pandas数据类型之DataFrame-创新互联

Python官网：https://www.python.org/

这里，才python前沿。可惜是英文原版。所以，我要练习英文阅读。🧐🧐

我的主页
My Python 学习个人备忘录
我的HOT博
老齐教室

自学并不是什么神秘的东西，一个人一辈子自学的时间总是比在学校学习的时间长，没有老师的时候总是比有老师的时候多。

——华罗庚

网站建设哪家好，找成都创新互联！专注于网页设计、网站建设、微信开发、成都微信小程序、集团企业网站建设等服务项目。为回馈新老客户创新互联还提供了雁峰免费建站欢迎大家使用！

本篇学习笔记，需要有list、dict数据类型基础打底，如您还没了解请先行学习。如继续下看，可能有些“吃力”。另：这是 DataFrame 的第二个数据类型，要有 DataFrame 的第一个数据类型 Series 的知识打底，请点击蓝色超链接文字跳转查看。

笔记：pandas 数据类型之 DataFrame

pandas 作为 python的数据处理模块，她是支持 python 的全部数据类型的，也同样可以定义自己的类。但pandas 还有两个自己的数据类型 Series、DataFrame，让数据在 pandas 中处理变得更得心应手。想要用 python 来处理数据，一定要“吃透” 这两个数据类型。

一、DataFrame 实例创建

默认创建(数据直接生成 DatsFrame )
用姓名字符串重置索引
用 date 重置 columns
index、columns 都可以在创建 DataFrame 时设置

二、用 dict、Series 创建 DataFrame 实例

Dict 创建
Series 创建
dict 套 dict 创建
索引 index
a. 创建同时设置 index
b. 重置 index
列序 columns

* list.append() 花絮三、插入行列

dict 同时插入行列
Series 插入列
追加空列并整列赋值

四、赋值

整列赋值
a. 等长依次赋值
b. 整列赋同一值
单个精准赋值
a. 字典列表式赋值
b. loc 方法选择赋值

四、df.loc 方法条件筛选

NAN空值判定
条件筛选

五、本笔记完整代码

回首页

例子原始数据：六名学生每天跳绳练习个数记录(4月9日至4月13，5天)。

Tom = 453, 307, 618, 742, 267
Rose = 303, 421, 512, 289, 306
John = 367, 431, 519, 279, 336
Anna = 273, 391, 512, 289, 306
Duo = 283, 371, 507, 243, 323
Liuyi = 347, 291, 472, 329, 345

数据初处理：

数据整合成一个列表，姓名字符列表准备好用来重置索引。
globals() 从全局变量名字典中列表解析 names 中的变量名字符串 ( locals() 当前变量函数和 dir() 也可以从当前作用域中获取变量名字符串，前者是跟 globals() 一样是字典，后者是列表)。
直接对字典用一个变量遍历，就是对 key 操作(同时两个变量遍历字典，变量接收的依次是 key、value，类 doct.iters() 字典视图。)，key 即是 globles() 获取的变量名字符串。

names = [Tom, Rose, John, Anna, Duo, Liuyi]
gb = globals() # 全局变量字典获取函数取别名，简化后续语句，方便读写。
names_str = [i for i in gb if gb[i] in names] # if 语句意即全局变量字典中 i 字符名称对应的变量在 names 中就解析出该字符串。

一、DataFrame 实例创建

默认创建

df = pd.DataFrame(names) # 1、数据直接生成 DatsFrame 。
print(f"\n\n{' 1、数据直接生成 DatsFrame ':-^34}\n\n{df}")

运行效果

在这里插入图片描述

默认定义没有设置特定索引，按照惯例( Series 中已经形成的惯例)索引就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构(类似 excel 或者 mysql 中的查看效果)。

回首页

用姓名字符串重置索引。

注意：“用 df.index = ”重置索引，index 序列元素一定要与 DataFrame 的行数匹配，否则报错。但，创建时设置，可以“短长”少的行被舍去，多的无值为空(NaN)。

df.index = names_str # 2、用姓名字符重置索引。
print(f"\n\n{' 2、用姓名字符设置索引 ':-^31}\
\n{cut_line()}{names_str}{cut_line()}{df}")

