python字典转dataframe_Pandas数据帧（DataFrame）

数据帧(DataFrame)是二维数据结构，即数据以行和列的表格方式排列。

数据帧(DataFrame)的功能特点：

• 潜在的列是不同的类型
• 大小可变
• 标记轴(行和列)
• 可以对行和列执行算术运算

结构体

假设要创建一个包含学生数据的数据帧。参考以下图示 -

可以将上图表视为SQL表或电子表格数据表示。

pandas.DataFrame

pandas中的DataFrame可以使用以下构造函数创建 -

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

构造函数的参数如下 -

1 data 数据采取各种形式，如:ndarray，series，map，lists，dict，constant和另一个DataFrame。

2 index 对于行标签，要用于结果帧的索引是可选缺省值np.arrange(n)，如果没有传递索引值。

3 columns 对于列标签，可选的默认语法是 - np.arange(n)。 这只有在没有索引传递的情况下才是这样。

4 dtype 每列的数据类型。

5 copy 如果默认值为False，则此命令(或任何它)用于复制数据。

创建DataFrame

Pandas数据帧(DataFrame)可以使用各种输入创建，如 -

• 列表
• 字典
• 系列
• Numpy ndarrays
• 另一个数据帧(DataFrame)

在本章的后续章节中，我们将看到如何使用这些输入创建数据帧(DataFrame)。

创建一个空的DataFrame

创建基本数据帧是空数据帧。

示例

#import the pandas library and aliasing as pdimport pandas as pddf = pd.DataFrame()print dfPython

执行上面示例代码，得到以下结果 -

Empty DataFrameColumns: []Index: []Shell

从列表创建DataFrame

可以使用单个列表或列表列表创建数据帧(DataFrame)。

实例-1

import pandas as pddata = [1,2,3,4,5]df = pd.DataFrame(data)print dfPython

执行上面示例代码，得到以下结果 -

 00 11 22 33 44 5Shell

实例-2

import pandas as pddata = [['Alex',10],['Bob',12],['Clarke',13]]df = pd.DataFrame(data,columns=['Name','Age'])print dfPython

执行上面示例代码，得到以下结果 -

 Name Age0 Alex 101 Bob 122 Clarke 13Shell

实例-3

import pandas as pddata = [['Alex',10],['Bob',12],['Clarke',13]]df = pd.DataFrame(data,columns=['Name','Age'],dtype=float)print dfPython

执行上面示例代码，得到以下结果 -

 Name Age0 Alex 10.01 Bob 12.02 Clarke 13.0Shell

注意 - 可以观察到，dtype参数将Age列的类型更改为浮点。

从ndarrays/Lists的字典来创建DataFrame

所有的ndarrays必须具有相同的长度。如果传递了索引(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，索引将为range(n)，其中n为数组长度。

实例-1

import pandas as pddata = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}df = pd.DataFrame(data)print dfPython

执行上面示例代码，得到以下结果 -

 Age Name0 28 Tom1 34 Jack2 29 Steve3 42 RickyShell

注 - 观察值0,1,2,3。它们是分配给每个使用函数range(n)的默认索引。

示例-2

使用数组创建一个索引的数据帧(DataFrame)。

import pandas as pddata = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}df = pd.DataFrame(data, index=['rank1','rank2','rank3','rank4'])print dfPython

执行上面示例代码，得到以下结果 -

 Age Namerank1 28 Tomrank2 34 Jackrank3 29 Steverank4 42 RickyShell

注意 - index参数为每行分配一个索引。

从列表创建数据帧DataFrame

字典列表可作为输入数据传递以用来创建数据帧(DataFrame)，字典键默认为列名。

实例-1

以下示例显示如何通过传递字典列表来创建数据帧(DataFrame)。

import pandas as pddata = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]df = pd.DataFrame(data)print dfPython

执行上面示例代码，得到以下结果 -

 a b c0 1 2 NaN1 5 10 20.0Shell

注意 - 观察到，NaN(不是数字)被附加在缺失的区域。

示例-2

以下示例显示如何通过传递字典列表和行索引来创建数据帧(DataFrame)。

import pandas as pddata = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]df = pd.DataFrame(data, index=['first', 'second'])print dfPython

执行上面示例代码，得到以下结果 -

 a b cfirst 1 2 NaNsecond 5 10 20.0Shell

实例-3

以下示例显示如何使用字典，行索引和列索引列表创建数据帧(DataFrame)。

import pandas as pddata = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]#With two column indices, values same as dictionary keysdf1 = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b'])#With two column indices with one index with other namedf2 = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b1'])print df1print df2Python

