DataFrame是一个【表格型】的数据结构，可以看做是由【Series组成的字典】 DataFrame由按一定顺序排列的多列数据组成。 设计初衷是将Serise的使用场景从一维拓展到多维。 DataFrame既有行索引，也有列索引。 行索引：index 列索引：columns 值：values（numpy的二维数组）
一、创建
最常用的方法是传递一个字典来创建。DataFrame以字典的键作为每一【列】的名称，以字典的值（一个数组）作为每一列。此外，DataFrame会自动加上每一行的索引（和Series一样）。同Series一样，若传入的列与字典的键不匹配，则相应的值为NaN。
df = DataFrame(data={"python": np.random.randint(0, 150, size=5),
"math": np.random.randint(0, 150, size=5),
"en": np.random.randint(0, 150, size=5)},
index=list("ABCDE"))
print(df)
df2 = DataFrame(data=np.random.randint(0, 150, size=(10, 4)),
index=list("ABCDEFGHIJ"),
columns=["Python", "Math", "En", "Chi"])
print(df2)输出结果如下：
二、保存
df2.to_csv("df2_data.txt")
df2.to_excel("df2_data.xlsx")
# 读取数据，读取txt文件
df3 = pd.read_csv("df2_data.txt")
# 把读取的unnamed = 0改名为Index,因为改的是列索引，所以axis=1
df4 = df3.rename(mapper={"Unnamed: 0": "Index"}, axis=1)
print(df3)
# 直接打印输出df3不变，为什么？需要用df4去接收
print(df4) 
三、读取
# 读取数据，读取txt文件
df3 = pd.read_csv("df2_data.txt")
# 把读取的unnamed = 0改名为Index,因为改的是列索引，所以axis=1
df4 = df3.rename(mapper={"Unnamed: 0": "Index"}, axis=1)
print(df3)
# 直接打印输出df3不变，需要用df4去接收
print(df4)输出结果如下：
# 读取数据，读取excel文件
df5 = pd.read_excel("df2_data.xlsx")
print(df5)
输出结果如下：
四、索引
首先创建一个DataFrame。
df2 = DataFrame(data=np.random.randint(0, 150, size=(10, 4)),
index=list("ABCDEFGHIJ"),
columns=["Python", "Math", "En", "Chi"])列索引：
# 获取某一列，该列就是一个Series，可以通过属性方式获取
print(df2.Python)
print(df2[["Math", "En"]])输出结果如下：
行索引：
# 获取某一行，只能使用loc和iloc
print(df2.loc[["A", "B"]])
print(df2.iloc[[3, 5]])输出结果如下：
元素索引：
# 对于元素的索引
# 先找列，再找行可以直接使用中括号，反过来不行
print(df2["Math"]["C"])
# 先找行，再找列，要使用loc，永远都是先找行，再找列即df.loc["index","column"]
print(df2.loc["C"]["Math"])
print(df2.loc["C", "Math"])输出结果都为：134
五、切片
行切：
# 直接使用中括号切片不能对列切片，只能对行切，即拦腰斩断
print(df2['A':'B'])
print(df2.loc['A':'B'])
print(df2.iloc[0:2])输出结果如下：
列切：
# 列切,只能用这种方式
print(df2.iloc[:, 0:2])输出结果如下：
