各位同学好，今天给大家介绍一下Pandas库中DataFrame类型数据的创建方法和基本操作。
文章内容如下：

（1）使用字典类创建。

        字典类有：①数组、列表、元组构成的字典；②Series构造的字典；③字典构造的字典。

（2）使用列表类创建。

        列表类有：①二维数组；②字典构造的列表；③Series构成的列表

（3）基本操作。

        ①查看索引；②指定索引；③转置操作；④通过索引获取数据；⑤追加一列；⑥删除列

首先，我简单介绍一下DataFrame：
① DataFrame数据结构可以理解为python版的excel表格。
② 是表格型数据结构，它包含一组有序的列，每列可以是不同类型的值。
③ DataFrame既有行索引，又有列索引。每列数据可以是不同类型。
④ 可以看作是由Series组成的字典，共用一个索引，数据以二维结构存放。

1. 创建方法--字典类

1.1 使用数组、列表或元组构成的字典构造DataFrame

创建方法： pd.DataFrame(字典名)

创建后，列索引对应的是字典中的标签名，行索引对应默认值。

import pandas as pd
# 数组、列表或元组构成的字典构造dataframe
a1 = {"a":[1,2,3,4],"b":(5,6,7,8),"c":np.arange(9,13)}  #建立字典
frame1 = pd.DataFrame(a1)  # 构造dataframe

 1.2 使用Series构造的字典构造DataFrame

创建方法同 pd.DataFrame(字典名)，展示如下。

字典中标签'a'和'b'对应的值为Series类型。np.arange(3)是利用numpy库创建一个数组[0,1,2]；通过pd.Series(数组)将其转化为Series类型的[0,1,2]。

# series构造的字典构造dataframe
pd1 = pd.DataFrame({"a":pd.Series(np.arange(3)),"b":pd.Series(np.arange(3,5))})

1.3 使用字典构造的字典（字典嵌套）来构造DataFrame

创建方法同 pd.DataFrame(字典名)，展示如下。

外层字典的标签名为'a','b','c'，且标签'a'对应的值是一个字典类型，标签名为'apple','banana'，值分别为3.6,5.7。因此a5可看成是由两层字典构成，其本身是一个字典类型，标签对应的值也是字典类型。

# 通过字典构造的字典（字典嵌套）来构造dataframe
a5 = {"a":{"apple":3.6,"banana":5.7},"b":{"apple":2.1,"banana":8.2},"c":{"apple":5.2}}
pd2 = pd.DataFrame(a5)

2. 创建方法--列表类

2.1 使用二维数组构造DataFrame

创建方法： pd.DataFrame(列表)

arr1是利用numpy库产生的由1到12的一维数组，通过reshape(行数,列数)改变数组形状，要求改变后数组的元素个数与原始数组的元素个数相同。

import numpy as np
# 二维数组构造dataframe
arr1 = np.arange(1,13).reshape(4,3)
frame4 = pd.DataFrame(arr1)
# 指定行列索引，必须与原来的列表，行数和列数相同

2.2 使用字典构造的列表创建DataFrame

创建方法同上：pd.DataFrame(列表)

列表l1是由三个字典构成。创建后，字典内部的key变成列索引。一定要和由字典嵌套创建的DataFrame区分开来。

# 字典构造的列表构造dataframe
l1 = [{"apple":3.6,"banana":5.0},{"apple":2,"banana":8},{"apple":1.8}]
pd3 = pd.DataFrame(l1)

 2.3 使用Series构成的列表构造DataFrame

创建方法同上：pd.DataFrame(列表)

列表l2由两个Series类型数据构成。np.random.rand(n)表示随机生成n个0到1之间的数，构成数组，再通过pd.Series()转换成Series类型数据。

# 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)

 3. 基本操作

3.1 查看索引

查看行索引： 变量名.index
查看列索引： 变量名.columns
查看值：        变量名.values

a2 = frame1.index     # 查看行索引
a3 = frame1.columns   # 查看列索引
a4 = frame1.values    # 查看value值

 3.2 创建时指定索引排序

指定行索引： pd.DataFrame(字典,index=[索引名])
指定列索引： pd.DataFrame(字典,index=[索引名],columns=[索引名])

此处指定的列索引名必须是原字典中存在的索引，如果不存在，则该列索引名对应的值是nan

a1 = {"a":[1,2,3,4],"b":(5,6,7,8),"c":np.arange(9,13)}
frame1 = pd.DataFrame(a1)
# 指定index行索引
frame2 = pd.DataFrame(a1,index=["Alex","Block","Cici","Dalin"])
# 指定columns列索引
frame3 = pd.DataFrame(a1,index=["Alex","Block","Cici","Dalin"],columns=["a","b","c","d"])

 3.3 转置操作

方法：变量名.T     # 行和列互换位置

pd5 = pd.DataFrame(np.arange(1,10).reshape(3,3),index=["a","c","b"],columns=["A","B","C"])
# 转置操作，行与列转置，和numpy一样
a6 = pd5.T

 3.4 通过索引获取列数据

方法：变量名[列索引名]    

获取索引名所在列的数据，返回结果是Series类型。对行操作涉及高级索引，本文章只介绍基本操作，其余后续再介绍。

pd5 = pd.DataFrame(np.arange(1,10).reshape(3,3),index=["a","c","b"],columns=["A","B","C"])
# 通过索引获取列数据
gt = pd5["A"]

 3.5 追加一列

方法： 变量名[列索引名]=自定义值

此处的列索引名为原DataFrame中不存在的索引名，才能在原数据最后一列追加一组值。如果此处的索引名和原数据中的索引名重复，则会更改原数据中的值。

pd5 = pd.DataFrame(np.arange(1,10).reshape(3,3),index=["a","c","b"],columns=["A","B","C"])
# 追加一列
pd5["D"] = 9  #该列所有数都是9
pd5["E"] = [1,2,3]  #该列上各行分别是1，2，3
pd5['A'] = [999,888,777]  #更改原pd5上'A'列的值

3.6 删除一列

方法： del(变量名[列索引名])     # 删除指定列的所有数据
 

# 删除列
del(pd5["D"])