运行效果

在这里插入图片描述

回首页

用 date 重置 columns

代码

date = [f'{i}日' for i in range(9, 14)] # 准备日期列表。
df.columns = date # 三、用 date 设置 columns
print(f"\n\n{' 3、用 date 设置 columns ':-^37}\
\n{cut_line()}{date}{cut_line()}{df}")

运行效果

在这里插入图片描述
至此，终于有了数据的样子。😝
每一行为一个学生的跳绳练习数据，每一列为每日跳绳练习各个学生跳绳练习数据，这才是一个有实际意义的二维数据表格的样子。

回首页

在创建 DataFrme 时，是可以直接设置 index 和 columns 的咯。

代码

df01 = pd.DataFrame(names, index=names_str)
df02 = pd.DataFrame(names, columns=date)
df03 = pd.DataFrame(names, columns=date, index=names_str)
print(f"\n\n{cut_line()}{'':>4}在创建 DataFrme 时，是可以直接设置 index 和 columns的。\
{cut_line()}只设置 index：\n\n{df01}{cut_line()}\
{cut_line()}只设置 columns：\n\n{df02}{cut_line()}\
同时设置 index、columns：\n\n{df03}{cut_line()}")

运行效果

在这里插入图片描述

回首页

二、用 dict、Series 创建 DataFrame 实例 1.Dict 创建

使用 dict 定义。这是定义一个 DataFrame 对象的常用方法。字典的“键”( names、date )就是 DataFrame 的 index、columns 的值(名称)，字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。

代码

# columns = date, index = names_str
data_dict_d = {x: y for x, y in zip(date, data_date)} # 解析每日学生数据字典。
df_dict_d = pd.DataFrame(data_dict_d, index=names_str)

# columns = names_str, index = date
data_dict_n = {x: y for x, y in zip(names_str, names)} # 解析每日学生数据字典。
df_dict_n = pd.DataFrame(data_dict_n, index=date)

运行效果

在这里插入图片描述

回首页

2.Series 创建

代码

# columns = date, index = names_str
data_S_name = [pd.Series(i, index=date) for i in names] # 解析 Series 数据列表。
df_S_n = pd.DataFrame(data_S_name, index=names_str)

# columns = names_str, index = date
data_S_date = [pd.Series(i, index=names_str) for i in data_date] # 解析 Series 数据列表。
df_S_d = pd.DataFrame(data_S_date, index=date)

运行效果

在这里插入图片描述

如上试验，可以看出，dict、Series 创建 DataFrame 实例，效果完全一样。用行或者列表示一个人的数据，都是可以的。

3.Series 创建

代码

定义 DataFrame 的方法，除了 dict、Series，还可以用字典套字典创建 DataFrame。
在字典中就规定好行列名称(第一层键)和每横行索引(第二层字典键)以及对应的数据(第二层字典值)，也就是在字典中规定好了每个数据格子中的数据。

嵌套字典生成代码

d = data_dict_d # 每日数据字典变量起别名，简短代码语句。
dd = {} # 嵌套字典：{date: {name: 数据}}。
for x, y in zip(date, d): # 生成外层字典键。
    tem = {} # 外层字典值，内层字典。
    for m,n in zip(names_str, d.get(y)):
        	tem[m] = n # 内层字典赋值。
    dd[x] = tem # 外层字典赋值。

代码

df = pd.DataFrame(dd) # dict 套 dict 创建 Dataframe 。
print(f"\n\n{' 3、dict 套 dict 创建 Dataframe ':-^37}\
{cut_line()}嵌套字典：\n\n{dd}\
{cut_line()}创建的 Dataframe：\n\n{df}{cut_line()}") # 在字典中就规定好行列名称(第一层键)和每横行索引(第二层字典键)以及对应的数据(第二层字典值)，也就是在字典中规定好了每个数据格子中的数据。

