爬虫与Python：（四）爬虫进阶扩展之Pandas——4.数据结构DataFrame

1. 定义

DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

2. 构造方法

pandas.DataFrame( data, index, columns, dtype, copy)

3. 参数说明

属性	描述
data	一组数据(ndarray、series, map, lists, dict 等类型)
index	索引值，或者可以称为行标签
columns	列标签，默认为 RangeIndex (0, 1, 2, …, n)
dtype	数据类型
copy	拷贝数据，默认为 Fals

4. 示例

4.1 使用列表创建DataFrame

import pandas as pd

# 使用列表创建
data = [['Google',10],['Runoob',12],['Wiki',13]]
df = pd.DataFrame(data,columns=['Site','Age'],dtype=float)
print(df)

输出结果如下：

4.2 使用ndarrays创建DataFrame

以下实例使用 ndarrays 创建，ndarray 的长度必须相同， 如果传递了 index，则索引的长度应等于数组的长度。如果没有传递索引，则默认情况下，索引将是range(n)，其中n是数组长度。

ndarrays 可以参考：NumPy Ndarray 对象

import pandas as pd

# 使用ndarrys创建
data = {'Site':['Google', 'Runoob', 'Wiki'], 'Age':[10, 12, 13]}
df = pd.DataFrame(data)
print (df)

输出结果如下：

 

 从以上输出结果可以知道， DataFrame 数据类型一个表格，包含 rows（行） 和 columns（列）：

4.3 使用字典DataFrame

还可以使用字典（key/value），其中字典的 key 为列名:

import pandas as pd

# 使用字典创建DataFrame
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print (df)

输出结果为：

   a   b     c
0  1   2   NaN
1  5  10  20.0

没有数据的部分对应NaN。

4.4 返回指定行属性

Pandas 可以使用 loc 属性返回指定行的数据，如果没有设置索引，第一行索引为 0，第二行索引为 1，以此类推：

import pandas as pd

# 返回指定行属性
data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}
# 数据载入到 DataFrame 对象
df = pd.DataFrame(data)
# 返回第一行
print(df.loc[0])
# 返回第二行
print(df.loc[1])

输出结果如下：

calories    420
duration     50
Name: 0, dtype: int64
calories    380
duration     40
Name: 1, dtype: int64

返回结果其实就是一个 Pandas Series 数据。

4.5 返回多行属性

也可以返回多行数据，使用 [[ ... ]] 格式，... 为各行的索引，以逗号隔开。

import pandas as pd

# 返回DataFrame的多行属性
data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}
# 数据载入到 DataFrame 对象
df = pd.DataFrame(data)
# 返回第一行和第二行
print(df.loc[[0, 1]])

输出结果为：

   calories  duration
0       420        50
1       380        40

4.6 指定索引的值

我们可以指定索引值，例如：

import pandas as pd

# 为DataFrame指定索引值
data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}
df = pd.DataFrame(data, index = ["day1", "day2", "day3"])
# 指定索引
print(df.loc["day2"])

运行结果如下：

calories    380
duration     40
Name: day2, dtype: int64

5. 参考网址

• Pandas 数据结构：https://www.runoob.com/pandas/pandas-dataframe.html