先确认示例数据在手边import os import mkdata # 第 1 篇里的 mkdata.py if not os.path.exists(data/sales.csv): mkdata.main() # 没生成过就先跑一次 print(示例数据就绪, os.path.exists(data/sales.csv))这段会检查第 1 篇生成的data/目录在不在不在就自动补一次已经有数据时只会打印一行示例数据就绪 True不影响后面的结果。写在前面本系列已更新到第 2 篇。上一篇我们把 Pandas 装上、跑通了第一个程序还生成了后面 11 篇要用的data/示例数据。这一篇解决一个更底层的问题Pandas 里的表格到底是什么东西。搞不清这一点后面每一次报错你都只能靠猜搞清了取数、改数、算数基本就是顺手的事。一、Series一列数据 一排标签一句话Series 就是带标签的一列数据。左边是标签索引右边是值每个值都能被自己的标签叫出来。import pandas as pd # 数据 索引标签顺手起个名字 s pd.Series([120, 95, 60, 88], index[杭州, 上海, 北京, 广州], name销量) print(s) print(----) print(索引, s.index.tolist()) print(数值, s.values) print(按标签取一个, s[上海]) print(按标签取多个, s[[杭州, 广州]].tolist()) print(合计, s.sum())杭州 120 上海 95 北京 60 广州 88 Name: 销量, dtype: int64 ---- 索引 [杭州, 上海, 北京, 广州] 数值 [120 95 60 88] 按标签取一个 95 按标签取多个 [120, 88] 合计 363打印结果左侧是标签、右侧是值底部的Name: 销量是它的名字dtype: int64是数值类型。注意最后两行的取值写法取一个用一层方括号取多个要再套一层方括号。这个多一层方括号表示多选的规则DataFrame 完全一样先记牢它。二、用字典造一张 DataFrameDataFrame 可以理解成共用同一套行索引的好几列 Series 拼起来的一张表。最快的造表方式是给一个字典键是列名值是这一列的内容。import pandas as pd df pd.DataFrame( { 城市: [杭州, 上海, 北京, 广州], 销量: [120, 95, 60, 88], 单价: [49.9, 29.9, 89.0, 599.0], } ) print(df.to_string(indexFalse)) print(----) # 另一种常见写法列表套列表再手动指定列名 df2 pd.DataFrame([[杭州, 120, 49.9], [上海, 95, 29.9]], columns[城市, 销量, 单价]) print(df2.to_string(indexFalse)) print(----) print(index 行标签, df.index.tolist()) print(columns 列名, df.columns.tolist()) print(shape行数, 列数, df.shape) print(values 纯数据只取数值列) print(df[[销量, 单价]].values)城市 销量 单价 杭州 120 49.9 上海 95 29.9 北京 60 89.0 广州 88 599.0 ---- 城市 销量 单价 杭州 120 49.9 上海 95 29.9 ---- index 行标签 [0, 1, 2, 3] columns 列名 [城市, 销量, 单价] shape行数, 列数 (4, 3) values 纯数据只取数值列 [[120. 49.9] [ 95. 29.9] [ 60. 89. ] [ 88. 599. ]]三个地方值得停一下字典里每列的列表长度必须一样少写一个值就会报ValueError: All arrays must be of the same length这是新手最高频的造表报错index/columns/values是看骨架的三件套前两个是行标签和列名values是去掉标签后的纯数据numpy 数组。整张表混了文本时values会退化成 object 数组所以一般只对数值列用它to_string(indexFalse)是为了打印时不显示左边那列 0、1、2 的行号看起来更像 Excel。三、取一列、取多列取列只有两种写法区别就在方括号的层数上。import pandas as pd df pd.DataFrame( { 城市: [杭州, 上海, 北京, 广州], 销量: [120, 95, 60, 88], 单价: [49.9, 29.9, 89.0, 599.0], } ) # 一层方括号取一列得到 Series col df[城市] print(df[城市] 是, type(col).__name__, , col.tolist()) # 两层方括号取多列得到 DataFrame two df[[城市, 销量]] print(df[[城市, 销量]] 是, type(two).__name__, ) print(two.to_string(indexFalse))df[城市] 是 Series [杭州, 上海, 北京, 广州] df[[城市, 销量]] 是 DataFrame 城市 销量 杭州 120 上海 95 北京 60 广州 88df[城市]是 Seriesdf[[城市]]是只有一列的 DataFrame。什么时候必须区分当你要接着调head()、to_excel()这类表才有的方法时就得是 DataFrame只是看数值、求和、比较Series 更省事。四、加一列、删一列列与列直接算给一个不存在的列名赋值就是新增一列更舒服的是列与列之间能直接做四则运算不用写 for 循环。