运行效果

在这里插入图片描述

回首页

3.索引 index

a.创建同时设置 index

字典创建时设置，Series创建时设置

b.重置 index

代码

print(f"{cut_line()}当前 DataFrame：\n\n{df}")
tem = df.copy()
tem.index = list('ABCDEF')
print(f"\n\n用{list('ABCDEF')}设置 index：\n\n{tem}")
tem.index = list('abcde') + ['Tom']
print(f"\n\n重置 index 不可以“自动对齐”：\n\n{tem}{cut_line()}")

运行效果

在这里插入图片描述

重置 index不可以“自动对齐”，是按照 df.index = 后面的序列排序。注意：跟定义 DataFrame 一样，
index 序列的元素个数必须匹配行数，否则报错。

回首页

4.列序 columns

列序 columns 的重置和定义时设置：日期、姓名设置，与 index 类似，这里就不再赘述(点击蓝色超链接文字可以查看)。

回首页

list.append() 花絮

在 DataFrame 的参数中index=list.append()，可以得到想要的结果。
在这里，好像打破了 list.append() 没能返回值的“神话🧐🧐”。
打断点查看，list 也是成功追加新元素的，DataFrome 也是得到了新增元素的 list 赋值 index 的。

在这里插入图片描述

回首页

三、插入行、列14日新数据

new_data = {'Anna': 337, 'Tom': 403, 'Rose': 567, 'Liuquan': 453} # 4月14日数据。

1.同时插入行列

代码

old_names_str = names_str[:] # append() 前names-str 副本。
dd['14日']=new_data # 新数据添加到嵌套字典。
df_new_dict = pd.DataFrame(dd, index=names_str.append('Liuquan'),
 columns=list(df.columns).append('14日'))
print(f"{cut_line()}原姓名列表：\n\n{old_names_str}\
\n\n在 DataFrame 中 执行 index=names_str.append('Liuquan') 后的 names_str ：\n{names_str}{cut_line()}")
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 追加新数据的嵌套字典新建 DataFrame ':-^29}\n\n{df_new_dict}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}")

运行效果

在这里插入图片描述

用追加新数据的嵌套字典重建 DataFrame ，新的行、列都可以得到保存。

回首页

2.插入列

代码

# 插入列
new_Series = pd.Series(new_data) # 4月17日数据打包成 Series 。注意：参数只能是列表或一层字典，因为 Series 是一维数组。
df_new_S = df.copy() # DataFrame 对象复制。
df_new_S['14日'] = new_Series # 追加 Series 到 DataFrame 。
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 数据创建 Seroies，字典式赋值追加 ':-^29}\n\n{df_new_S}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}")

运行效果

在这里插入图片描述

如您所见，Series 追加数据虽然方便快捷，但不可以新增行索引，不匹配 index 的数据将被舍弃。DataFrame 新建实例确是可以定义多于原数据的索引的。这，就需要根据追加的数据选择了。当然，我更喜欢 Series。

回首页

3.追加空列并整列赋值

代码

df = df_new_dict.copy() # DataFrame 对象复制。
print(f"{cut_line()}当前 DataFrame：\n\n{df}")
df['15日'] = pd.Series() # 添加空列。
print(f"\n\n{'添加空列':-^37}\n\n{df}")
data_new1 = (389, 452, 422, 309, 433, 398, 409) # 用数组添加列，元素一定匹配列数，不然报错。
df['15日'] = data_new1 # 整列依次赋值(元素须与行数匹配，类型可以是 tuple、list等有序数组)。
print(f"\n\n{'对空列依次赋值':-^34}\n\n数据 = {data_new1}\n\n{df}")
data_new2 = {'Anna': 347, 'Any': 564, 'Liuyi': 389, 'Tom': 422, 'Duo': 402, 'John': 338, 'Rose': 409, 'Liuquan': 309}
df['16日'] = pd.Series(data_new2)
print(f"\n\n{'用 Series 添加元素多于行数的数据':-^29}\
\n\n数据 = {data_new2}\n\n{df}")