执行上面示例代码，得到以下结果 -

#df1 output a bfirst 1 2second 5 10#df2 output a b1first 1 NaNsecond 5 NaNShell

注意 - 观察，df2使用字典键以外的列索引创建DataFrame; 因此，附加了NaN到位置上。 而df1是使用列索引创建的，与字典键相同，所以也附加了NaN。

从系列的字典来创建DataFrame

字典的系列可以传递以形成一个DataFrame。 所得到的索引是通过的所有系列索引的并集。

示例

import pandas as pdd = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}df = pd.DataFrame(d)print df`Python

执行上面示例代码，得到以下结果 -

 one twoa 1.0 1b 2.0 2c 3.0 3d NaN 4Shell

注意 - 对于第一个系列，观察到没有传递标签'd'，但在结果中，对于d标签，附加了NaN。

现在通过实例来了解列选择，添加和删除。

列选择

下面将通过从数据帧(DataFrame)中选择一列。

示例

import pandas as pdd = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}df = pd.DataFrame(d)print df ['one']Python

执行上面示例代码，得到以下结果 -

a 1.0b 2.0c 3.0d NaNName: one, dtype: float64Shell

列添加

下面将通过向现有数据框添加一个新列来理解这一点。

示例

import pandas as pdd = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}df = pd.DataFrame(d)# Adding a new column to an existing DataFrame object with column label by passing new seriesprint ("Adding a new column by passing as Series:")df['three']=pd.Series([10,20,30],index=['a','b','c'])print dfprint ("Adding a new column using the existing columns in DataFrame:")df['four']=df['one']+df['three']print dfPython

执行上面示例代码，得到以下结果 -

Adding a new column by passing as Series: one two threea 1.0 1 10.0b 2.0 2 20.0c 3.0 3 30.0d NaN 4 NaNAdding a new column using the existing columns in DataFrame: one two three foura 1.0 1 10.0 11.0b 2.0 2 20.0 22.0c 3.0 3 30.0 33.0d NaN 4 NaN NaNShell

列删除

列可以删除或弹出; 看看下面的例子来了解一下。

例子

# Using the previous DataFrame, we will delete a column# using del functionimport pandas as pdd = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),  'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']),  'three' : pd.Series([10,20,30], index=['a','b','c'])}df = pd.DataFrame(d)print ("Our dataframe is:")print df# using del functionprint ("Deleting the first column using DEL function:")del df['one']print df# using pop functionprint ("Deleting another column using POP function:")df.pop('two')print dfPython

执行上面示例代码，得到以下结果 -

Our dataframe is: one three twoa 1.0 10.0 1b 2.0 20.0 2c 3.0 30.0 3d NaN NaN 4Deleting the first column using DEL function: three twoa 10.0 1b 20.0 2c 30.0 3d NaN 4Deleting another column using POP function: threea 10.0b 20.0c 30.0d NaNShell

行选择，添加和删除

现在将通过下面实例来了解行选择，添加和删除。我们从选择的概念开始。

标签选择

可以通过将行标签传递给loc()函数来选择行。参考以下示例代码 -

import pandas as pdd = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),  'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}df = pd.DataFrame(d)print df.loc['b']Python

执行上面示例代码，得到以下结果 -

one 2.0two 2.0Name: b, dtype: float64Shell

结果是一系列标签作为DataFrame的列名称。 而且，系列的名称是检索的标签。

按整数位置选择

可以通过将整数位置传递给iloc()函数来选择行。参考以下示例代码 -

import pandas as pdd = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}df = pd.DataFrame(d)print df.iloc[2]Python

执行上面示例代码，得到以下结果 -

one 3.0two 3.0Name: c, dtype: float64Shell

行切片

可以使用:运算符选择多行。参考以下示例代码 -

import pandas as pdd = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),  'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}df = pd.DataFrame(d)print df[2:4]Python

执行上面示例代码，得到以下结果 -

 one twoc 3.0 3d NaN 4Shell

附加行

使用append()函数将新行添加到DataFrame。 此功能将附加行结束。

import pandas as pddf = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])df = df.append(df2)print dfPython

执行上面示例代码，得到以下结果 -

 a b0 1 21 3 40 5 61 7 8Shell

删除行

使用索引标签从DataFrame中删除或删除行。 如果标签重复，则会删除多行。

如果有注意，在上述示例中，有标签是重复的。这里再多放一个标签，看看有多少行被删除。

import pandas as pddf = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])df = df.append(df2)# Drop rows with label 0df = df.drop(0)print dfPython

执行上面示例代码，得到以下结果 -

 a b1 3 41 7 8Shell

在上面的例子中，一共有两行被删除，因为这两行包含相同的标签0。

原文出自【易百教程】，商业转载请联系作者获得授权，非商业转载请保留原文链接：https://www.yiibai.com/pandas/python_pandas_dataframe.html