pandas DataFrame 数据结构详解：构建、访问与修改
发布时间：2026-10-13 |
6人浏览过
本文详细介绍 pandas 中 DataFrame 数据结构的构建、访问及修改方法。涵盖通过字典、列表及嵌套字典创建 DataFrame，指定列顺序与索引，以及获取单列、单行和特定值的操作。同时演示如何增加、修改列数据及设置行列名称，帮助开发者掌握 DataFrame 的核心操作。
DataFrame 是一种类似数据库表结构的数据对象，包含行索引和列索引。可以将其视为由具有相同索引的 Series 组成的字典。其底层实现基于二维和一维数据块。
1. DataFrame 对象的构建
1.1 使用包含等长列表或 NumPy 数组的字典创建 DataFrame
In [68]: import pandas as pd
In [69]: from pandas import Series,DataFrame
# 建立包含等长列表的字典类型
In [70]: data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],'year': [2000, 2001, 20
...: 02, 2001, 2002],'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
In [71]: data
Out[71]:
{'pop': [1.5, 1.7, 3.6, 2.4, 2.9],
'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
'year': [2000, 2001, 2002, 2001, 2002]}
# 建立DataFrame对象
In [72]: frame1 = DataFrame(data)
# 红色部分为自动生成的索引
In [73]: frame1
Out[73]:
pop state year
0 1.5 Ohio 2000
1 1.7 Ohio 2001
2 3.6 Ohio 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002在创建过程中，可以指定列的顺序：
In [74]: frame1 = DataFrame(data,columns=['year', 'state', 'pop'])
In [75]: frame1
Out[75]:
year state pop
0 2000 Ohio 1.5
1 2001 Ohio 1.7
2 2002 Ohio 3.6
3 2001 Nevada 2.4
4 2002 Nevada 2.9
与 Series 类似，DataFrame 也可以指定索引内容：
In [76]: ind = ['one', 'two', 'three', 'four', 'five']
In [77]: frame1 = DataFrame(data,index = ind)
In [78]: frame1
Out[78]:
pop state year
one 1.5 Ohio 2000
two 1.7 Ohio 2001
three 3.6 Ohio 2002
four 2.4 Nevada 2001
five 2.9 Nevada 2002
1.2 使用由字典组成的嵌套字典生成 DataFrame
当通过嵌套字典生成 DataFrame 时，外部字典的键成为列名，内部字典的键成为行名。生成的 DataFrame 默认会按行索引进行排序。
In [84]: pop = {'Nevada': {2001: 2.4, 2002: 2.9},'Ohio': {2000: 1.5, 2001: 1.7, 2002: 3.6}}
In [85]: frame3 = DataFrame(pop)
In [86]: frame3
Out[86]:
Nevada Ohio
2000 NaN 1.5
2001 2.4 1.7
2002 2.9 3.6
除了默认的按行索引排序外，还可以指定行的序列：
In [95]: frame3 = DataFrame(pop,[2002,2001,2000])
In [96]: frame3
Out[96]:
Nevada Ohio
2002 2.9 3.6
2001 2.4 1.7
2000 NaN 1.5
1.3 其他构造方法：
2. DataFrame 内容访问
从 DataFrame 中获取一列的结果是一个 Series，可以通过以下两种方式获取：
# 以字典索引方式获取
In [100]: frame1["state"]
Out[100]:
one Ohio
two Ohio
three Ohio
four Nevada
five Nevada
Name: state, dtype: object
# 以属性方式获取
In [101]: frame1.state
Out[101]:
one Ohio
two Ohio
three Ohio
four Nevada
five Nevada
Name: state, dtype: object
也可以通过 ix 获取一行数据：
In [109]: frame1.ix["one"] # 或者是 frame1.ix[0]
Out[109]:
pop 1.5
state Ohio
year 2000
Name: one, dtype: object
# 获取多行数据
In [110]: frame1.ix[["tow","three","four"]]
Out[110]:
pop state year
tow NaN NaN NaN
three 3.6 Ohio 2002.0
four 2.4 Nevada 2001.0
# 还可以通过默认数字行索引来获取数据
In [111]: frame1.ix[range(3)]
Out[111]:
pop state year
one 1.5 Ohio 2000
two 1.7 Ohio 2001
three 3.6 Ohio 2002
获取指定行和指定列交汇处的值：
In [119]: frame1["state"]
Out[119]:
one Ohio
two Ohio
three Ohio
four Nevada
five Nevada
Name: state, dtype: object
In [120]: frame1["state"][0]
Out[120]: 'Ohio'
In [121]: frame1["state"]["one"]
Out[121]: 'Ohio'
先指定列再指定行：
In [125]: frame1.ix[0]
Out[125]:
pop 1.5
state Ohio
year 2000
Name: one, dtype: object
In [126]: frame1.ix[0]["state"]
Out[126]: 'Ohio'
In [127]: frame1.ix["one"]["state"]
Out[127]: 'Ohio'
In [128]: frame1.ix["one"][0]
Out[128]: 1.5
In [129]: frame1.ix[0][0]
Out[129]: 1.5
3. DataFrame 对象的修改
增加一列，并赋予所有行相同的值：
# 增加一列值
In [131]: frame1["debt"] = 10
In [132]: frame1
Out[132]:
pop state year debt
one 1.5 Ohio 2000 10
two 1.7 Ohio 2001 10
three 3.6 Ohio 2002 10
four 2.4 Nevada 2001 10
five 2.9 Nevada 2002 10
# 更改一列的值
In [133]: frame1["debt"] = np.arange(5)
In [134]: frame1
Out[134]:
pop state year debt
one 1.5 Ohio 2000 0
two 1.7 Ohio 2001 1
three 3.6 Ohio 2002 2
four 2.4 Nevada 2001 3
five 2.9 Nevada 2002 4追加类型为 Series 的一列
# 判断是否为东部区
In [137]: east = (frame1.state == "Ohio")
In [138]: east
Out[138]:
one True
two True
three True
four False
five False
Name: state, dtype: bool
# 赋Series值
In [139]: frame1["east"] = east
In [140]: frame1
Out[140]:
pop state year debt east
one 1.5 Ohio 2000 0 True
two 1.7 Ohio 2001 1 True
three 3.6 Ohio 2002 2 True
four 2.4 Nevada 2001 3 False
five 2.9 Nevada 2002 4 False
DataFrame 的行可以命名，同时多列也可以命名：
In [145]: frame3.columns.name = "state"
In [146]: frame3.index.name = "year"
In [147]: frame3
Out[147]:
state Nevada Ohio
year
2002 2.9 3.6
2001 2.4 1.7
2000 NaN 1.5总结
以上介绍了 pandas 数据结构中 DataFrame 的相关内容，希望对大家有所帮助。如有疑问请留言，小编会及时回复。感谢大家对本站的支持！ 如果觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