运行效果
在这里插入图片描述

添加不等行数元素，可以用 dict、Series ，不多于 DataFrame 行数的数据，二者皆可；多于行数就只可以 Series 数据类型添加。DataFrame 会自动对齐索引，不在意数据字典顺序。索引中没有的数据，将被“丢弃”。

回首页

四、赋值 1.整列赋值

a.等长依次赋值

b.整列赋同一值

代码

df.insert(0, '班级', [f'4.{i}班' for i in range(1, 8)])
index_num = list(df.columns).index('16日') + 1
df.insert(index_num, '职务', '学生')
print(f"\n\n{' 插入列(colmuns) ':-^34}\n\n{df}")

运行效果

在这里插入图片描述

插入列，赋同一值也可赋不同值(不同值数量一定得与行数匹配)。DataFrame ，添加本来没有的列，这操作同字典(字典可以添加本来没有的键）。

按日期倒序重置列序

代码

columns_lis = ['班级'] + [f'{i}日' for i in range(16, 8, -1)]+['职务'] # 生成日期倒序列表。
print(f"\n\n{'重置列序':-^37}\n\n列序：\n{columns_lis}\
\n\n{df.loc[:, columns_lis]}{cut_line()}")

代码运行效果
在这里插入图片描述

回首页

2.单个精准赋值

a.字典列表式赋值

代码

print(f"{cut_line()} Liuquan 4月9日、11日原有数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}\n\n")
df['9日']['Liuquan'] = 453
df['11日']['Liuquan'] = 386
print(f"\n\n补录(修改)后 Liuquan 4月9日、11日数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}{cut_line()}")

运行效果

在这里插入图片描述

字典列表式赋值(df[rows][columns] = value)虽然跟loc方法同效，但我的两个 pandas (python3.10.2+pandas1.4.1、python3.6.6+pandas0.23.4)环境都有“警告”信息抛出，虽然也可以实现赋值。我不明白：是不是因为手机环境？

回首页

b.loc 方法选择赋值

代码

print(f"{cut_line()}原有数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}\n\n{'-'*41}")
df.loc['Liuquan', ['10日']] = 436 # 用loc 方法修改更明了，且静默。
df.loc['Liuquan', ['12日']] = 398
print(f"\n\nLiuquan 4月10日、12日(436, 398)数据补录：\n\n{df}\
\n\n{df[df.index == 'Liuquan']}\
补全(修改)后数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}{cut_line()}")

运行效果

在这里插入图片描述

用loc 方法修改更明了，且静默。

回首页

四、df.loc 方法条件筛选

空值判定

代码

df.insert(len(df.columns), 'Rank', 'OK') # 插入考评等级列“Rank”。
df_bool = df.isna() # df.isna() 方法判定空值NAN。

for date in [f"{i}日" for i in range(9,17)]:
    for name in df.index:
        
        if df_bool[date][name]:
            df.loc[name,['Rank']] = 'NG'
        elif not df_bool[date][name] and df['Rank'][name]=='OK':
            df.loc[name,['Rank']] = 'OK'

print(f"{cut_line()}计算全勤后的列表：\n\n{df}\n\n{'-'*41}\
\n\n4月9日至16日每天坚持跳绳练习的有：\
\n{df.loc[df['Rank']=='OK']}\n{cut_line()}")

运行效果

在这里插入图片描述

回首页

条件筛选

换组数据试试，换一组实验数据来看看 df.loc() 方法的条件筛选。

代码

english = [45, 89, 88, 89]
chinese = [92, 92, 89, 92]
math = [34, 78, 78, 92]
names = ['Rose', 'Jhon', 'Anna', 'Tom']

df = pd.DataFrame({'Chinese': chinese, 
	                 'English': english, 
	                 'Math': math}, 
	                 index=names, columns=('Chinese', 'Math', 'English'))

print('数据：')
for i in ('Names', 'Chinese', 'Math', 'English'):
    print(f"\n{i}：\n{eval(i.lower())}")

print(f"\n\nDataFrame：\n{df}")

