Pandas DataFrames 是具有帶標簽的行和列的二維數(shù)據(jù)結(jié)構(gòu)，可以存儲很多類型的數(shù)據(jù)。如果你熟悉 Excel 的話，可以將 Pandas DataFrames 看做類似于電子表格。

首先，我們將使用 Pandas Series 字典手動創(chuàng)建一個 DataFrame。第一步是創(chuàng)建 Pandas Series 字典。字典創(chuàng)建完畢后，我們可以將該字典傳遞給 pd.DataFrame() 函數(shù)。

我們將創(chuàng)建一個字典，其中包含 Alice 和 Bob 從在線商店中購買的商品。該 Pandas Series 將使用所買商品的價格作為數(shù)據(jù)，所買商品作為索引標簽。我們來看看如何編寫代碼：

# We import Pandas as pd into Python
import pandas as pd

# We create a dictionary of Pandas Series 
items = {'Bob' : pd.Series(data = [245, 25, 55], index = ['bike', 'pants', 'watch']),
         'Alice' : pd.Series(data = [40, 110, 500, 45], index = ['book', 'glasses', 'bike', 'pants'])}

# We print the type of items to see that it is a dictionary
print(type(items))

class 'dict'

字典已經(jīng)創(chuàng)建完畢，我們可以通過將其傳遞給 pd.DataFrame() 函數(shù)，創(chuàng)建 DataFrame。我們將創(chuàng)建一個可以表示多位用戶的購物車的 DataFrame，在此例中只有兩位用戶，即 Alice 和 Bob。

# We create a Pandas DataFrame by passing it a dictionary of Pandas Series
shopping_carts = pd.DataFrame(items)

# We display the DataFrame
shopping_carts

有幾個事項需要注意。我們發(fā)現(xiàn) DataFrame 以表格形式顯示，和 Excel 電子表格很像，行和列的標簽以粗體形式顯示。此外注意，DataFrame 的行標簽根據(jù)構(gòu)建字典所用的兩個 Pandas Series 的索引標簽創(chuàng)建而成。DataFrame 的列標簽來自字典的鍵。另一個注意事項是，列按照字母順序排序，而不是字典中的順序。稍后我們將發(fā)現(xiàn)，當我們從數(shù)據(jù)文件中向 DataFrame 加載數(shù)據(jù)時，不會發(fā)生這種情況。最后要注意的是，我們發(fā)現(xiàn)該 DataFrame 中出現(xiàn)了一些 NaN 值。NaN 是指非數(shù)字，Pandas 通過這種方式表示該行和列索引沒有值。例如，如果我們查看 Alice 列，我們發(fā)現(xiàn)手表索引的值是 NaN。你可以通過查看一開始創(chuàng)建的字典，了解為何是這種情況?？梢郧逦乜闯?，Alice 手表標簽沒有條目。因此，在創(chuàng)建 DataFrame 時，如果特定行索引的特定列沒有值，Pandas 將用 NaN 值填充。如果要將此數(shù)據(jù)饋送到機器學(xué)習算法中，我們首先需要刪掉這些 NaN 值。

在上述示例中，我們使用具有定義清晰的索引的 Pandas Series 字典創(chuàng)建了 Pandas DataFrame。如果我們不向 Pandas Series 提供索引標簽，Pandas 在創(chuàng)建 DataFrame 時將使用數(shù)字行索引。我們來看一個示例：

# We create a dictionary of Pandas Series without indexes
data = {'Bob' : pd.Series([245, 25, 55]),
        'Alice' : pd.Series([40, 110, 500, 45])}

# We create a DataFrame
df = pd.DataFrame(data)

# We display the DataFrame
df

可以看出，Pandas DataFrame 的行索引從 0 開始，就像 NumPy ndarray 的索引一樣。

現(xiàn)在，和 Pandas Series 一樣，我們也可以使用屬性從 DataFrame 中提取信息。我們輸出 shopping_carts DataFrame 中的一些信息

# We print some information about shopping_carts
print('shopping_carts has shape:', shopping_carts.shape)
print('shopping_carts has dimension:', shopping_carts.ndim)
print('shopping_carts has a total of:', shopping_carts.size, 'elements')
print()
print('The data in shopping_carts is:\n', shopping_carts.values)
print()
print('The row index in shopping_carts is:', shopping_carts.index)
print()
print('The column index in shopping_carts is:', shopping_carts.columns)

shopping_carts has shape: (5, 2)
shopping_carts has dimension: 2
shopping_carts has a total of: 10 elements

The data in shopping_carts is:
[[ 500. 245.]
[ 40. nan]
[ 110. nan]
[ 45. 25.]
[ nan 55.]]

