【Pandas DataFrame核心概念】：行和列求和的逻辑与实践

目录
1. Pandas DataFrame简介与安装

安装Pandas
DataFrame的引入

2. DataFrame基础结构理解

2.1 DataFrame的创建与基本属性

2.1.1 创建DataFrame的方法
2.1.2 访问DataFrame的基本属性

2.2 DataFrame的索引机制

2.2.1 行索引和列索引的设置
2.2.2 索引的选择与修改

2.3 DataFrame的数据类型与结构

2.3.1 数据类型及其转换
2.3.2 数据结构的查看与操作

3. DataFrame的数据操作

3.1 数据的插入与删除

3.1.1 新增列和行的方法

新增列
新增行

解锁专栏，查看完整目录
参考资源链接：python中pandas.DataFrame对行与列求和及添加新行与列示例
1. Pandas DataFrame简介与安装
Pandas是Python中一个强大的数据处理库，而DataFrame是Pandas库的核心数据结构，它是一种二维标签数据结构，类似于Excel表格、SQL表或Series对象的字典类型。每个列都有一个名称，并且可以包含不同类型的数据。DataFrame对于数据清洗、处理和分析至关重要，是数据科学家进行数据挖掘的利器。
安装Pandas
要开始使用Pandas，首先需要安装它。可以使用pip包管理器进行安装：
pip install pandas登录后复制
安装完成后，在Python脚本中通过以下方式导入Pandas库：
import pandas as pd登录后复制
DataFrame的引入
在Pandas中，你可以通过将字典或NumPy数组等数据类型传递给pd.DataFrame()函数来创建DataFrame。例如，创建一个基础的DataFrame，可以这样做：
data = {'A': [1, 2, 3], 'B': [4, 5, 6]}df = pd.DataFrame(data)print(df)登录后复制
上述代码会输出一个结构化的数据表：
A B0 1 41 2 52 3 6登录后复制
这样，你就成功创建了你的第一个DataFrame，并且理解了如何使用Pandas库。在接下来的章节中，我们将逐步深入了解DataFrame的更多特性。
2. DataFrame基础结构理解
在深入了解Pandas DataFrame之前，我们需要掌握其基础结构，以便能够更加熟练地操纵和分析数据。本章节主要关注于DataFrame的创建、索引机制以及数据类型与结构的理解。
2.1 DataFrame的创建与基本属性
2.1.1 创建DataFrame的方法
在Pandas中，创建DataFrame是一个非常基础且重要的操作。它可以由字典、列表、Series、另一个DataFrame等不同的数据源来创建。以下是几种创建DataFrame的基本方法：

使用字典创建DataFrame:

import pandas as pddata = { 'Name': ['Tom', 'Nick', 'Krish', 'Jack'], 'Age': [20, 21, 19, 18]}df = pd.DataFrame(data)登录后复制
在这个例子中，字典的键成为了DataFrame的列名，字典的值则构成了DataFrame的列数据。

使用列表创建DataFrame:

data = [['Tom', 20], ['Nick', 21], ['Krish', 19], ['Jack', 18]]df = pd.DataFrame(data, columns=['Name', 'Age'])登录后复制
这里使用列表的列表来创建DataFrame，并指定了列名。

由Series创建DataFrame:

s1 = pd.Series([1, 2, 3, 4], name='Numbers')s2 = pd.Series(['a', 'b', 'c', 'd'], name='Letters')df = pd.concat([s1, s2], axis=1)登录后复制
此处展示了如何将两个Series对象合并为DataFrame，axis=1参数意味着横向合并。
2.1.2 访问DataFrame的基本属性
创建好DataFrame后，我们需要了解如何访问其基本属性。这些属性帮助我们更好地了解数据的结构和内容。

.columns属性可以用来查看DataFrame的所有列名：

print(df.columns)登录后复制

.index属性可以用来查看DataFrame的索引：

print(df.index)登录后复制

.values属性可以用来获取DataFrame中的实际数据，返回的是一个NumPy数组：

print(df.values)登录后复制

.shape属性可以用来获取DataFrame的维度：

print(df.shape)登录后复制
了解这些基本属性，能让我们在对数据进行后续操作之前，先有个大致的认识和准备。
2.2 DataFrame的索引机制
DataFrame的索引机制是其强大功能的一部分，这让我们可以方便地访问和操作数据。
2.2.1 行索引和列索引的设置
索引在Pandas中是非常灵活的，既可以通过.set_index()方法设置新的索引，也可以通过创建DataFrame时的参数直接指定。

设置新的索引：

df.set_index('Name', inplace=True)登录后复制
在这个例子中，'Name'列现在变成了索引。

创建时指定索引：

df = pd.DataFrame({ 'Age': [20, 21, 19, 18]}, index=['Tom', 'Nick', 'Krish', 'Jack'])登录后复制
这里在创建DataFrame的同时，指定了行索引。
2.2.2 索引的选择与修改
通过索引我们可以精确地访问DataFrame中的数据。Pandas提供了多种选择数据的方式，包括.loc[]和.iloc[]。

使用.loc[]进行标签选择：

print(df.loc['Tom'])登录后复制

使用.iloc[]进行位置选择：

print(df.iloc[0])登录后复制
索引的修改则涉及到对索引的重新赋值，例如：
df.index = ['T', 'N', 'K', 'J']登录后复制
这会将原有的索引修改为新的标签。
2.3 DataFrame的数据类型与结构
理解DataFrame的数据类型和结构是分析数据时非常关键的一个步骤。
2.3.1 数据类型及其转换
Pandas支持多种数据类型，例如int64、float64、bool、datetime64等。要查看各列的数据类型，可以使用.dtypes属性：
print(df.dtypes)登录后复制
数据类型的转换可以通过.astype()方法来完成：
df['Age'] = df['Age'].astype('float')登录后复制
这行代码将'Age'列的数据类型从整数转换为了浮点数。
2.3.2 数据结构的查看与操作
查看DataFrame的内部数据结构，可以使用.info()方法：
df.info()登录后复制
这个方法会显示每个列的数据类型以及非空值的数量。
操作数据结构包括增加、删除、重新排列列等。例如，删除一列可以使用.drop()方法：
df.drop('NewColumn', axis=1, inplace=True)登录后复制
而添加列则可以简单地赋值：
df['NewColumn'] = df['Age'] + 1登录后复制
通过这些操作，我们可以灵活地管理DataFrame的数据结构以适应我们的数据分析需求。
以上内容详细介绍了DataFrame的基础结构，包括其创建方法、基本属性以及索引机制和数据类型的转换操作。这为进一步的数据分析打下了坚实的基础。
3. DataFrame的数据操作
3.1 数据的插入与删除
数据插入与删除是数据处理中常见的操作，它们对于数据清洗和预处理至关重要。在本节中，我们将探讨如何使用Pandas进行数据插入和删除操作，包括新增列和行，以及删除不需要的数据。
3.1.1 新增列和行的方法
新增列
在DataFrame中新增一个列，可以直接对DataFrame对象进行赋值操作。假设我们有一个包含学生信息的DataFrame，需要增加一个表示年龄的列。
import pandas as pd# 创建一个示例DataFramestudents = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie'], 'score': [88, 95, 82]})# 新增一个'age'列students['age'] = [20, 21, 22]print(students)登录后复制
上述代码执行后，会在students DataFrame中新增一个名为age的列，数据类型应与赋值列表的数据类型一致。
新增行
新增行则通常使用append方法，或者直接使用pd.concat函数将另一个DataFrame合并到现有的DataFrame中。假设有新的学生信息需要添加到students DataFrame。
#登录后复制