文章目錄

• • • • • 1、什么是表格？
        • 2、DataFrame類型
        • 3、Series類型
        • 本系列教程教程完整目錄：

1、什么是表格？

月份姓名性別應發工資實發工資職位

0	1	張三	男	2000	1500	主犯
1	2	張三	男	2000	1000	主犯
2	3	張三	女	2000	15000	主犯
3	4	張三	女	2000	1500	主犯
4	5	張三	女	2000	1500	主犯
5	2	李四	男	1800	1300	從犯
6	3	李四	男	1800	1300	從犯
7	4	李四	男	1800	1300	從犯
8	5	李四	男	1800	1300	從犯
9	1	王五	女	1800	1300	龍套
10	2	王五	女	1800	1300	龍套
11	3	王五	女	1800	1300	龍套
12	4	王五	女	1800	1300	龍套

以上表為例，按照一般的理解，表格一般包含以下屬性：

• 表頭：即上表中的 ”月份，姓名，性別，應發工資，實發工資，職位“。

  注意，這里第一列的空白處照常而言也是一個表頭，不過在Pandas中它有另外的含義。

• 數據主體：從第二行第一列開始，到右下角的”龍套“，這一塊區域全部是表格的數據主體。

  • 表格行與列：行與列是包含在數據主體中的部分。

• 索引列：這是Pandas專門設計的一個部分，設置它一方面為了定位方便，另一方面它也有利于復雜表格的操作，今后會講到。

2、DataFrame類型

現在我們先用Pandas錄入上述表格數據：

import pandas as pd df = pd.DataFrame({'月份': [1,2,3,4,5,2,3,4,5,1,2,3,4],'姓名':['張三','張三','張三','張三','張三','李四','李四','李四','李四','王五','王五','王五','王五'],'性別':['男','男','女','女','女','男','男','男','男','女','女','女','女'],'應發工資':[2000,2000,2000,2000,2000,1800,1800,1800,1800,1800,1800,1800,1800],'實發工資':[1500,1000,15000,1500,1500,1300,1300,1300,1300,1300,1300,1300,1300],'職位':['主犯','主犯','主犯','主犯','主犯','從犯','從犯','從犯','從犯','龍套','龍套','龍套','龍套'] })

結果：

df月份 姓名 性別 應發工資 實發工資 職位 0 1 張三 男 2000 1500 主犯 1 2 張三 男 2000 1000 主犯 2 3 張三 女 2000 15000 主犯 3 4 張三 女 2000 1500 主犯 4 5 張三 女 2000 1500 主犯 5 2 李四 男 1800 1300 從犯 6 3 李四 男 1800 1300 從犯 7 4 李四 男 1800 1300 從犯 8 5 李四 男 1800 1300 從犯 9 1 王五 女 1800 1300 龍套 10 2 王五 女 1800 1300 龍套 11 3 王五 女 1800 1300 龍套 12 4 王五 女 1800 1300 龍套

上述代碼的內容很容易理解，首先是將pandas庫導入并將設別名為pd，其次再是調用DataFrame的構造函數實例化該對象，并賦值給df。這里表格的信息我們是采用dict的格式錄入的。

另外觀察到另一個問題，在錄入數據時并沒有提供第一列0,...,12這些數據，但df變量就自動有了上述內容。這一列就是表格的索引列。

那么此時再來對照表格認識一下DataFrame的各個基本屬性。

# 表頭 df.columnsIndex(['月份', '姓名', '性別', '應發工資', '實發工資', '職位'], dtype='object') # 索引 df.indexRangeIndex(start=0, stop=13, step=1) # 數據主體 df.valuesarray([[1, '張三', '男', 2000, 1500, '主犯'],[2, '張三', '男', 2000, 1000, '主犯'],[3, '張三', '女', 2000, 15000, '主犯'],[4, '張三', '女', 2000, 1500, '主犯'],[5, '張三', '女', 2000, 1500, '主犯'],[2, '李四', '男', 1800, 1300, '從犯'],[3, '李四', '男', 1800, 1300, '從犯'],[4, '李四', '男', 1800, 1300, '從犯'],[5, '李四', '男', 1800, 1300, '從犯'],[1, '王五', '女', 1800, 1300, '龍套'],[2, '王五', '女', 1800, 1300, '龍套'],[3, '王五', '女', 1800, 1300, '龍套'],[4, '王五', '女', 1800, 1300, '龍套']], dtype=object)

