Python Pandas创建Dataframe数据框的六种方法汇总

创建Dataframe主要是使用pandas中的DataFrame函数，其核心就是第一个参数：data，传入原始数据，因此我们可以据此给出六种创建Dataframe的方法：（示例代码环境：jupyter：python3.8）

一、字典类

方法1：列表、数组或元组构成的字典构造Dataframe

直接上代码：

import pandas as pd
import numpy as np
dic = {"a": [1, 2, 3, 4], #列表
      "b": np.array([4, 5, 6, 7]), #数组
      "c": (1, 2, 3, 4)} #元组
data = pd.DataFrame(dic) # 创建Dataframe
data

运行结果：

可以看到，一个新的数据框已经创建成功了。系统默认为我们生成了行索引，而列索引就是字典dic里的key，我们也可以在创建Dataframe时手动指定行索引，只需修改参数index：

import pandas as pd
import numpy as np
dic = {
   "a": [1, 2, 3, 4],  # 列表
   "b": np.array([4, 5, 6, 7]),  # 数组
   "c": (1, 2, 3, 4),
}  # 元组
data = pd.DataFrame(dic, index=["一", "二", "三", "四"])  # 创建Dataframe
data

运行结果：

那么如果事后我们后悔了，觉得我们起的列索引的名字不好听，怎么修改呢？只需修改Dataframe的columns属性：

data.columns = ["A", "B", "C"]
data

结果如下：

读者也可以尝试修改Dataframe的index属性。

方法2：Series构成的字典构造Dataframe

import pandas as pd
import numpy as np
dic = {"a": pd.Series([1, 2, 3, 4]),
      "b": pd.Series([4, 5, 6, 7])}
data = pd.DataFrame(dic)  # 创建Dataframe
data

运行结果：

方法3：字典构成的字典构造Dateframe

import pandas as pd
import numpy as np
dic = {"a": {"一": 1, "二": 2},
      "b": {"一": 10, "二": 20},
      "c": {"一": 100, "二": 200}}
data = pd.DataFrame(dic)  # 创建Dataframe
data

运行结果：

其中：外层的a,b,c这三个key作为了列索引，内层的一，二作为了行索引。读者可以尝试为字典dic再添加一个元素："d":{"一": 100}，看看创建出来的Dataframe长什么样，这个结果会给你什么启示？

二、列表类

方法1：二维数组构造Dataframe

import pandas as pd
import numpy as np
ls = np.arange(12).reshape(3, 4)  # 创建二维数组
data = pd.DataFrame(ls)
data

运行结果：

方法2：字典列表构造Dataframe

import pandas as pd
import numpy as np
ls = [{"一": 1, "二": 2},
     {"一": 10, "二": 20},
     {"一": 100, "二": 200}]
data = pd.DataFrame(ls)
data

运行结果：

可以看到，列表中的字典的key作为了列索引，这个就很像关系型数据库里的字段和值。读者要注意和字典类中方法3的区别。

方法3：Series列表构造Dataframe

import pandas as pd
import numpy as np
ls = [pd.Series([1, 2, 3, 4]),
     pd.Series([4, 5, 6, 7])]
data = pd.DataFrame(ls)
data

运行结果：

三、小结

笔者为读者提供了六种方法创建Dataframe，这里总结一下：

1.细心的读者可能会发现：

在字典类中，字典最外层的key都作为了列索引，而值则作为某一行的值；

在列表类中，列表的每一个元素都作为了某一行的值。

2.读者需要在实际数据处理时，根据处理数据的特点选择合适的方式创建Dataframe。

来源：https://blog.csdn.net/DY7778F/article/details/119782352