数据字典。
df_dict_d = pd.DataFrame(data_dict_d, index=names_str)

data_dict_n = {x: y for x, y in zip(names_str, names)} # 解析每日学生数据字典。
df_dict_n = pd.DataFrame(data_dict_n, index=date) # 使用 dict 定义。这是定义一个 DataFrame 对象的常用方法。字典的“键”( names、date )就是 DataFrame 的 index、columns 的值(名称)，字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。

# Series：
data_S_date = [pd.Series(i, index=names_str) for i in data_date] # 解析 Series 数据列表。
df_S_d = pd.DataFrame(data_S_date, index=date)

data_S_name = [pd.Series(i, index=date) for i in names] # 解析 Series 数据列表。
df_S_n = pd.DataFrame(data_S_name, index=names_str)

print(f"\n\n{' 二、用 dict、Series 创建 DataFrame 实例。':-^33}\
\n\n{cut_line()}用 Dict 创建 DataFrame 实例：\
\n\ncolumns = date：\n{df_dict_d}\
\n\ncolumns = name：\n{df_dict_n}\
\
{cut_line()}用 Series 创建 DataFrame 实例：\
\n\ncolumns = date\n\n{df_S_n}\
\n\ncolumns = Name\n\n{df_S_d}") # 从上面的例子可以看出，不管是用 dict 还是 Series ，都可以定义出自己喜好的二维数组数据列表，真可谓是“随心所欲”。🤗🤗 columns 的顺序没有规定，就如同字典中键的顺序一样。但是在 DataFrame 中，columns 跟字典键相比，有一个明显不同，就是其顺序可以被规定。

d = data_dict_d # 每日数据字典变量起别名，简短代码语句。
dd = {} # 嵌套字典：{date: {name: 数据}}。
for x, y in zip(date, d): # 生成外层字典键。
    tem = {} # 外层字典值，内层字典。
    for m,n in zip(names_str, d.get(y)):
        	tem[m] = n # 内层字典赋值。
    dd[x] = tem # 外层字典赋值。

# 定义 DataFrame 的方法，除了上面的之外，还可以使用“字典套字典”的方式。
df = pd.DataFrame(dd) # dict 套 dict 创建 Dataframe 。
print(f"\n\n{' 3、dict 套 dict 创建 Dataframe ':-^37}\
{cut_line()}嵌套字典：\n\n{dd}\
{cut_line()}创建的 Dataframe：\n\n{df}{cut_line()}") # 在字典中就规定好数列名称(第一层键)和每横行索引(第二层字典键)以及对应的数据(第二层字典值)，也就是在字典中规定好了每个数据格子中的数据。


#重置索引
print(f"{cut_line()}当前 DataFrame：\n\n{df}")
tem = df.copy()
tem.index = list('ABCDEF')
print(f"\n\n用{list('ABCDEF')}设置 index：\n\n{tem}")
tem.index = list('abcde') + ['Tom']
print(f"\n\n重置 index 不可以“自动对齐”：\n\n{tem}{cut_line()}")

new_data = {'Anna': 337, 'Tom': 403, 'Rose': 567, 'Liuquan': 453} # 4月14日数据。

# 同时插入行、列
old_names_str = names_str[:] # append() 前names-str 副本。
dd['14日']=new_data # 新数据添加到嵌套字典。
df_new_dict = pd.DataFrame(dd, index=names_str.append('Liuquan'),
 columns=list(df.columns).append('14日')) # 用追加新数据的嵌套字典重建 DataFrame ，新的行、列都可以得到保存。
print(f"{cut_line()}原姓名列表：\n\n{old_names_str}\
\n\n在 DataFrame 中 执行 index=names_str.append('Liuquan') 后的 names_str ：\n{names_str}{cut_line()}")
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 追加新数据的嵌套字典新建 DataFrame ':-^29}\n\n{df_new_dict}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}")

# 插入列
new_Series = pd.Series(new_data) # 4月17日数据打包成 Series 。注意：参数只能是列表或一层字典，因为 Series 是一维数组。
df_new_S = df.copy() # DataFrame 对象复制。
df_new_S['14日'] = new_Series # 追加 Series 到 DataFrame 。
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 数据创建 Seroies，字典式赋值追加 ':-^29}\n\n{df_new_S}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}") # 如您所见，Series 追加数据虽然方便快捷，但不可以新增行索引。DataFrame 新建实例确是可以定义多于数据的索引的。这，就需要根据追加的数据选择了。当然，我更喜欢 Series 。

