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、布尔值等）。
DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）。跟他类似的数据结构相比,DataFrame面向行和列的操作基本上是平衡的。
DataFrame中的数据是以一个或多个二维块存放的（并不像列表、字典或别的一维数据结构）。
1.png
从结果可以看出，DataFrame会自动加上索引（跟Series一样），且全部列会被有序排列。
如果指定了列序列，则DataFrame的列会按照指定顺序进行排列：
2.png
DataFrame跟Series一样，如果传入的列在数据中找不到，就会产生NA值：
3.png
4.png
从上面的例子可以看出，返回的Series拥有原DataFrame相同的索引，且name属性也被相应地设置好。
5.png
6.png
7.png
将列表或数组赋值给某个列时，其长度必须跟DataFrame的长度相匹配。如果赋值的是一个Series，就会精确匹配DataFrame的索引，所有的空位都将被填上缺失值NaN：
8.png
为不存在的列赋值会创建出一个新列。关键字del用于删除列：
9.png
注意：Series会直接修改源DataFrame上的数据。
另一种数据形式：嵌套字典（字典的字典）
1.png
内层字典的键会被合并、排序以形成最终的索引。如果显式指定索引，则按指定的排序：
2.png
由Series组成的字典：
3.png
下面列出了DataFrame构造函数所能接受的各种数据：
4.png
设置DataFrame的index和columns的name属性：
5.png
设置values属性，以二维ndarray的形式返回DataFrame中的数据：
6.png
如果DataFrame各列的数据类型不同，则值数组的数据类型会选用能兼容所有列的数据类型：
7.png
索引对象
pandas的索引对象负责管理轴标签和其他元素数据（比如轴名称等）。构建Series或DataFrame时，所用到的任何数组或其他序列的标签都会转换成一个Index：
1.png
Index对象是不可修改：
2.png
Index对象是不可修改才能保证Index对象在多个数据结构之间安全共享：
3.png
Index的功能类似一个固定大小的集合：
4.png
下面列出了Index的方法和属性：
5.png
# coding: utf-8
# In[1]:
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
# 构建DataFrame
data = {'province':['Guangdong','Shandong','Henan','Guangdong','Shandong','Henan'],
'year':[2016,2016,2016,2013,2013,2013],
'pop':[10999,9946.64,9532.42,10644,9733,9413]}
frame = DataFrame(data)
print (frame)
# In[2]:
# 指定列序列
fr = DataFrame(data,columns=['year','province','pop'])
print(fr)
# In[3]:
frame2 = DataFrame(data,columns=['year','province','pop','growth rate'],
index=['one','two','three','four','five','six'])
print(frame2)
# In[4]:
print(frame2.columns)
# In[5]:
print(frame2['province'])
# In[6]:
print(frame.year)
# In[7]:
# ix获取行内容
ro = frame2.ix['three']
print(ro)
# In[8]:
# .loc(基于标签的索引）
print(frame2.loc[['three']])
# In[9]:
# .iloc(位置索引)
A = frame2.iloc[[2,4],frame2.columns.get_indexer(['province','pop'])]
print(A)
# In[10]:
# 通过赋值的方式修改列
frame2['growth rate'] = '--'
print (frame2)
# In[11]:
frame2['growth rate'] = '%20'
print (frame2)
# In[12]:
frame2['growth rate'] = np.arange(6)
print (frame2)
# In[13]:
# 赋值一个Series
val = Series([4,3,2],index=['two','four','six'])
frame2['growth rate'] = val
print(frame2)
# In[14]:
# 为不存在的列赋值
frame2['north'] = frame2.province == 'Shandong'
print(frame2)
# In[15]:
# 使用关键字del删除列
del frame2['north']
print(frame2)
# In[16]:
# 嵌套字典
pop = {'Guangdong':{2016:10999,2013:10644},
'Shandong':{2016:9946.64,2015:9847.2,2013:9733}}
frame3 = DataFrame(pop)
print (frame3)
# In[17]:
# 对结果转置
print(frame3.T)
# In[18]:
# 指定索引
f = DataFrame(pop,index=[2016,2013,2010])
print(f)
# In[19]:
print(frame3)
# In[20]:
# 由Series组成的字典
pdata = {'Guangdong':frame3['Guangdong'][1:],
'Shandong':frame3['Shandong'][1:3]}
d = DataFrame(pdata)
print(d)
# In[21]:
# 设置DataFrame的index和columns的name属性
frame3.index.name = 'year';frame3.columns.name = 'province'
print(frame3)
# In[22]:
# 设置values属性
print(frame3.values)
# In[23]:
print(frame2)
# In[24]:
print(frame2.values)
# In[25]:
# 索引对象
obj = Series(range(3),index=['a','b','c'])
index = obj.index
print(index)
# In[26]:
inre = index[1:]
print(inre)
# In[27]:
# Index对象是不可修改：
index[1] = 'd'
# In[28]:
index = pd.Index(np.arange(3))
print(index)
# In[29]:
obj2 = Series([1.5,-2.5,0],index = index)
print(obj2)
# In[30]:
obj2.index is index
# In[31]:
print(frame3)
# In[32]:
'Guangdong' in frame3.columns
# In[33]:
2012 in frame3.index
