数据结构-DataFrame

DataFrame：Pandas的表格型数据结构

小象实战讲义 · Python数据分析实战

在上一节中，我们学习了Pandas的第一个核心数据结构Series，它是一维的带标签数组。但在实际数据分析工作中，我们面对的大多是二维甚至多维的表格数据。本节将介绍Pandas中最重要的数据结构——DataFrame，它是处理表格数据的核心工具，类似于Excel中的工作表或R语言中的data.frame。

💡 核心导读

• DataFrame是什么：二维表格型数据结构，包含行索引、列索引和实际数据值
• 如何创建DataFrame：通过NumPy数组或Python字典两种主要方式构建
• 数据访问与操作：通过列索引获取数据、新增列、删除列等基本操作
• 重要特性：DataFrame的每列都是一个Series，支持广播机制自动对齐数据

DataFrame的基本概念

DataFrame是Pandas中最常用的数据结构，它是一个二维的、大小可变的、可以存储多种类型数据的表格。你可以把它想象成Excel中的一个工作表，或者数据库中的一张表。

DataFrame由三个核心部分组成：

1. 行索引（index）：标识每一行的标签，位于表格最左侧
2. 列索引（columns）：标识每一列的标签，位于表格最上方
3. 数据值（values）：实际的表格数据，存储在NumPy的多维数组中

     A    B    C    D  ← 列索引（columns）
0  1.0  2.0  3.0  4.0
1  5.0  6.0  7.0  8.0
2  9.0 10.0 11.0 12.0
↑
行索引（index）

DataFrame有一个非常重要的特性：每一列都是一个Series。这意味着当你从DataFrame中提取一列数据时，得到的是一个Series对象，你可以使用所有Series的方法和属性来处理它。

创建DataFrame

Pandas提供了多种创建DataFrame的方式，最常用的两种是通过NumPy数组和通过Python字典。

通过NumPy数组创建

import pandas as pd
import numpy as np

# 创建一个4行3列的随机数组
array_data = np.array([
    [1.0, 2.0, 3.0],
    [4.0, 5.0, 6.0],
    [7.0, 8.0, 9.0],
    [10.0, 11.0, 12.0]
])

# 将NumPy数组转换为DataFrame
df_from_array = pd.DataFrame(array_data)

print("通过NumPy数组创建的DataFrame：")
print(df_from_array)

通过NumPy数组创建的DataFrame：
      0     1     2
0   1.0   2.0   3.0
1   4.0   5.0   6.0
2   7.0   8.0   9.0
3  10.0  11.0  12.0

注意：当我们没有指定行索引和列索引时，Pandas会自动生成从0开始的整数索引。在Jupyter Notebook中，直接输入变量名会显示带样式的表格，而使用print()函数则会输出纯文本格式。

通过字典创建

通过字典创建DataFrame时，字典的键（key）会成为DataFrame的列名，字典的值（value）会成为对应列的数据。

import pandas as pd
import numpy as np

# 通过字典创建DataFrame
dict_data = {
    'A': 1.0,  # 单个数值，会被广播
    'B': pd.Timestamp('2019-01-01'),  # 时间戳类型
    'C': pd.Series([1.0, 1.0, 1.0, 1.0], dtype='float32'),  # Series类型
    'D': np.array([3, 3, 3, 3], dtype='int32'),  # NumPy数组
    'E': ['Python', 'Java', 'C++', 'C#'],  # 字符串列表
    'F': '数据分析'  # 单个字符串，会被广播
}

df_from_dict = pd.DataFrame(dict_data)

print("通过字典创建的DataFrame：")
print(df_from_dict)

通过字典创建的DataFrame：
     A          B    C  D       E     F
0  1.0 2019-01-01  1.0  3  Python  数据分析
1  1.0 2019-01-01  1.0  3    Java  数据分析
2  1.0 2019-01-01  1.0  3     C++  数据分析
3  1.0 2019-01-01  1.0  3      C#  数据分析

这里有一个非常重要的特性：广播（broadcasting）。但要注意它的准确边界：只有标量（单个值）才会被广播——例如列A只有一个值1.0，其他列有4个值，Pandas会自动将1.0重复4次，生成一个长度为4的列。而不等长的列表/数组之间并不会互相”重复对齐”：长度不一致的两个序列传入 DataFrame 会直接抛出 ValueError，需要你自己先对齐长度。

