DataFrame是一个2维标签的数据结构，可以把它简单的想成Excel表格或SQL Table，它的每一行或者每一列都是一个Series，所以也可以把它抽象成Series数组。
一.创建
和Series一样，DataFrame接受许多不同的类型用于创建DataFrame：
- 字典对象
- 2维列表,ndarray对象
- Series对象
- 其他DataFrame对象
1. 由字典对象创建
字典的Key作为DataFrame的列名，字典的Value作为列数据。这里，Value可以是列表，字典，或者Series等对象。可以利用index参数指定索引。
dic={'A':[1,2,3,4,5],'B':[3,2,4,5,6]}
d=df(dic)
print(d)
Out[1]:
A B
0 1 3
1 2 2
2 3 4
3 4 5
4 5 6
2. 由二维结构对象创建
在创建时，我们可以使用columns参数与index参数分别指定列名与索引名，但是注意，要与列，行的数量严格匹配，否则报错。
list=[[1,2,3,4,5],[3,2,4,5,6],[2,2,2,2,2]]
d=df(list,columns=['a','b','c','d','e'],index=[1,2,3])
print(d)
Out[2]:
a b c d e
1 1 2 3 4 5
2 3 2 4 5 6
3 2 2 2 2 2
3. 由Series对象创建
该方法可以创建一个只有一列的DataFrame对象。
s=[1,2,3,4,5]
d=df(s)
print(d)
Out[3]:
0
0 1
1 2
2 3
3 4
4 5
4. 由其他DataFrame对象创建
类似于利用Series创建，这里不再赘述。
二. 查找与索引
DataFrame支持的查找方式有很多，主要包括：
- 点字符 :访问列
- 中括号 [ ]
- loc[ ] ：基于标签索引，可以批量选取
- iloc[ ] ：基于位置索引，可以批量选取
- at[ ] : 基于标签索引，只能选取一个元素
- iat[ ] ： 基于位置索引，只能选取一个元素
- ix[ ] ：loc与iloc的混合体，容易发生位置与标签冲突的情况，pandas不推荐使用，这里不再介绍
1. 点字符
使用点字符以访问成员变量的方式访问列，一次可以访问一列。这里不推荐使用这种方式，主要是为了避免列名与函数名或者保留字冲突。
s={'A':[1,2,3,4,5],'B':[6,7,8,9,10]}
d=df(s,index=['a','b','c','d','e'])
print(d.A)
2. 中括号
使用中括号访问数据是Numpy遗留下来的方式，pandas虽然支持这种方式，但并不是极力推荐的。
示例数据d为：
A B
a 1 6
b 2 7
c 3 8
d 4 9
e 5 10
(1)访问列
- 使用列标签访问单个列：
d['A'](注意只能用列标签，不可以是列位置序号) - 使用列列表访问多个列：
d[['A','B']]
(2)访问行
- 使用索引切片访问多行：
d['a' : 'c']（此处可以使用位置） - 使用布尔表达式访问多行：
d[d['A']>2] #获取A列中大于2的所有行
(3)访问块
使用2个中括号，一个处理行，一个处理列，就可以进行块访问了，且不区分行[ ]与列[ ]的顺序。
举个栗子：
print(d [['A','B']] [d['B']>8] )
Out[4]:
A B
d 4 9
e 5 10
这里不要纠结，为什么行可以用切片，而列不可以；为什么列可以用列表，而行却不可以；我想说的是语法就是语法，就是不可以。
3. 使用loc
loc是严格的基于标签的索引方法，即便使用数字也会被理解为标签是数字类型的，而不会被处理为位置下标。若在loc方法中使用位置下标会发生错误。如果索引是日期类型，那么可以使用日期字符串，比如'20170912'。另外，如果访问的索引不在数据中，那么将报错。
- loc方法的基本格式：
d.loc[行标签，列标签] #行列同时筛选
d.loc[:,列标签] #只筛选列
d.loc[行标签] #只筛选行
- 使用loc方法接受以下输入：
- 单个标签（可以是数字）
- 标签列表
- 标签切片
- 布尔类型：判断大小，isin等
- 函数
注意：与中括号不同的是，loc的切片既可以用在行筛选，又可以用在列筛选中。另外，别忘了，标签切片，左闭右闭；位置切片，左闭右开。
举个例子：
print(d.loc[1:4,'A':'B'])
Out[5]:
A B
1 2 7
2 3 8
3 4 9
4 5 10
再来一个例子：
print(d.loc[d.loc[:,'A']>2,d.loc[2]>3])
Out[6]:
B
2 8
3 9
4 10
4. 使用iloc
iloc的用法与loc完全相同，区别仅在于iloc是严格基于数字位置下标的索引方法。在iloc中，仅可以使用数字下标，否则报错。
使用iloc方法接受以下输入：
- 位置下标
- 位置列表
- 切片
- 布尔
- 函数
注意：iloc的切片是左闭右开的！！！这点与loc不同。
print(d.iloc[1:4,0:1])
Out[7]:
A
1 2
2 3
3 4
