DataFrame 是 pandas 库中一个非常核心的数据结构，它提供了丰富的功能用于数据处理和分析。下面我将详细讲解 DataFrame 的特点和功能：
1. 二维结构
DataFrame 是一个二维标签化数据结构，可以想象成一个 Excel 表格，其中有行和列。每一列可以是不同的值类型（数值、字符串、布尔值等），这使得 DataFrame 非常灵活。你可以将 DataFrame 视为由多个 Series 对象组成的字典，每个 Series 代表 DataFrame 的一列。
2. 列的数据类型
与 Excel 类似，DataFrame 的每一列可以是不同的数据类型。例如，一列可以是整数，代表年龄；另一列可以是字符串，代表姓名。这种灵活性意味着你可以将各种类型的数据组织在一起，而不需要所有的数据都是相同的类型。
3. 索引
DataFrame 支持行索引和列索引，这使得数据的组织和访问更加灵活。行索引类似于 Excel 中的行号，而列索引类似于列标。你可以自定义这些索引，以便于数据的管理和访问。
4. 大小可变
与 Python 的字典类似，DataFrame 的大小是可以变化的。你可以添加新的列或删除现有的列，也可以添加新的行或删除现有的行。这种动态性使得 DataFrame 非常适合于数据清洗和预处理阶段，因为你可以轻松地调整数据结构以适应不同的需求。
5. 自动对齐
DataFrame 在进行数据操作时会自动对齐索引。这意味着当你对两个 DataFrame 进行算术运算或数据对比时，pandas 会自动根据索引对齐数据。如果某个索引在其中一个 DataFrame 中不存在，pandas 会引入缺失值（通常是 NaN）来保持对齐。
6. 功能丰富
DataFrame 提供了大量用于数据处理的功能，包括但不限于：
- 数据筛选：通过标签或条件筛选数据。
- 数据分割：使用
groupby方法对数据进行分组。 - 合并：使用
concat或merge方法将多个 DataFrame 合并为一个。 - 重塑：使用
pivot或melt方法改变数据的形状。 - 聚合：使用
aggregate或groupby方法对数据进行聚合计算。 - 转换：使用
apply方法对数据进行复杂的转换。
7. 示例代码
下面是一个简单的示例，展示了如何创建 DataFrame 并进行一些基本操作：
import pandas as pd
# 创建一个 DataFrame
data = {
'Name': ['John', 'Anna', 'Peter', 'Linda'],
'Age': [28, 23, 34, 29],
'City': ['New York', 'Paris', 'Berlin', 'London']
}
df = pd.DataFrame(data)
# 访问列
print(df['Name'])
# 添加新列
df['Country'] = 'USA'
# 删除列
del df['Country']
# 行索引重置
df.reset_index(drop=True, inplace=True)
# 数据筛选
print(df[df['Age'] > 30])
# 数据合并
new_data = {
'Name': ['Linda', 'Pete'], 'Age': [29, 35]}
new_df = pd.DataFrame(new_data)
result = pd.concat([df, new_df])
print(result)