DataFrame的基本属性与方法

创建DataFrame后，我们可以查看它的基本属性和使用一些常用的方法。

import pandas as pd
import numpy as np

# 创建示例DataFrame
df_demo = pd.DataFrame({
    '姓名': ['张三', '李四', '王五', '赵六'],
    '年龄': [25, 30, 35, 28],
    '城市': ['北京', '上海', '广州', '深圳']
})

# 查看列名
print("列名（columns）：", df_demo.columns.tolist())

# 查看行索引
print("行索引（index）：", df_demo.index.tolist())

# 查看数据值（返回NumPy数组）
print("数据值类型：", type(df_demo.values).__name__)
print("数据值形状：", df_demo.values.shape)

# 预览数据：前2行
print("\n前2行数据：")
print(df_demo.head(2))

# 预览数据：后2行
print("\n后2行数据：")
print(df_demo.tail(2))

列名（columns）： ['姓名', '年龄', '城市']
行索引（index）： [0, 1, 2, 3]
数据值类型： ndarray
数据值形状： (4, 3)

前2行数据：
   姓名  年龄  城市
0  张三  25  北京
1  李四  30  上海

后2行数据：
   姓名  年龄  城市
2  王五  35  广州
3  赵六  28  深圳

数据访问与操作

获取列数据

DataFrame在设计上是偏向于列操作的，我们通常先获取列数据，然后再进行其他处理。

import pandas as pd

# 创建示例DataFrame
df_example = pd.DataFrame({
    '姓名': ['张三', '李四', '王五', '赵六'],
    '年龄': [25, 30, 35, 28],
    '城市': ['北京', '上海', '广州', '深圳'],
    '薪资': [15000, 18000, 22000, 16000]
})

# 方法1：使用方括号（推荐）
age_column = df_example['年龄']
print("使用方括号获取'年龄'列：")
print(age_column)
print("数据类型：", type(age_column).__name__)

# 方法2：使用点号（不推荐）
name_column = df_example.姓名
print("\n使用点号获取'姓名'列：")
print(name_column)

# 验证两种方法获取的是否相同
print("\n两种方法获取的列是否相同：", age_column.equals(df_example.年龄))

使用方括号获取'年龄'列：
0    25
1    30
2    35
3    28
Name: 年龄, dtype: int64
数据类型： Series

使用点号获取'姓名'列：
0    张三
1    李四
2    王五
3    赵六
Name: 姓名, dtype: str

两种方法获取的列是否相同： True

重要提示：虽然点号访问在本例中成功（Python 3 允许标识符使用中文字符，df.姓名 是合法写法），但这仍不是推荐的做法。当列名包含空格、特殊字符、运算符，或与 DataFrame 的已有方法/属性重名（如 count、index）时，点号访问会失效或产生歧义。使用方括号访问对所有列名都安全可靠。

新增列数据

向DataFrame中添加新列非常简单，就像给字典添加新的键值对一样。

import pandas as pd

# 创建示例DataFrame
df_employee = pd.DataFrame({
    '姓名': ['张三', '李四', '王五', '赵六'],
    '年龄': [25, 30, 35, 28],
    '城市': ['北京', '上海', '广州', '深圳']
})

print("原始DataFrame：")
print(df_employee)

# 新增一列数据
df_employee['薪资'] = [15000, 18000, 22000, 16000]
print("\n新增'薪资'列后：")
print(df_employee)

# 新增计算列
df_employee['年薪'] = df_employee['薪资'] * 12
print("\n新增计算列'年薪'后：")
print(df_employee)

原始DataFrame：
   姓名  年龄  城市
0  张三  25  北京
1  李四  30  上海
2  王五  35  广州
3  赵六  28  深圳

新增'薪资'列后：
   姓名  年龄  城市     薪资
0  张三  25  北京  15000
1  李四  30  上海  18000
2  王五  35  广州  22000
3  赵六  28  深圳  16000