The row index in shopping_carts is: Index(['bike', 'book', 'glasses', 'pants', 'watch'], dtype='object')

The column index in shopping_carts is: Index(['Alice', 'Bob'], dtype='object')

在 shopping_carts DataFrame 時，我們將整個字典傳遞給了 pd.DataFrame() 函數(shù)。但是，有時候你可能只對一部分數(shù)據(jù)感興趣。在 Pandas 中，我們可以通過關(guān)鍵字 columns和 index 選擇要將哪些數(shù)據(jù)放入 DataFrame 中。我們來看一些示例：

# We Create a DataFrame that only has Bob's data
bob_shopping_cart = pd.DataFrame(items, columns=['Bob'])

# We display bob_shopping_cart
bob_shopping_cart

# We Create a DataFrame that only has selected items for both Alice and Bob
sel_shopping_cart = pd.DataFrame(items, index = ['pants', 'book'])

# We display sel_shopping_cart
sel_shopping_cart

# We Create a DataFrame that only has selected items for Alice
alice_sel_shopping_cart = pd.DataFrame(items, index = ['glasses', 'bike'], columns = ['Alice'])

# We display alice_sel_shopping_cart
alice_sel_shopping_cart

你還可以使用列表（數(shù)組）字典手動地創(chuàng)建 DataFrame。流程和之前一樣，首先創(chuàng)建一個字典，然后將該字典傳遞給 pd.DataFrame() 函數(shù)。但是在這種情況下，字典中的所有列表（數(shù)組）長度必須一樣。我們來看一個示例：

# We create a dictionary of lists (arrays)
data = {'Integers' : [1,2,3],
        'Floats' : [4.5, 8.2, 9.6]}

# We create a DataFrame 
df = pd.DataFrame(data)

# We display the DataFrame
df

注意，因為我們創(chuàng)建的 data 字典沒有標簽索引，因此 Pandas 在創(chuàng)建 DataFrame 時自動使用數(shù)字行索引。但是，我們可以通過在 pd.DataFrame() 函數(shù)中使用關(guān)鍵字 index，為行索引添加標簽。我們來看一個示例：

# We create a dictionary of lists (arrays)
data = {'Integers' : [1,2,3],
        'Floats' : [4.5, 8.2, 9.6]}

# We create a DataFrame and provide the row index
df = pd.DataFrame(data, index = ['label 1', 'label 2', 'label 3'])

# We display the DataFrame
df

手動創(chuàng)建 Pandas DataFrame 的最后一種方式是使用 Python 字典列表。流程和之前一樣，我們先創(chuàng)建字典，然后將該字典傳遞給 pd.DataFrame() 函數(shù)。

# We create a list of Python dictionaries
items2 = [{'bikes': 20, 'pants': 30, 'watches': 35}, 
          {'watches': 10, 'glasses': 50, 'bikes': 15, 'pants':5}]

# We create a DataFrame 
store_items = pd.DataFrame(items2)

# We display the DataFrame
store_items

同樣注意，因為我們創(chuàng)建的 items2 字典沒有標簽索引，因此 Pandas 在創(chuàng)建 DataFrame 時自動使用數(shù)字行索引。和之前一樣，我們可以通過在 pd.DataFrame() 函數(shù)中使用關(guān)鍵字 index，為行索引添加標簽。假設(shè)我們將使用該 DataFrame 存儲某個商店的商品庫存數(shù)量。我們將行索引的標簽設(shè)為 store 1 和 store 2。

# We create a list of Python dictionaries
items2 = [{'bikes': 20, 'pants': 30, 'watches': 35}, 
          {'watches': 10, 'glasses': 50, 'bikes': 15, 'pants':5}]

# We create a DataFrame  and provide the row index
store_items = pd.DataFrame(items2, index = ['store 1', 'store 2'])

# We display the DataFrame
store_items