Python3.5 Pandas DataFrame详解：创建、读取、过滤操作

"Python3.5中的Pandas模块是一个强大的数据处理库，DataFrame是其核心数据结构之一。本文将深入探讨如何在Python3.5环境下使用Pandas的DataFrame，包括创建、读取、过滤和获取数据等关键操作，并提供实例进行详细解释。" 在Python3.5中，Pandas的DataFrame是一种二维表格型数据结构，它具有列标签（column labels）和行索引（row indices）。DataFrame能够存储各种类型的数据，如整数、浮点数、字符串，甚至是其他复杂的数据类型。 1、DataFrame的创建 创建DataFrame有多种方式，其中最常见的是通过二维数组或列表来构建。下面展示了两种创建DataFrame的方法： （1）直接通过二维列表创建： ```python d1 = DataFrame([["a","b","c","d"], [1,2,3,4]]) ``` 这将创建一个DataFrame，其中第一行包含字符串"abcd"，第二行包含数字1到4。 （2）利用numpy数组创建： ```python import numpy as np arr = np.array([["jack",78], ["lili",86], ["amy",97], ["tom",100]]) d2 = DataFrame(arr, index=["01","02","03","04"], columns=["姓名","成绩"]) ``` 在这个例子中，我们定义了numpy数组，并指定了行索引和列名，创建了一个包含姓名和成绩的DataFrame。 2、行和列的索引 创建DataFrame后，我们可以访问行和列的索引来获取特定数据。例如，`d2.index`返回行索引，`d2.columns`返回列索引，而`d2.values`则返回DataFrame的所有值，以二维numpy数组的形式： ```python print(d2.index) # 打印行索引 print(d2.columns) # 打印列索引 print(d2.values) # 打印值 ``` 3、DataFrame的读取 Pandas提供了许多函数来读取不同格式的数据，例如CSV、Excel、SQL数据库等。以CSV文件为例，可以使用`pd.read_csv()`函数： ```python df_csv = pd.read_csv('file.csv') ``` 4、过滤和获取数据 过滤DataFrame可以通过布尔索引来实现，例如： ```python filtered_df = df[df['成绩'] > 90] # 获取成绩大于90的记录 ``` 获取特定列的数据，可以使用列名： ```python column_data = df['姓名'] # 获取'姓名'列的所有数据 ``` 5、其他操作 DataFrame还支持各种其他操作，如数据合并（`concat`、`merge`）、数据重塑（`pivot`、`stack`、`unstack`）、数据分组（`groupby`）、数据聚合（`agg`、`mean`、`sum`等）以及数据清洗等。 Pandas的DataFrame是处理结构化数据的强大工具，它提供的丰富功能使得数据预处理和分析变得简单高效。通过理解并熟练掌握DataFrame的各种操作，可以极大地提升数据分析的效率和质量。