创建方法

分为直接定义和导入定义
1、直接定义：pd.DataFrame()，pd.DataFrame()的参数可以是ndarray，列表，字典，元组、Series等。

1
2
3
4
5
6
7
8
import numpy as np
import pandas as pd
df1=pd.DataFrame(np.arange(10).reshape(2,5))
print(df1)
# Out：
#    0 1 2 3 4
# 0  0 1 2 3 4
# 1  5 6 7 8 9

2、导入定义：当用Pandas包导入一个外部文件时，将自动转换为DataFrame对象

1
2
3
4
df2 = pd.read_csv('bc_data.csv')
df2.shape
#  Out
# (569,32)

DataFrame中的行/列

查看行——用index属性

1
2
3
df2.index
# Out
# RangeIndex(start=0, stop=569, step=1)

计算行数——用.index.size属性

1
2
3
df2.index.size
# Out
# 569

查看列——用columns属性

1
2
3
df2.columns
# Out
# Index(['id', 'diagnosis', 'area_mean'], dtype='object')

计算列数——用.columns.size属性

1
2
3
df2.columns.size
# out
# 3

同时显示行数和列数，即查看DataFrame的形状——用.shape属性 

1
2
3
df2.shape
# out
# (569,3)

计算行数和列数的另一个方法——.shape[0]和.shape[1]

1
2
3
4
5
print("行数为:", df2.shape[0])
print("列数为:", df2.shape[1])
# out 
# 行数为: 569
# 列数为: 3

访问元素的方法

1.按列名读取

  • 列名出现在下标中
1
2
3
4
5
6
7
8
df2["id"].head()
# out
# 0      842302
# 1      842517
# 2    84300903
# 3    84348301
# 4    84358402
# Name: id, dtype: int64
  • 可将【列名】当作数据框的一个【属性】来用
1
2
3
4
5
6
7
df2.id.head()
# 0      842302
# 1      842517
# 2    84300903
# 3    84348301
# 4    84358402
# Name: id, dtype: int64
  • 列名和行号一起用。数据框的第0轴为列，所以不能写成df2[2][“id”]
1
2
df2["id"][2] 
# 84300903
  • 属性名和行号一起用
1
2
df2.id[2]
# 84300903
  • 用Fancy Indexing
1
2
3
4
df2["id"][[2,4]]
# 2    84300903
# 4    84358402
# Name: id, dtype: int64

2.按照index读取
在python中，每个数据有两种index，一种是默认的，从0开始(隐式index)；另一种是通过index属性定义的(显式index)。为了区分。隐式用iloc，显式用loc。特别地，与C和Java不同的是，Python中的的Data Frame计算的依据并非为【隐式index】，而是【显式index】。

  • 按隐式index
1
2
df2.iloc[1,2]
# 1326.0
1
2
3
4
df2.loc[[1,5],["id"]]
#         id
#  1	842517
#  5	843786
1
2
3
4
5
6
7
df2.loc[1:5]
#    id	    diagnosis	area_mean
# 1	842517	    M	      1326.0
# 2	84300903	M	      1203.0
# 3	84348301	M	      386.1
# 4	84358402	M	      1297.0
# 5	843786	    M	      477.1

index操作

  • 更改显式index的方法：用reindex（）方法，更改显式index的含义：并不是指重新给出新index，而是调整索引的index。
1
2
3
4
5
6
7
8
df2.reindex(index=["1","2","3"],columns=["1","2","3"])
df2.head()
#      id	diagnosis	area_mean
# 0	842302    	M	    1001.0
# 1	842517	    M	    1326.0
# 2	84300903	M	    1203.0
# 3	84348301	M	    386.1
# 4	84358402	M	    1297.0
1
2
3
4
5
df2.reindex(index=[2,3,1], columns=["diagnosis","id","area_mean"])
#    diagnosis	id	   area_mean
# 2	   M	84300903	1203.0
# 3	   M	84348301	386.1
# 1	   M	842517	    1326.0
  • 在重新索引时可以新增一个【显式index】
1
2
3
4
5
6
df3=df2.reindex(index=[2,3,1], columns=["diagnosis","id","area_mean","MyNewColumn"],fill_value=100)
df3
#   diagnosis	id	   area_mean	MyNewColumn
# 2	   M	84300903	1203.0	     100
# 3    M	84348301	386.1	     100
# 1	   M	842517	    1326.0	     100

删除或过滤行列

  • drop()函数删除行
1
2
3
4
5
6
7
8
9
10
11
import pandas as pd
df2 = pd.read_csv('bc_data.csv')
df2=df2[["id","diagnosis","area_mean"]]
df3 =df2.drop([2]).head()    # drop()函数不改变df2本身
df3.head()
#     id	  diagnosis	area_mean
# 0	  842302	M 	     1001.0
# 1	  842517	M	     1326.0
# 3	  84348301	M	     386.1
# 4   84358402	M	     1297.0
# 5	  843786	M	     477.1
  • 下列代码如果前两行没有写，那么反复运行此行代码会报错,原因：df2的当前值一直在发生变化.inplace = True 表示就地修改，数据框本身会改变。axis=0的含义：
    （1）计算前后的列数不变（2）以列为单位计算（3）逐列计算
1
2
3
4
5
6
7
8
9
10
11
import pandas as pd
df2 = pd.read_csv('bc_data.csv')
df2=df2[["id","diagnosis","area_mean"]]
df2.drop([3,4], axis=0, inplace=True)
df2.head()
#   id	    diagnosis	area_mean
# 0	842302	   M	     1001.0
# 1	842517	   M	     1326.0
# 2	84300903   M	     1203.0
# 5	843786	   M	     477.1
# 6	844359     M	     1040.0
  • del()删除列
1
2
3
4
5
6
7
8
9
10
11
import pandas as pd
df2 = pd.read_csv('bc_data.csv')
df2=df2[["id","diagnosis","area_mean"]]
del df2["area_mean"] 
df2.head()
#     id	diagnosis
# 0	 842302   	M
# 1	 842517	    M
# 2	 84300903	M
# 3	 84348301	M
# 4	 84358402	M
  • drop()删除列
1
2
3
4
5
6
7
8
9
10
11
import pandas as pd
df2 = pd.read_csv('bc_data.csv')
df2=df2[["id","diagnosis","area_mean"]]
df2.drop(["id","diagnosis"], axis=1, inplace=True)
df2.head()
#	area_mean
# 0	1001.0
# 1	1326.0
# 2	1203.0
# 3	386.1
# 4	1297.0
  • 过滤
1
2
3
4
5
6
7
8
9
10
import pandas as pd
df2 =pd.read_csv('bc_data.csv')
df2=df2[["id","diagnosis","area_mean"]]
df2[df2.area_mean> 1000].head()
#     id	diagnosis	area_mean
# 0	842302	    M	1001.0
# 1	842517	    M	1326.0
# 2	84300903	M	1203.0
# 4	84358402	M	1297.0
# 6	844359	    M	1040.0
1
2
3
4
5
6
7
df2[df2.area_mean> 1000][["id","diagnosis"]].head()
#     id	diagnosis
# 0	  842302	M
# 1	  842517	M
# 2	  84300903	M
# 4	  84358402	M
# 6	  844359	M

算术运算

1、规则之一：先补齐行列索引（新增索引对应值为NaN），得到相同结构后，进行计算

1
2
3
4
5
6
7
8
9
10
11
12
13
14
df4=pd.DataFrame(np.arange(6).reshape(2,3))
print(df4)
#	 0	1	2
# 0	 0	1	2
# 1	 3	4	5
df5=pd.DataFrame(np.arange(10).reshape(2,5)) 
print(df5)
#       0 	1	2	3	4
# 0 	0	1	2	3	4
# 1 	5	6	7	8	9
print(df4+df5)
#   0	1	2	3	4
#0	0	2	4	NaN	NaN
#1	8	10	12	NaN	NaN

2、规则之二：用算法运算符+/-/*等，会产生NaN值，如果想修改默认填充的NaN改为指定值，建议不要用运算符，而改用函数，如add,sub,mul,div

1
2
3
4
5
df6=df4.add(df5,fill_value=10)
df6
#   0	1	2	  3	     4
#0	0	2	4	13.0	14.0
#1	8	10	12	18.0	19.0

3、规则之三、数据框与Series的计算规则：按行（第1轴）广播，先把行改为等长，行内不做循环补齐。只是一行一行计算，不会跨行广播