Python 数据处理扩展包： pandas 模块的DataFrame介绍（创建和基本操作）
DataFrame是Pandas中的一个表结构的数据结构，包括三部分信息，表头（列的名称），表的内容（二维矩阵），索引（每行一个唯一的标记）。
一、DataFrame的创建
有多种方式可以创建DataFrame，下面举例介绍。
例1： 通过list创建
>>> import pandas as pd >>> df = pd.DataFrame([[1,2,3],[4,5,6]]) >>> df 0 1 2 0 1 2 3 1 4 5 6 [2 rows x 3 columns]
上面代表，创建了一个2行3列的表格，创建时只指定了表格的内容（通过一个嵌套的list），没有指定列名和索引。
这时列名就自动为 0,1,2 ；索引自动为数值0,1.
我们可以指定列表和索引，如：
>>> df = pd.DataFrame([[1,2,3],[4,5,6]],index=['row1','row2'],columns=['c1','c2','c3']) >>> df c1 c2 c3 row1 1 2 3 row2 4 5 6 [2 rows x 3 columns]
可以看出，上面代码通过index和 columns参数指定了索引和列名。
例2：创建例子
>>> import numpy as np >>> dates = pd.date_range('20121001',periods=6) >>> df = pd.DataFrame(np.random.randn(6,4) , index = dates,columns=list('abcd')) >>> df a b c d 2012-10-01 -0.236220 0.586985 0.784953 -0.507129 2012-10-02 -1.020807 -1.316997 -0.747997 1.909333 2012-10-03 0.085208 -0.281736 1.112287 1.572577 2012-10-04 0.008708 -0.925711 -0.615752 -1.183397 2012-10-05 1.158198 -1.393678 0.586624 0.202499 2012-10-06 1.149878 -2.383863 1.646403 1.647935 [6 rows x 4 columns]
上面代码创建的dates是个时间索引，np.random.randn 方法创建一个6行4列的随机数矩阵。
最后的df使用 dates作为索引，使用np.random.randn 方法创建的矩阵作为内容，使用 list('abcd'）作为列名。
二、 DataFrame的一些基本操作
1、获取数据的行数
len(df)
或
len(df.index)
2、显示索引、列和底层的numpy数据
>>> df.index <class 'pandas.tseries.index.DatetimeIndex'> [2012-10-01, ..., 2012-10-06] Length: 6, Freq: D, Timezone: None >>> df.columns Index([u'a', u'b', u'c', u'd'], dtype='object') >>> df.values array([[-0.2362202 , 0.58698529, 0.78495289, -0.50712897], [-1.02080723, -1.31699704, -0.74799734, 1.90933343], [ 0.08520807, -0.28173589, 1.11228743, 1.57257716], [ 0.00870768, -0.92571109, -0.6157519 , -1.18339719], [ 1.15819829, -1.39367835, 0.586624 , 0.20249899], [ 1.14987847, -2.38386297, 1.64640287, 1.64793523]])
说明，这个例子中的df使用的是上面创建的 DataFrame对象
3、显示数据
df.head([n]) # 获取df中的前n行数据，n不指定，则默认为5
df.tail([n]) # 获取df中的后n行数据，n不指定，则默认为5
>>> dates = pd.date_range('20121001',periods=100) >>>df = pd.DataFrame(np.random.randn(100,4) , index = dates,columns=list('abcd' )) >>> df.head() a b c d 2012-10-01 -1.010746 0.176277 -0.838870 0.742626 2012-10-02 0.111174 0.182840 0.193215 1.517350 2012-10-03 -0.757385 1.137521 -0.247181 0.659187 2012-10-04 -1.157838 1.464957 -2.106226 1.160796 2012-10-05 0.141747 0.032917 0.647210 -0.861413 [5 rows x 4 columns] >>> df.tail() a b c d 2013-01-04 -0.225416 -1.436526 -0.349813 -0.130948 2013-01-05 -1.544653 -0.214760 1.455662 0.050591 2013-01-06 0.582737 -0.646163 -1.763772 -1.463706 2013-01-07 -0.694467 0.710954 -2.227337 -0.257376 2013-01-08 0.282839 -1.100346 1.526374 1.658781
注意，head 和 tail 返回的是一个新的dataframe，与原来的无关
4、按照索引排序
newdf = df.sort_index(ascending=False,inplace=True)
ascending=False 参数指定按照索引值的以降序方式排序，默认是以升序排序。
inplace=True 指定为True时，表示会直接对df中的数据进行排序，函数返回值为None，newdf的值为None；
如果不设置为True（默认为false），则不会对df中数据进行修改，会返回一个新的df，这时newdf就有内容，是一个新的排序后的df。
5、添加数据(append方法)
append方法可以添加数据到一个dataframe中，注意append方法不会影响原来的dataframe，会返回一个新的dataframe。
语法：
DataFrame.append(otherData, ignore_index=False, verify_integrity=False)
其中otherData参数是要添加的新数据，支持多种格式。
ignore_index 参数默认值为False，如果为True，会对新生成的dataframe使用新的索引（自动产生），忽略原来数据的索引。
verify_integrity参数默认值为False，如果为True，当ignore_index为False时，会检查添加的数据索引是否冲突，如果冲突，则会添加失败。