# 追加列
df = df_new_dict.copy() # DataFrame 对象复制。
print(f"{cut_line()}当前 DataFrame：\n\n{df}")
df['15日'] = pd.Series() # 添加空列。
print(f"\n\n{'添加空列':-^37}\n\n{df}")
data_new1 = (389, 452, 422, 309, 433, 398, 409) # 用数组添加列，元素一定匹配列数，不然报错。
df['15日'] = data_new1 # 整列依次赋值(元素须与行数匹配，类型可以是 tuple、list等有序数组)。
print(f"\n\n{'对空列依次赋值':-^34}\n\n数据 = {data_new1}\n\n{df}")
data_new2 = {'Anna': 347, 'Any': 564, 'Liuyi': 389, 'Tom': 422, 'Duo': 402, 'John': 338, 'Rose': 409, 'Liuquan': 309}
df['16日'] = pd.Series(data_new2) # 添加不等行数元素，可以用 dict、Series ，不多于 DataFrame 行数的数据，二者皆可；多于行数就只可以 Series 数据类型添加。DataFrame 会自动对齐索引，不在意数据字典顺序。索引中没有的数据，将被“丢弃”。
print(f"\n\n{'用 Series 添加元素多于行数的数据':-^29}\
\n\n数据 = {data_new2}\n\n{df}")

df.insert(0, '班级', [f'4.{i}班' for i in range(1, 8)])
index_num = list(df.columns).index('16日') + 1
df.insert(index_num, '职务', '学生') # 插入列，赋同一值也可赋不同值(不同值数量一定得与行数匹配)。DataFrame ，添加本来没有的列(字典可以添加本来没有的键）。
print(f"\n\n{' 插入列(colmuns) ':-^34}\n\n{df}")

columns_lis = ['班级'] + [f'{i}日' for i in range(16, 8, -1)]+['职务']
print(f"\n\n{'重置列序':-^37}\n\n列序：\n{columns_lis}\
\n\n{df.loc[:, columns_lis]}{cut_line()}")

# 点对点准赋值
print(f"{cut_line()} Liuquan 4月9日、11日原有数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}\n\n")
df['9日']['Liuquan'] = 453 # 虽然跟loc方法同效，但我的两个 pandas (python3.10.2+pandas1.4.1、python3.6.6+pandas0.23.4)环境都有“警告”。
df['11日']['Liuquan'] = 386
print(f"\n\n补录(修改)后 Liuquan 4月9日、11日数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}{cut_line()}")

print(f"{cut_line()}原有数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}\n\n{'-'*41}")
df.loc['Liuquan', ['10日']] = 436 # 用loc 方法修改更明了，且静默。
df.loc['Liuquan', ['12日']] = 398
print(f"\n\nLiuquan 4月10日、12日(436, 398)数据补录：\n\n{df}\
\n\n{df[df.index == 'Liuquan']}\
补全(修改)后数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}{cut_line()}")

#四、df.loc() 方法的条件筛选。
df.insert(len(df.columns), 'Rank', 'OK') # 插入考评等级列“Rank”。
df_bool = df.isna() # df.isna() 方法判定空值NAN。

for date in [f"{i}日" for i in range(9,17)]:
    for name in df.index:
        
        if df_bool[date][name]:
            df.loc[name,['Rank']] = 'NG'
        elif not df_bool[date][name] and df['Rank'][name]=='OK':
            df.loc[name,['Rank']] = 'OK'

print(f"{cut_line()}计算全勤后的列表：\n\n{df}\n\n{'-'*41}\
\n\n4月9日至16日每天坚持跳绳练习的有：\
\n{df.loc[df['Rank']=='OK']}\n{cut_line()}")

# 换一组实验数据来看看 df.loc() 方法的条件筛选。
english = [45, 89, 88, 89]
chinese = [92, 92, 89, 92]
math = [34, 78, 78, 92]
names = ['Rose', 'Jhon', 'Anna', 'Tom']

df = pd.DataFrame({'Chinese': chinese, 
	                 'English': english, 
	                 'Math': math}, 
	                 index=names, columns=('Chinese', 'Math', 'English'))

print('数据：')
for i in ('Names', 'Chinese', 'Math', 'English'):
    print(f"\n{i}：\n{eval(i.lower())}")

print(f"\n\nDataFrame：\n{df}")

# 分数筛选
print(f"\n\n语文{color(92, 'b_gray', 'f_red')}分的：\n{df.loc[df['Chinese']==92]}\
\n\n英语{color(89, 'f_red', 'b_gray')}分的：\n{df.loc[df['English']==89]}\
\n\n数学{color(78, 'f_red', 'b_gray')}分的：\n{df.loc[df['Math']==78]}")