# 分数筛选
print(f"\n\n语文{color(92, 'b_gray', 'f_red')}分的：\n{df.loc[df['Chinese']==92]}\
\n\n英语{color(89, 'f_red', 'b_gray')}分的：\n{df.loc[df['English']==89]}\
\n\n数学{color(78, 'f_red', 'b_gray')}分的：\n{df.loc[df['Math']==78]}")

运行效果

在这里插入图片描述

回首页

完整 Python 代码
我的解题思路，已融入代码注释，博文中就不再赘述。

(如果从语句注释不能清楚作用，请评论区留言指教和探讨。🤝)

#!/sur/bin/env python
# coding: utf-8

'''
filename: /sdcard/qpython/tem.py
梦幻精灵_cq的炼码场
'''

from mypythontools import color, wait, cut_line # 从自码工具模块加载需用代码模块中要使用的函数。
print(f"\n\n{'正在加载 Pandad ...':^38}")
import pandas as pd # 加载 pandas 并取别名 pd 。


# 例子原始数据：六名学生每天跳绳练习个数记录(4月9日至4月13，6天)。
Tom = 453, 307, 618, 742, 267
Rose = 303, 421, 512, 289, 306
John = 367, 431, 519, 279, 336
Anna = 273, 391, 512, 289, 306
Duo = 283, 371, 507, 243, 323
Liuyi = 347, 291, 472, 329, 345

# 数据初处理：数据整合成一个列表，姓名字符列表准备好用来重置索引。
names = [Tom, Rose, John, Anna, Duo, Liuyi]
gb = globals() # 全局变量字典获取函数取别名，简化后续语句，方便读写。
# 从全局变量名字典中列表解析 names 中的变量名字符串。
# 直接对字典用一个变量遍历，就是对 key 操作(同时两个变量遍历字典，变量接收的依次是 key、value，类 doct.iters() 字典视图。)，key 即是 globles() 获取的变量名字符串。
names_str = [i for i in gb if gb[i] in names] # if 语句意即全局变量字典中 i 字符名称对应的变量在 names 中就解析出该字符串。

# 创建 DataFrame 
df = pd.DataFrame(names) # 1、数据直接生成 DatsFrame 。
print(f"\n\n{' 1、数据直接生成 DatsFrame ':-^34}\n\n{df}") # 上面的定义中没有设置特定索引，所以，按照惯例( Series 中已经形成的惯例)就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构(类似 excel 或者 mysql 中的查看效果)。

df.index = names_str # 2、用姓名字符重置索引。
print(f"\n\n{' 2、用姓名字符设置索引 ':-^31}\
\n{cut_line()}{names_str}{cut_line()}{df}") # 注意：“用 df.index = ”重置索引，index 序列元素一定要与 DataFrame 的行数匹配，否则报错。但，创建时设置，可以“短长”少的行被舍去，多的无值为空(NaN)。

date = [f'{i}日' for i in range(9, 14)] # 准备日期列表。
df.columns = date # 3、用 date 设置 columns
print(f"\n\n{' 3、用 date 设置 columns ':-^37}\
\n{cut_line()}{date}{cut_line()}{df}")

# 在创建 DataFrme 时，是可以直接设置 index 和 columns 的咯。
df01 = pd.DataFrame(names, index=names_str)
df02 = pd.DataFrame(names, columns=date)
df03 = pd.DataFrame(names, columns=date, index=names_str)
print(f"\n\n{cut_line()}{'':>4}在创建 DataFrme 时，是可以直接设置 index 和 columns的。\
{cut_line()}只设置 index：\n\n{df01}{cut_line()}\
{cut_line()}只设置 columns：\n\n{df02}{cut_line()}\
同时设置 index、columns：\n\n{df03}{cut_line()}")

data_date = [] # 从每个学生数据中提取每日学生数据。
for k in range(5): # 循环提取每天数据。
    tem = [] # 每人每天数据列表。
    for i in names:
        tem.append(i[k]) # 追加当天每人数据。
    data_date.append(tem) # 追加当天每人数据。