举例说明1：
dates = pd.date_range('20121001',periods=10) df = pd.DataFrame(np.random.randn(10,4) , index = dates,columns=list('abcd')) dates1 = pd.date_range('20121001',periods=2) df1 = pd.DataFrame(np.random.randn(2,4) , index = dates1,columns=list('abcd')) df.append(df1) # df1中的2行数据会加到df中，且新产生的df的各行的索引就是原来数据的索引 df.append(df1,ignore_index=True) # df1中的2行数据会加到df中，且新产生的df的索引会重新自动建立 df.append(df1,verify_integrity=True) #会报错，因为df1的索引和df2的索引冲突了
说明，df1的列名必须和df一致，否则不是简单的添加行。而是会添加列，再添加行。
举例2：
>>> df.append({'a':10,'b':11,'c':12,'d':13},ignore_index=True)
a b c d
0 -0.471061 -0.937725 -1.444073 0.640439
1 -0.732039 -1.617755 0.281875 1.179076
2 1.115559 0.136407 -2.225551 0.119433
3 0.695137 0.380088 -0.318689 -0.048248
4 1.483151 -0.124202 -0.722126 0.035601
5 0.326048 -0.139576 -0.172726 0.931670
6 0.858305 0.857661 -0.279078 0.583740
7 -0.041902 0.408085 -1.019313 0.005968
8 0.626730 0.143332 -0.404894 0.377950
9 -1.850168 0.430794 -0.534981 -0.738701
10 10.000000 11.000000 12.000000 13.000000
上面代码是新产生的df会添加一行。这种操作，ignore_index参数值必须设置为True，否则会报错。
举例3：
>>> df.append({'e':10},ignore_index=True)
a b c d e
0 -0.471061 -0.937725 -1.444073 0.640439 NaN
1 -0.732039 -1.617755 0.281875 1.179076 NaN
2 1.115559 0.136407 -2.225551 0.119433 NaN
3 0.695137 0.380088 -0.318689 -0.048248 NaN
4 1.483151 -0.124202 -0.722126 0.035601 NaN
5 0.326048 -0.139576 -0.172726 0.931670 NaN
6 0.858305 0.857661 -0.279078 0.583740 NaN
7 -0.041902 0.408085 -1.019313 0.005968 NaN
8 0.626730 0.143332 -0.404894 0.377950 NaN
9 -1.850168 0.430794 -0.534981 -0.738701 NaN
10 NaN NaN NaN NaN 10
可以看出，如果插入的数据，指定的列名不存在，新产生的df不仅会增加行，还会增加列。
6、遍历数据
示例代码如下
for index,row in df.iterrows(): print index #获取行的索引 print row.a #根据列名获取字段 print row[0]#根据列的序号（从0开始）获取字段
7、查找数据
创建如下的dataframe
dates = pd.date_range('20121001',periods=10)
df = pd.DataFrame(np.random.randn(10,4) , index = dates,columns=list('abcd'))
可以有各种方式获取df中的全部或部分数据
df['a'] #按照列名获取指定的列，返回的是一个Series，其中key是索引，value是该列对应的字段值
df[:2] #获取前2行数据，效果等同 df[0:2]，返回的是一个新的dataframe
df[2:5] #获取第3行~5行 这3条记录，返回的是一个新的dataframe
df.loc['20121009'] #获取指定索引的行，等同于 df.loc['2012-10-09']，返回的是一个Series，其中key是列名，value是该列对应的字段值
df.iloc[3] #获取指定序号的行，这里是第4行
8、删除数据
del df['a'] #删除dataframe中指定的列，这个是直接影响当前的dataframe，注意 del不是函数，是python中的内置语句，没有返回值
df.drop(['a'],axis=1) #删除指定的列，与上面的区别是不会影响原来的dataframe，dop方法会返回一个删除了指定列的新的dataframe
说明，dop方法既可以删除列，也可以删除行，但上面创建的df无法被删除行（?），下面这个例子可以删除行
data = pd.DataFrame(np.arange(16).reshape((4, 4)),index=['Ohio', 'Colorado', 'Utah', 'New York'],columns=['one', 'two', 'three', 'four']) data.drop(['Colorado', 'Ohio'])
上面代码中的dop方法删除了指定索引的两行，注意同删除列一样，drop方法不会影响原来的dataframe，会返回一个删除后的新的dataframe
9、增加列
例子代码如下
dates = pd.date_range('20121001',periods=10) df = pd.DataFrame(np.random.randn(10,3) , index = dates,columns=list('abc')) df['d'] = pd.Series(np.random.randn(10),index=df.index)
上面代码先是创建了一个dataframe，然后通过df['d'] 插入了一个新的列。如果指定的列名存在，会修改列的内容。
10、修改指定行或单元格数据
df.values[i][j]= xxx #其中i是行号，j是列号，都是从0开始
df.values[1]=12 # 会把一行中的所有列中的数据设置为同一个值，这里的参数1是序号，这里为第2行数据
df['a'] = 12 #这样会把指定列的所有数据都设置为同一个值，如这里的12。注意，如果指定的列名不存在，会新增列
11、插入行
前面介绍的append方法是产生一个新的 dataframe，不会改变原来的dataframe。
那有没有办法直接在当前的frame中插入一行数据呢？ 上面介绍的 df[列名] = xxx 是用来插入或修改列的信息。
