DataFrame是Pandas库中的一个核心数据结构，用于处理和分析表格型数据。以下是关于DataFrame的详细介绍：
1. 定义
DataFrame是一个二维的表格型数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值等）。DataFrame可以被视为一个电子表格或SQL表，或是由多个Series对象组成的字典（这些Series对象共享一个索引）。
2. 创建
DataFrame的创建有多种方式：
- 从列表或字典的列表创建，可以直接指定行索引和列索引。
- 从Series组成的字典创建，其中每个Series作为一列。
- 从NumPy数组或类似的数据结构创建。
- 从文件中读取，例如csv文件等。可参考【python】pandas常见文件读取方法-CSDN博客
例如：
import pandas as pd
import numpy as np
# 从列表的字典创建
data = {'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35]}
df = pd.DataFrame(data)
# 从字典的Series创建
names = pd.Series(['Alice', 'Bob', 'Charlie'], name='name')
ages = pd.Series([25, 30, 35], name='age')
df = pd.DataFrame({'name': names, 'age': ages})
# 从NumPy数组创建
data = np.array([[1, 2], [3, 4], [5, 6]])
df = pd.DataFrame(data, columns=['col1', 'col2'])3. 主要功能
DataFrame提供了丰富的功能来操作和分析数据：
- 数据访问：通过列名或行索引访问数据。
- 数据筛选：基于条件过滤数据。
- 数据转换：修改、添加或删除列，转换数据类型等。
- 数据聚合：对数据进行分组并应用聚合函数。
- 数据重塑：改变数据的形状或结构。
例如：
# 访问特定列
print(df['name'])
# 筛选数据
filtered_df = df[df['age'] > 30]
# 修改列数据类型
df['age'] = df['age'].astype(int)
# 聚合数据
grouped_df = df.groupby('name').mean()
# 数据重塑（以透视表为例）
pivot_df = df.pivot(index='name', columns='age', values='some_column')# 假设存在'some_column'列4. 特点
- 二维结构：DataFrame具有行和列，可以方便地处理表格型数据。
- 灵活的数据访问：支持基于列名、行索引或布尔索引的数据访问。
- 强大的数据处理能力：提供了丰富的数据处理和分析功能。
- 易于集成：Pandas与NumPy、Matplotlib等库紧密集成，方便进行数据分析和可视化。