# 二、用 dict、Series 创建 DataFrame 实例。

# Dict：
data_dict_d = {x: y for x, y in zip(date, data_date)} # 解析每日学生数据字典。
df_dict_d = pd.DataFrame(data_dict_d, index=names_str)

data_dict_n = {x: y for x, y in zip(names_str, names)} # 解析每日学生数据字典。
df_dict_n = pd.DataFrame(data_dict_n, index=date) # 使用 dict 定义。这是定义一个 DataFrame 对象的常用方法。字典的“键”( names、date )就是 DataFrame 的 index、columns 的值(名称)，字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。

# Series：
data_S_date = [pd.Series(i, index=names_str) for i in data_date] # 解析 Series 数据列表。
df_S_d = pd.DataFrame(data_S_date, index=date)

data_S_name = [pd.Series(i, index=date) for i in names] # 解析 Series 数据列表。
df_S_n = pd.DataFrame(data_S_name, index=names_str)

print(f"\n\n{' 二、用 dict、Series 创建 DataFrame 实例。':-^33}\
\n\n{cut_line()}用 Dict 创建 DataFrame 实例：\
\n\ncolumns = date：\n{df_dict_d}\
\n\ncolumns = name：\n{df_dict_n}\
\
{cut_line()}用 Series 创建 DataFrame 实例：\
\n\ncolumns = date\n\n{df_S_n}\
\n\ncolumns = Name\n\n{df_S_d}") # 从上面的例子可以看出，不管是用 dict 还是 Series ，都可以定义出自己喜好的二维数组数据列表，真可谓是“随心所欲”。🤗🤗 columns 的顺序没有规定，就如同字典中键的顺序一样。但是在 DataFrame 中，columns 跟字典键相比，有一个明显不同，就是其顺序可以被规定。

d = data_dict_d # 每日数据字典变量起别名，简短代码语句。
dd = {} # 嵌套字典：{date: {name: 数据}}。
for x, y in zip(date, d): # 生成外层字典键。
    tem = {} # 外层字典值，内层字典。
    for m,n in zip(names_str, d.get(y)):
        	tem[m] = n # 内层字典赋值。
    dd[x] = tem # 外层字典赋值。

# 定义 DataFrame 的方法，除了上面的之外，还可以使用“字典套字典”的方式。
df = pd.DataFrame(dd) # dict 套 dict 创建 Dataframe 。
print(f"\n\n{' 3、dict 套 dict 创建 Dataframe ':-^37}\
{cut_line()}嵌套字典：\n\n{dd}\
{cut_line()}创建的 Dataframe：\n\n{df}{cut_line()}") # 在字典中就规定好数列名称(第一层键)和每横行索引(第二层字典键)以及对应的数据(第二层字典值)，也就是在字典中规定好了每个数据格子中的数据。


#重置索引
print(f"{cut_line()}当前 DataFrame：\n\n{df}")
tem = df.copy()
tem.index = list('ABCDEF')
print(f"\n\n用{list('ABCDEF')}设置 index：\n\n{tem}")
tem.index = list('abcde') + ['Tom']
print(f"\n\n重置 index 不可以“自动对齐”：\n\n{tem}{cut_line()}")

new_data = {'Anna': 337, 'Tom': 403, 'Rose': 567, 'Liuquan': 453} # 4月14日数据。

# 同时插入行、列
old_names_str = names_str[:] # append() 前names-str 副本。
dd['14日']=new_data # 新数据添加到嵌套字典。
df_new_dict = pd.DataFrame(dd, index=names_str.append('Liuquan'),
 columns=list(df.columns).append('14日')) # 用追加新数据的嵌套字典重建 DataFrame ，新的行、列都可以得到保存。
print(f"{cut_line()}原姓名列表：\n\n{old_names_str}\
\n\n在 DataFrame 中 执行 index=names_str.append('Liuquan') 后的 names_str ：\n{names_str}{cut_line()}")
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 追加新数据的嵌套字典新建 DataFrame ':-^29}\n\n{df_new_dict}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}")

