Pandas - DataFrame类型的对象 - 2. 相关属性

相关属性

• index
• columns
• values
• shape
• ndim
• dtypes

说明：

• 可以通过index访问行索引，columns访问列索引，values访问数据，其中index与columns也可以进行设置（修改）。
• 可以为DataFrame的index与columns属性指定name属性值。
• DataFrame的数据不能超过二维。

# df = pd.DataFrame([[1, 2, 3], [4, 5, 6]], index=["a", "b"], columns=["e", "f", "g"])
# index 返回DataFrame的行索引。
# df.index
# 修改行索引。
# df.index = ["a1", "b1"]
# columns 返回DataFrame的列索引。
# df.columns = ["e1", "f1", "g1"]
# 我们也可以自己先创建Index对象（也可以指定name属性）。
row_index = pd.Index(["a", "b"], name="行索引")
col_index = pd.Index(["e", "f", "g"], name="列索引")
df = pd.DataFrame([[1, 2, 3], [4, 5.3, 6]], index=row_index, columns=col_index)
# df
# values 返回DataFrame所关联的ndarray数组。
# df.values
# shape 返回DataFrame的形状。也就是返回DataFrame所关联的ndarray数组的形状。df.values.shape
# df.shape
# ndim 返回DataFrame维度数。
# df.ndim
# dtypes 返回DataFrame中每一列的数据类型。
# DataFrame与ndarray在数据类型上的体现是不同的。对于ndarray，数组中所有元素的类型都是相同的（整个数组只有一种类型）。如果
# 数组中元素类型不一致，则会找出一种最兼容的类型，来作为ndarray数组的总体类型。对于DataFrame，每个列都可以具有不同的数据类型，
# 这点类似于数据库中的数据表。
# display(df.dtypes)
# display(df)

# DataFrame的数据结构不能超过2维。
# 错误。
# df = pd.DataFrame(np.ones(shape=(3, 3, 3)))

1. index

获得，修改DataFrame的行索引，
没有指定，现在是2行。

现在指定a b，
注意：因为不是数值类型了，而是index object类型。

修改行索引

2. Columns

修改列索引

3. 指定 改变 用变量形式

pd.Index 大写

4. 设索引名称，加Name

5. Values

返回DataFrame所关联的ndarray数组

6. Shape

返回DataFrame所关联的数组的形状，
形状，要注意：
意义不在于表面上的形状，
真正的意义在于获得每个维度的长度。

因为shape返回的是一个元组，从高维到低维，每个维度的长度，
知道有多少行，多少列。

Df.shape[0] df.shape[1] 行数，列数

7. Ndim

返回DataFrame维度数，
没什么意思，因为DataFrame就是二维的。

8. Dtypes

Df每一列可以是不同类型

对于ndarray而言，我们元素类型必须是相同的，
即使不同，也会兼容 选一种作为总体。

而DataFrame 列里面必须相同 列与列之间可以不同。

如果说数组中元素类型不一致，比如float int，
Ndarray会找到一种最兼容的类型，来作为ndarray数组的总体类型，
而对于DataFrame，某一列内的数据类型要求一样，但列之间不要求一样，
这一点类似于数据库中的数据表 table 每一个字段里面要求相同。

9. Ndarray为什么数据类型必须一致?

因为采用紧凑式存储，
要想访问第n个元素，先定位地址，
如何定位，
起始地址+ n * 单个元素的长度。

如果每个元素的长度不一样，就不能快速定位，
Ndarray要求快。

DataFrame为什么可以不一样？
字典是以键值对储存，完全不需要挨在一起，
键值对，绑定。

他们两个根本就是不用的键值对，所以不要求一直，
这一列里面要求一直。
5.3 意味着 2 要变成2.0

10. DataFrame能为3维的吗？

不能