jupyter dataframe

### 如何在 Jupyter Notebook 中使用 Pandas DataFrame

#### 导入库
为了能够在 Jupyter Notebook 中操作 `pandas` 的 `DataFrame`，首先需要导入必要的 Python 库。通常情况下会涉及到 `pandas` 自身以及用于增强显示效果的模块。

import pandas as pd
from IPython.display import display

#### 创建 DataFrame 实例
可以通过多种方式来创建一个 `DataFrame` 对象，最常见的方式是从字典、列表或者其他支持的数据源（如 CSV 文件）读取数据。这里展示了一个简单的例子，其中包含了不同类型的列：

data = {"one": np.random.randn(4), "two": np.linspace(1, 4, 4), "three": ['zhangsan', '李四', 999, 0.1]}
df = pd.DataFrame(data, index=[1, 2, 3, 4])
display(df)  # 使用 display 函数可以在 Jupyter Notebook 更美观地呈现 DataFrame[^3]
print(df)    # 或者直接打印，默认样式可能不如前者直观

#### 查看 DataFrame 内容
一旦有了 `DataFrame`，就可以利用各种方法快速浏览其内容。例如，`.head()` 方法能够返回前五行记录；而 `.tail()` 则给出最后几行的内容。这对于初步了解大型数据集非常有用。

# 加载外部CSV文件作为示例
data_from_file = pd.read_csv('example.csv')
data_from_file.head()  # 展示开头部分的数据[^2]

#### 数据处理与分析
除了基本的数据显示外，还可以执行更复杂的数据清洗、转换和聚合操作。比如计算描述性统计量、筛选特定条件下的子集或是应用自定义函数到每一行/列上等等。

# 计算一些统计数据
summary_stats = data_from_file.describe()
display(summary_stats)

# 进一步的操作...
filtered_data = data_from_file[data_from_file['some_column'] > threshold_value]
grouped_results = filtered_data.groupby(['another_column']).mean()