# 插入列
new_Series = pd.Series(new_data) # 4月17日数据打包成 Series 。注意：参数只能是列表或一层字典，因为 Series 是一维数组。
df_new_S = df.copy() # DataFrame 对象复制。
df_new_S['14日'] = new_Series # 追加 Series 到 DataFrame 。
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 数据创建 Seroies，字典式赋值追加 ':-^29}\n\n{df_new_S}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}") # 如您所见，Series 追加数据虽然方便快捷，但不可以新增行索引。DataFrame 新建实例确是可以定义多于数据的索引的。这，就需要根据追加的数据选择了。当然，我更喜欢 Series 。

# 追加列
df = df_new_dict.copy() # DataFrame 对象复制。
print(f"{cut_line()}当前 DataFrame：\n\n{df}")
df['15日'] = pd.Series() # 添加空列。
print(f"\n\n{'添加空列':-^37}\n\n{df}")
data_new1 = (389, 452, 422, 309, 433, 398, 409) # 用数组添加列，元素一定匹配列数，不然报错。
df['15日'] = data_new1 # 整列依次赋值(元素须与行数匹配，类型可以是 tuple、list等有序数组)。
print(f"\n\n{'对空列依次赋值':-^34}\n\n数据 = {data_new1}\n\n{df}")
data_new2 = {'Anna': 347, 'Any': 564, 'Liuyi': 389, 'Tom': 422, 'Duo': 402, 'John': 338, 'Rose': 409, 'Liuquan': 309}
df['16日'] = pd.Series(data_new2) # 添加不等行数元素，可以用 dict、Series ，不多于 DataFrame 行数的数据，二者皆可；多于行数就只可以 Series 数据类型添加。DataFrame 会自动对齐索引，不在意数据字典顺序。索引中没有的数据，将被“丢弃”。
print(f"\n\n{'用 Series 添加元素多于行数的数据':-^29}\
\n\n数据 = {data_new2}\n\n{df}")

df.insert(0, '班级', [f'4.{i}班' for i in range(1, 8)])
index_num = list(df.columns).index('16日') + 1
df.insert(index_num, '职务', '学生') # 插入列，赋同一值也可赋不同值(不同值数量一定得与行数匹配)。DataFrame ，添加本来没有的列(字典可以添加本来没有的键）。
print(f"\n\n{' 插入列(colmuns) ':-^34}\n\n{df}")

columns_lis = ['班级'] + [f'{i}日' for i in range(16, 8, -1)]+['职务']
print(f"\n\n{'重置列序':-^37}\n\n列序：\n{columns_lis}\
\n\n{df.loc[:, columns_lis]}{cut_line()}")

# 点对点准赋值
print(f"{cut_line()} Liuquan 4月9日、11日原有数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}\n\n")
df['9日']['Liuquan'] = 453 # 虽然跟loc方法同效，但我的两个 pandas (python3.10.2+pandas1.4.1、python3.6.6+pandas0.23.4)环境都有“警告”。
df['11日']['Liuquan'] = 386
print(f"\n\n补录(修改)后 Liuquan 4月9日、11日数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}{cut_line()}")

print(f"{cut_line()}原有数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}\n\n{'-'*41}")
df.loc['Liuquan', ['10日']] = 436 # 用loc 方法修改更明了，且静默。
df.loc['Liuquan', ['12日']] = 398
print(f"\n\nLiuquan 4月10日、12日(436, 398)数据补录：\n\n{df}\
\n\n{df[df.index == 'Liuquan']}\
补全(修改)后数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}{cut_line()}")