這里可以看到，表頭是Index類型（Pandas類型），索引列是RangeIndex類型，values則是普通的array類型。前面兩個類型在用到的時候我們再介紹，如果好奇的話可以先點擊鏈接自行查看。

接下來再簡單查看一下df中的變量類型：

df.dtypes月份 int64 姓名 object 性別 object 應發工資 int64 實發工資 int64 職位 object dtype: object

這里除了各列的類型以外，還包括一個它自己的類型object。

3、Series類型

先看一個例子：

ss=df['姓名']type(ss) pandas.core.series.Seriesss0 張三 1 張三 2 張三 3 張三 4 張三 5 李四 6 李四 7 李四 8 李四 9 王五 10 王五 11 王五 12 王五 Name: 姓名, dtype: object

結合DataFrame的構造函數的用法其實可以做出合理推測 – 它的索引方式應該和dict類似。上述代碼即證實了這一點，但仔細觀察第3-4行，可以看到取出姓名這一列之后的對象變成了Series。它是Pandas中另外一個重要的數據結構。

Series對象的結構實際上與DataFrame基本一致，唯一不同的在于Series的數據主體只有一維，而DataFrame的數據可以有多維。 一種簡單的理解方式是：Series是一個表的一列，同時它帶有Index類型的屬性。作為表的一列，它自然也有’表頭’，不過此時它不再叫column而是叫name.

ss.name '姓名'

自然地，Series通常也可以直接轉換為DataFrame，如：

ds = pd.DataFrame(ss)type(ds) pandas.core.frame.DataFrame

或者直接調用方法：

type(ss.to_frame()) pandas.core.frame.DataFrame

然而，這里需要注意的是，由多個Series轉回DataFrame時則稍嫌麻煩。可能有同學容易想到以下的方式：

ss1 = df['月份']ss2 = df['姓名']pd.DataFrame([ss1,ss2])0 1 2 3 4 5 6 7 8 9 10 11 12 月份 1 2 3 4 5 2 3 4 5 1 2 3 4 姓名 張三 張三 張三 張三 張三 李四 李四 李四 李四 王五 王五 王五 王五

注意，此時表格沒有變成原來的形狀，而對應的信息屬性其實也發生了變化。”月份“，”姓名“都變成了索引Index，而上面的數字此時其實仍然是屬性。關于這個問題后面講操作的時候再討論，這里先直接給出正確的做法：

dd = pd.DataFrame({ ss1.name: ss1.values,ss2.name: ss2.values} )dd月份 姓名 0 1 張三 1 2 張三 2 3 張三 3 4 張三 4 5 張三 5 2 李四 6 3 李四 7 4 李四 8 5 李四 9 1 王五 10 2 王五 11 3 王五 12 4 王五

這種做法是最為操守的，其思路是利用Series中對應的信息先構造一個dict，再利用dict生成DataFrame。當然還可以這樣做：

dd2 = pd.DataFrame()dd2[ss1.name] = ss1.valuesdd2[ss2.name] = ss2.valuesdd2月份 姓名 0 1 張三 1 2 張三 2 3 張三 3 4 張三 4 5 張三 5 2 李四 6 3 李四 7 4 李四 8 5 李四 9 1 王五 10 2 王五 11 3 王五 12 4 王五

如果熟悉Python的基本數據結構及其操作的情況下，也可以靈活地處理更為復雜的情況，這里不再贅述。

當然還有更多靈活的操作，可以參考相關資料，如：

pandas中Series，DataFrame的連接（拼接）

更多神奇的操作還可以在官方文檔中看到：Merge, join, and concatenate

本系列教程教程完整目錄：

一、Pandas簡介與安裝

二、Pandas基本數據結構-DataFrame與Series

三、Pandas文件讀寫

四、Pandas數據索引方式

五、Pandas簡單統計操作及通用方式

六、Pandas條件查詢

七、Pandas缺失數據的處理（數據清洗基礎）

八、Pandas數據透視表

九、表的合并、連接、拼接（數據聚合基礎）

總結

以上是生活随笔為你收集整理的Pandas简明教程：二、Pandas基本数据结构-DataFrame与Series的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。