认识DataFrame结构
DataFrame 一个表格型的数据结构，既有行标签（index），又有列标签（columns），它也被称异构数据表，所谓异构，指的是表格中每列的数据类型可以不同，比如可以是字符串、整型或者浮点型等。其结构图示意图，如下所示：
表格中展示了某个销售团队个人信息和绩效评级（rating）的相关数据。数据以行和列形式来表示，其中每一列表示一个属性，而每一行表示一个条目的信息。
下表展示了上述表格中每一列标签所描述数据的数据类型，如下所示：
ColumnType
name
String
age
integer
gender
String
rating
Float
DataFrame 的每一行数据都可以看成一个 Series 结构，只不过，DataFrame 为这些行中每个数据值增加了一个列标签。因此 DataFrame 其实是从 Series 的基础上演变而来。在数据分析任务中 DataFrame 的应用非常广泛，因为它描述数据的更为清晰、直观。
通过示例对 DataFrame 结构做进一步讲解。 下面展示了一张学生成绩表，如下所示：
同 Series 一样，DataFrame 自带行标签索引，默认为“隐式索引”即从 0 开始依次递增，行标签与 DataFrame 中的数据项一一对应。上述表格的行标签从 0 到 5，共记录了 5 条数据（图中将行标签省略）。当然你也可以用“显式索引”的方式来设置行标签。
下面对 DataFrame 数据结构的特点做简单地总结，如下所示：
DataFrame 每一列的标签值允许使用不同的数据类型；
DataFrame 是表格型的数据结构，具有行和列；
DataFrame 中的每个数据值都可以被修改。
DataFrame 结构的行数、列数允许增加或者删除；
DataFrame 有两个方向的标签轴，分别是行标签和列标签；
DataFrame 可以对行和列执行算术运算。
index表示的是行索引，column表示的是列索引，values表示的是数值，其实不管是行索引，还是列索引都可以看作是索引Index。从每一行看，DataFrame可以看作是一行行的Series序列上下堆积起来的，每个Series的索引就是列索引【0,1,2,3】；从每一列看，DataFrame可以看作是一列列的Series序列左右堆积起来的，每个Series的索引就是行索引【0,1,2】。
import pandas as pd
pd.DataFrame( data, index, columns, dtype, copy)
参数说明：
参数名称说明
data
输入的数据，可以是 ndarray，series，list，dict，标量以及一个 DataFrame。
index
行标签，如果没有传递 index 值，则默认行标签是 np.arange(n)，n //代码效果参考：http://www.jhylw.com.cn/222341445.html
代表 data 的元素个数。columns
列标签，如果没有传递 columns 值，则默认列标签是 np.arange(n)。
dtype
dtype表示每一列的数据类型。
copy
默认为 False，表示复制数据 data。
1) 创建空的DataFrame对象
使用下列方式创建一个空的 DataFrame，这是 DataFrame 最基本的创建方法。
import pandas as pd
df = pd.DataFrame()
print(df)
输出结果如下：
Empty DataFrame
Columns: 【】
Index: 【】
2) 列表创建DataFame对象
可以使用单一列表或嵌套列表来创建一个 DataFrame。
示例 1，单一列表创建 DataFrame：
import pandas as pd
data = 【1,2,3,4,5】
df = pd.DataFrame(data)
print(df)
输出如下：
0
0 1
1 2
2 3
3 4
4 5
示例 2，使用嵌套列表创建 DataFrame 对象：
import pandas as pd
data = 【【'Alex',10】,【'Bob',12】,【'Clarke',13】】
df = pd.DataFrame(data,columns=【'Name','Age'】)
print(df)
输出结果：
Name Age
0 Alex 10
1 Bob 12
2 Clarke 13
示例 3，指定数值元素的数据类型为 float：
import pandas as pd
//代码效果参考： http://www.jhylw.com.cn/293825735.html
data = 【【'Alex',10】,【'Bob',12】,【'Clarke',13】】
df = pd.DataFrame(data,columns=【'Name','Age'】,dtype=float)
print(df)
输出结果：
Name Age
0 Alex 10.0
1 Bob 12.0
2 Clarke 13.0
3) 字典嵌套列表创建
data 字典中，键对应的值的元素长度必须相同（也就是列表长度相同）。如果传递了索引，那么索引的长度应该等于数组的长度；如果没有传递索引，那么默认情况下，索引将是 range(n)，其中 n 代表数组长度。
示例 4：
import pandas as pd
data = {'Name':【'Tom', 'Jack', 'Steve', 'Ricky'】,'Age':【28,34,29,42】}
df = pd.DataFrame(data)
print(df)
输出结果：
Age Name
0 28 Tom
1 34 Jack
2 29 Steve
3 42 Ricky
注意：这里使用了默认行标签，也就是 range(n)。它生成了 0,1,2,3，并分别对应了列表中的每个元素值。
示例 5，现在给上述示例 4 添加自定义的行标签：
import pandas as pd
data = {'Name':【'Tom', 'Jack', 'Steve', 'Ricky'】,'Age':【28,34,29,42】}
df = pd.DataFrame(data, index=【'rank1','rank2','rank3','rank4'】)
print(df)
输出结果如下：
Age Name
rank1 28 Tom
rank2 34 Jack
rank3 29 Steve
rank4 42 Ricky
注意：index 参数为每行分配了一个索引。