#四、df.loc() 方法的条件筛选。
df.insert(len(df.columns), 'Rank', 'OK') # 插入考评等级列“Rank”。
df_bool = df.isna() # df.isna() 方法判定空值NAN。

for date in [f"{i}日" for i in range(9,17)]:
    for name in df.index:
        
        if df_bool[date][name]:
            df.loc[name,['Rank']] = 'NG'
        elif not df_bool[date][name] and df['Rank'][name]=='OK':
            df.loc[name,['Rank']] = 'OK'

print(f"{cut_line()}计算全勤后的列表：\n\n{df}\n\n{'-'*41}\
\n\n4月9日至16日每天坚持跳绳练习的有：\
\n{df.loc[df['Rank']=='OK']}\n{cut_line()}")

# 换一组实验数据来看看 df.loc() 方法的条件筛选。
english = [45, 89, 88, 89]
chinese = [92, 92, 89, 92]
math = [34, 78, 78, 92]
names = ['Rose', 'Jhon', 'Anna', 'Tom']

df = pd.DataFrame({'Chinese': chinese, 
	                 'English': english, 
	                 'Math': math}, 
	                 index=names, columns=('Chinese', 'Math', 'English'))

print('数据：')
for i in ('Names', 'Chinese', 'Math', 'English'):
    print(f"\n{i}：\n{eval(i.lower())}")

print(f"\n\nDataFrame：\n{df}")

# 分数筛选
print(f"\n\n语文{color(92, 'b_gray', 'f_red')}分的：\n{df.loc[df['Chinese']==92]}\
\n\n英语{color(89, 'f_red', 'b_gray')}分的：\n{df.loc[df['English']==89]}\
\n\n数学{color(78, 'f_red', 'b_gray')}分的：\n{df.loc[df['Math']==78]}")

回首页

我的相关博文：

pandas 数据类型之 Series (675阅读)
pandas 数据类型之 DataFrame (610阅读)

参考文章：

Pandas.DataFrame 添加列和行(分配、追加等)

上一篇：练习：身高出现的频次

下一篇：聊天消息敏感词屏蔽系统(字符串替换 str.replace(str1, *) )

我的HOT博：

New：Python字符串居中显示(1050阅读)
New：练习：求偶数和、阈值分割和求差( list 对象的两个基础小题)(1314阅读)
用 pandas 解一道小题(1916阅读)
可迭代对象和四个函数(1042阅读)
“快乐数”判断(1206阅读)
罗马数字转换器(构造元素取模)(1894阅读)
罗马数字(转换器|罗生成器)(2565阅读)
Hot：让QQ群昵称色变的代码(17712阅读)
Hot：斐波那契数列(递归| for )(3368阅读)
柱状图中大矩形(1625阅读)
排序数组元素的重复起止(1215阅读)
电话拨号键盘字母组合(1284阅读)
密码强度检测器(1746阅读)
求列表平衡点(1787阅读)
Hot：字符串统计(3611阅读)
Hot：尼姆游戏(聪明版首发)(3348阅读)尼姆游戏(优化版)(903阅读)

推荐条件点阅破千

回首页

精品文章：

好文力荐：《python 完全自学教程》齐伟书稿免费连载
OPP三大特性：封装中的property
通过内置对象理解python'
正则表达式
python中“*”的作用
Python 完全自学手册
海象运算符
Python中的 `!=`与`is not`不同
学习编程的正确方法

来源：老齐教室

回首页

Python 入门指南【Python 3.6.3】

好文力荐：

【8大编程语言的适用领域】先别着急选语言学编程，先看它们能干嘛
靠谱程序员的好习惯

实用技巧博文：

8个好用到爆的Python实用技巧
python忽略警告

你是否还在寻找稳定的海外服务器提供商？创新互联www.cdcxhl.cn海外机房具备T级流量清洗系统配攻击溯源，准确流量调度确保服务器高可用性，企业级服务器适合批量采购，新人活动首月15元起，快前往官网查看详情吧

本文标题：pandas数据类型之DataFrame-创新互联
网站链接：http://scyanting.com/article/dehcoi.html

pandas数据类型之DataFrame-创新互联

其他资讯