5. 使用at[ ] & iat[ ]
这两个函数都是通过行列坐标定位到某个具体元素的，at是基于标签的，iat是基于数字下标的。
d.at[行标签，列标签]
d.iat[行下标，列下标]
三. 添加与插入
1. 插入列
插入列一般适用于插入一列的情况，若是要插入多列，则应该数据整形，这个之后会讨论。
- 插入在最后列：直接给新列赋值就好。但是要注意，新列的名字不能与之前已经存在的列重复，否则会覆盖之前列的数据。
s={'A':[1,2,3,4,5],'B':[6,7,8,9,10]}
d=df(s)
d['C']=[2,3,4,5,6]
print(d)
Out[4]:
A B C
0 1 6 2
1 2 7 3
2 3 8 4
3 4 9 5
4 5 10 6
- 插入在其他位置：使用insert()函数
DataFrame.insert(loc, column, value, allow_duplicates=False)
loc : 插入的位置（从0开始）
column ： 列名标签字符串
value : 列数据，可以是Series或者数组序列
allow_duplicates : False时列名如果已经存在，会报错。True则不会。
s={'A':[1,2,3,4,5],'B':[6,7,8,9,10]}
d=df(s)
d.insert(1,'C',[2,3,4,5,6])
print(d)
Out[5]:
A C B
0 1 2 6
1 2 3 7
2 3 4 8
3 4 5 9
4 5 6 10
2. 插入行
目前没有函数能够直接处理插入行到指定位置，除非分割再合并，我们将在数据整形介绍。下面我们看一下如何添加一行在末尾。
- 直接赋值：
由于中括号[ ]只能选择列，所以在选择行时，我们使用loc与iloc。但是，iloc只能给已经存在的索引赋值，而loc没有限制，所以我们使用loc来添加一行。可以想象，如果index已经存在，那么新的数据会将其覆盖，所以我们要保证插入的索引是原来不存在的。
s={'A':[1,2,3,4,5],'B':[6,7,8,9,10]}
d=df(s)
d[5]=pd.Series([1,1],index=['A','B'])
print(d)
Out[6]:
A B
0 1 6
1 2 7
2 3 8
3 4 9
4 5 10
5 1 1
这里需要注意，给新行赋值的数据可以是数组序列，也可以是Series。若为Series，则必须保证Series的索引与原数据的列名相对应，否则由于自动对齐性质，将插入nan。
- 使用append()函数：
DataFrame.append(data, ignore_index=False, verify_integrity=False, sort=None)
该函数可以在末尾添加一行，添加的数据类型可以是DataFrame，Series，但是会发生自动对齐，所以要注意Series的索引，DataFrame的列名与原数据对应。
s={'A':[1,2,3,4,5],'B':[6,7,8,9,10]}
d=df(s,index=['a','b','c','d','e'])
d=d.append(pd.Series([1,2],index=['A','B']),ignore_index=True)
print(d)
Out[7]:
A B
0 1 6
1 2 7
2 3 8
3 4 9
4 5 10
5 1 2
四. 删除
常用的删除函数主要有2个，drop函数和pop函数。drop可以删除行，也可以删除列，而pop只能删除列。
1. drop
DataFrame.drop(labels=None, axis=0, index=None, columns=None, level=None, inplace=False)
- labels：要删除的行索引或者列的标签，与axis搭配使用。
- axis：要删除哪个轴，0行，1列
- index/columns：分别表示要删除的行的索引与列的标签，使用它们等价于使用labels+axis
- levels：多重索引的层级
- inplace：是否直接修改数据，False表示不修改原数据，返回一个新的删除后的数据，True则直接在原数据中删除。
d.drop(index=[0,1],inplace=True)
Out[8]:
A B
2 3 8
3 4 9
4 5 10
2. pop
DataFrame.pop(item)
- item: 要弹出的列标签，并且返回该列。
五. 修改
1. 修改某个值
d.loc[2,'B']=111
Out[9]:
A B
0 1 6
1 2 7
2 3 111
3 4 9
4 5 10
2. 修改某行
- 整行变成同一个数字
d.loc[2]=111
Out[10]:
A B
0 1 6
1 2 7
2 111 111
3 4 9
4 5 10
- 整行变成一组数字
d.loc[2]=[12,23]
Out[11]:
A B
0 1 6
1 2 7
2 12 23
3 4 9
4 5 10
3. 修改某列
同修改某行方法类似。
4. 修改某块
d.loc[2:3]=111
Out[12]:
A B
0 1 6
1 2 7
2 111 111
3 111 111
4 5 10