4) 列表嵌套字典创建DataFrame对象
列表嵌套字典可以作为输入数据传递给 DataFrame 构造函数。默认情况下，字典的键被用作列名。
示例 6 如下：
import pandas as pd
data = 【{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}】
df = pd.DataFrame(data)
print(df)
输出结果：
a b c
0 1 2 NaN
1 5 10 20.0
注意：如果其中某个元素值缺失，也就是字典的 key 无法找到对应的 value，将使用 NaN 代替。
示例 7，给上述示例 6 添加行标签索引：
import pandas as pd
data = 【{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}】
df = pd.DataFrame(data, index=【'first', 'second'】)
print(df)
输出结果：
a b c
first 1 2 NaN
second 5 10 20.0
示例 8，如何使用字典嵌套列表以及行、列索引表创建一个 DataFrame 对象。
输出结果：
import pandas as pd
data = 【{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}】
df1 = pd.DataFrame(data, index=【'first', 'second'】, columns=【'a', 'b'】)
df2 = pd.DataFrame(data, index=【'first', 'second'】, columns=【'a', 'b1'】)
print(df1)
print(df2)
#df2输出
a b
first 1 2
second 5 10
#df1输出
a b1
first 1 NaN
second 5 NaN
注意：因为 b1 在字典键中不存在，所以对应值为 NaN。
5) Series创建DataFrame对象
您也可以传递一个字典形式的 Series，从而创建一个 DataFrame 对象，其输出结果的行索引是所有 index 的合集。 示例如下：
import pandas as pd
d = {'one' : pd.Series(【1, 2, 3】, index=【'a', 'b', 'c'】),
'two' : pd.Series(【1, 2, 3, 4】, index=【'a', 'b', 'c', 'd'】)}
df = pd.DataFrame(d)
print(df)
输出结果如下：
one two
a 1.0 1
b 2.0 2
c 3.0 3
d NaN 4
注意：对于 one 列而言，此处虽然显示了行索引 'd'，但由于没有与其对应的值，所以它的值为 NaN。
列索引操作DataFrame
DataFrame 可以使用列索（columns index）引来完成数据的选取、添加和删除操作。下面依次对这些操作进行介绍。
1) 列索引选取数据列
您可以使用列索引，轻松实现数据选取，示例如下：
import pandas as pd
d = {'one' : pd.Series(【1, 2, 3】, index=【'a', 'b', 'c'】),
'two' : pd.Series(【1, 2, 3, 4】, index=【'a', 'b', 'c', 'd'】)}
df = pd.DataFrame(d)
print(df 【'one'】)
输出结果：
a 1.0
b 2.0
c 3.0
d NaN
Name: one, dtype: float64
2) 列索引添加数据列
使用 columns 列索引表标签可以实现添加新的数据列，示例如下：
import pandas as pd
d = {'one' : pd.Series(【1, 2, 3】, index=【'a', 'b', 'c'】),
'two' : pd.Series(【1, 2, 3, 4】, index=【'a', 'b', 'c', 'd'】)}
df = pd.DataFrame(d)
#使用df【'列'】=值，插入新的数据列
df【'three'】=pd.Series(【10,20,30】,index=【'a','b','c'】)
print(df)
#将已经存在的数据列做相加运算
df【'four'】=df【'one'】+df【'three'】
print(df)
输出结果：
使用列索引创建新数据列:
one two three
a 1.0 1 10.0
b 2.0 2 20.0
c 3.0 3 30.0
d NaN 4 NaN
已存在的数据列做算术运算：
one two three four
a 1.0 1 10.0 11.0
b 2.0 2 20.0 22.0
c 3.0 3 30.0 33.0
d NaN 4 NaN NaN
上述示例，我们初次使用了 DataFrame 的算术运算，这和 NumPy 非常相似。除了使用df【】=value的方式外，您还可以使用 insert() 方法插入新的列，示例如下：
import pandas as pd
info=【【'Jack',18】,【'Helen',19】,【'John',17】】
df=pd.DataFrame(info,columns=【'name','age'】)
print(df)
#注意是column参数
#数值1代表插入到columns列表的索引位置
df.insert(1,column='score',value=【91,90,75】)
print(df)
输出结果：
添加前：
name age
0 Jack 18
1 Helen 19
2 John 17
添加后：
name score age
0 Jack 91 18
1 Helen 90 19
2 John 75 17
3) 列索引删除数据列
通过 del 和 pop() 都能够删除 DataFrame 中的数据列。示例如下：
import pandas as pd
d = {'one' : pd.Series(【1, 2, 3】, index=【'a', 'b', 'c'】),
'two' : pd.Series(【1, 2, 3, 4】, index=【'a', 'b', 'c', 'd'】),
'three' : pd.Series(【10,20,30】, index=【<span style="color:
