Importación PANDAS como Pd pd.options.display.max_rows = 10 # establecer el número de líneas de la pantalla DF1 = pd.read_csv (R ^ ' E: \ anacondatest \ PythonData \' Información .csv 'que codifican = ' GBK ' ) # información de trama de datos df1.info () # antes de imprimir la línea 10 de impresión (df1.head (10 )) # después de imprimir la línea 10 de impresión (df1.tail (10 )) # ver nombre de la variable de impresión (df1.columns) # Índice de retornos ([ 'la clasificación '' nombre de la escuela '' hacia fuera '' tipo '' donde las provincias, 'ciudad', 'el sentido de marcha', 'autoridades competentes'], de tipo D = 'objeto') DF1.Columnas = [ ' Posición 1 ', ' Nombre de la Escuela 1 ' , ' Total 1 ' , ' tipo 1 ' , ' donde las provincias 1 ' , ' ciudad 1 ' , ' el sentido de marcha 1 ' , ' autoridades competentes 1 ' ] Imprimir (DF1) # modificación de un especifican uno o una pluralidad de filas de nombres de variables, ya sea directa InPlace reemplazar la trama de datos originales DF2 = df1.rename (columnas = { ' nombre de la escuela 1 ' : ' xuxiaomingcheng ' , " marcó el 1 " : " total " },inplace = False) Imprimir (DF2) # columna de filtro de impresión (DF1. Rango) # retornos de tipo serie de impresión (DF1 [ ' rango ' , ' total ' ]) # devuelve el bloque de datos # borran variables, si desea reemplazar el InPlace datos originales bloque, a fin de no eliminar las columnas de bloques de datos originales directamente DF3 = df1.drop (columnas = [ ' clasificación ' , ' puntuación total ' ], InPlace = False) # conversión tipo de variable, el tipo de datos que tiene PANDAS pitón y numpy tipo mixto de impresión (df1.dtypes) # ver los tipos de datos de las columnas df1.astype ( ' STR ' , los errores = ' la ignoran' ) # Modificar el bloque entero de datos, los errores insignificante error DF1. .Astype de clasificación ( ' STR ' ) # modificar sólo el tipo de datos de una columna # función de conversión de tipo especificado, se puede convertir en mayor df.apply con una pluralidad de filas ' '' pd.to_datetime () pd.to_numeric () pd.to_timedelta () pd.to_srting () '' ' pd.to_numeric (DF1. cabo) DF1 ([ ' clasificación ' ' total ' ]). asType ( ' STR ' ) .apply (pd.to_numeric) # convierten automáticamente en función de las características de los datos, fácil de excluir error df1.infer_objects ()