新增计算列'年薪'后：
   姓名  年龄  城市     薪资      年薪
0  张三  25  北京  15000  180000
1  李四  30  上海  18000  216000
2  王五  35  广州  22000  264000
3  赵六  28  深圳  16000  192000

删除列数据

删除列数据有两种常用方法：使用drop()方法和使用Python的del关键字。

import pandas as pd

# 创建演示数据
df_for_delete = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12],
    'D': [13, 14, 15, 16],
    'E': [17, 18, 19, 20]
})

print("原始DataFrame：")
print(df_for_delete)

# 方法1：使用drop()方法（返回新DataFrame，原数据不变）
df_dropped = df_for_delete.drop(columns=['B', 'D'])
print("\n使用drop()删除B和D列后（新DataFrame）：")
print(df_dropped)

print("\n原始DataFrame（未改变）：")
print(df_for_delete)

# 方法2：使用del关键字（直接修改原DataFrame）
del df_for_delete['C']
print("\n使用del删除C列后（原DataFrame被修改）：")
print(df_for_delete)

原始DataFrame：
   A  B   C   D   E
0  1  5   9  13  17
1  2  6  10  14  18
2  3  7  11  15  19
3  4  8  12  16  20

使用drop()删除B和D列后（新DataFrame）：
   A   C   E
0  1   9  17
1  2  10  18
2  3  11  19
3  4  12  20

原始DataFrame（未改变）：
   A  B   C   D   E
0  1  5   9  13  17
1  2  6  10  14  18
2  3  7  11  15  19
3  4  8  12  16  20

使用del删除C列后（原DataFrame被修改）：
   A  B   D   E
0  1  5  13  17
1  2  6  14  18
2  3  7  15  19
3  4  8  16  20

重要注意事项：drop()方法默认返回一个新的DataFrame，而不会修改原始数据。如果你想保留删除后的结果，必须用一个新变量来接收返回值。这是Pandas新手常犯的错误之一。

📝 动手练一练

1. 概念辨析：DataFrame和Series之间有什么关系？从DataFrame中提取一列数据会得到什么类型的数据？

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
col_a = df['A']
print(type(col_a).__name__)  # 输出：Series

Series

2. 动手实践：创建一个包含学生信息的DataFrame，包含”姓名”、“成绩”、“班级”三列，然后：
   • 新增一列”等级”，根据成绩判断（≥90为”A”，≥80为”B”，其他为”C”）
   • 删除”班级”列
   • 查看处理后的DataFrame

import pandas as pd

# 创建学生信息DataFrame
df_students = pd.DataFrame({
    '姓名': ['小明', '小红', '小刚', '小丽'],
    '成绩': [85, 92, 78, 88],
    '班级': ['一班', '一班', '二班', '二班']
})

print("原始数据：")
print(df_students)

# 新增等级列
def get_grade(score):
    if score >= 90:
        return 'A'
    elif score >= 80:
        return 'B'
    else:
        return 'C'

df_students['等级'] = df_students['成绩'].apply(get_grade)

# 删除班级列
df_final = df_students.drop(columns=['班级'])

print("\n处理后的数据：")
print(df_final)

原始数据：
   姓名  成绩  班级
0  小明  85  一班
1  小红  92  一班
2  小刚  78  二班
3  小丽  88  二班

处理后的数据：
   姓名  成绩 等级
0  小明  85  B
1  小红  92  A
2  小刚  78  C
3  小丽  88  B

本章小结

本节我们学习了Pandas中最重要的数据结构——DataFrame。DataFrame是二维表格型数据，由行索引、列索引和数据值三部分组成，是数据分析工作中最常用的数据结构。

📋 行动清单

• 尝试使用NumPy数组和Python字典两种方式创建DataFrame
• 练习从DataFrame中提取列数据，并验证提取结果确实是Series类型
• 掌握新增列和删除列的基本操作，特别注意drop()方法不会修改原数据
• 理解DataFrame的广播机制，尝试创建数据长度不一致的字典并观察Pandas如何处理

DataFrame是Pandas的核心，后续的数据清洗、统计分析、可视化等操作都建立在DataFrame的基础上。下一节我们将学习如何对DataFrame进行更复杂的索引和切片操作。

—— 小象教研组