import pandas as pd df pd.DataFrame( { 城市: [杭州, 上海, 北京, 广州], 销量: [120, 95, 60, 88], 单价: [49.9, 29.9, 89.0, 599.0], } ) # 新增一列两列直接相乘整列一起算 df[金额] (df[销量] * df[单价]).round(2) print(df.to_string(indexFalse)) print(----) # 删除列drop 默认返回新表不动原表 df.drop(columns[单价]) print(只写 drop 不赋值列还在, df.columns.tolist()) df_new df.drop(columns[单价]) print(赋值给新变量之后, df_new.columns.tolist()) print(----) # 删除行用 index 参数 print(df.drop(index[0, 2]).to_string(indexFalse))城市 销量 单价 金额 杭州 120 49.9 5988.0 上海 95 29.9 2840.5 北京 60 89.0 5340.0 广州 88 599.0 52712.0 ---- 只写 drop 不赋值列还在 [城市, 销量, 单价, 金额] 赋值给新变量之后 [城市, 销量, 金额] ---- 城市 销量 单价 金额 上海 95 29.9 2840.5 广州 88 599.0 52712.0这段有两个新手必踩的点一是df[金额] ...是直接改原表而drop是返回新表不赋值等于白删二是整列相乘靠的是向量化运算几十万行也是一瞬间千万不要用 for 循环一行行去算。五、loc 与 iloc按名字取还是按位置取规则一句话loc 认标签iloc 认位置。两者的写法都是[行, 列]只写行就是取整行。import pandas as pd df pd.DataFrame( { 城市: [杭州, 上海, 北京, 广州], 销量: [120, 95, 60, 88], 单价: [49.9, 29.9, 89.0, 599.0], } ) df[金额] (df[销量] * df[单价]).round(2) print(默认索引是 0、1、2、3 时loc[1] 和 iloc[1] 看起来一样) print(df.loc[1].to_string()) print(单个格子, df.loc[1, 金额]) print(----) print(切片就分道扬镳了loc[0:2] 是, df.loc[0:2].shape[0], 行含右端点iloc[0:2] 是, df.iloc[0:2].shape[0], 行不含) print(----) city_df df.set_index(城市) print(把城市设成索引后loc 可以直接用城市名取) print(city_df.loc[[杭州, 广州], [销量, 金额]].to_string()) print(iloc 依然按位置取第 2 行) print(city_df.iloc[1].to_string()) print(----) df3 df.copy() df3.index [10, 20, 30, 40] print(索引改成 [10, 20, 30, 40] 后loc[10] 取到, df3.loc[10, 城市]) print(索引里还有标签 0 吗, 0 in df3.index.tolist())默认索引是 0、1、2、3 时loc[1] 和 iloc[1] 看起来一样 城市 上海 销量 95 单价 29.9 金额 2840.5 单个格子 2840.5 ---- 切片就分道扬镳了loc[0:2] 是 3 行含右端点iloc[0:2] 是 2 行不含 ---- 把城市设成索引后loc 可以直接用城市名取 销量 金额 城市 杭州 120 5988.0 广州 88 52712.0 iloc 依然按位置取第 2 行 销量 95.0 单价 29.9 金额 2840.5 ---- 索引改成 [10, 20, 30, 40] 后loc[10] 取到 杭州 索引里还有标签 0 吗 False最后两行是重点索引变成 10 开头之后df3.loc[0]会直接报KeyError: 0因为它找的是标签 0而表里根本没有这个标签这时只有iloc[0]能拿到第一行。只要索引不是默认的 0、1、2、3用 loc 就必须写真实标签——从 Excel 读进来带了自定义索引的表最容易在这里翻车。六、索引对齐NaN 是怎么冒出来的Pandas 最容易让人懵的行为来了两个 Series 相加时它先按标签配对再相加对不上的标签直接给 NaN。它不看顺序只看标签。import pandas as pd s1 pd.Series([1, 2, 3], index[杭州, 上海, 北京]) s2 pd.Series([10, 20], index[上海, 广州]) print(s1 s2) print(----) # 给表加一列时也是按标签对齐顺序打乱也能对上 df pd.DataFrame({销量: [120, 95, 60]}, index[杭州, 上海, 北京]) price pd.Series([89.0, 49.9, 29.9], index[北京, 杭州, 上海]) df[单价] price print(df.to_string()) print(----) # 索引里多了个表里没有的成都对不上就是 NaN df[单价2] pd.Series([49.9, 29.9], index[杭州, 成都]) print(df.to_string())上海 12.0 北京 NaN 广州 NaN 杭州 NaN dtype: float64 ---- 销量 单价 杭州 120 49.9 上海 95 29.9 北京 60 89.0 ---- 销量 单价 单价2 杭州 120 49.9 49.9 上海 95 29.9 NaN 北京 60 89.0 NaNs1 s2只有上海两边都有所以只有它算出 12.0其余三行全是 NaN。第二段里price的顺序被故意打乱但对齐之后 49.9 依然准确落在杭州——对齐认标签不认顺序。第三段最贴近实战从别处拿来的 Series 索引和主表对不上加进去就是一片 NaN。所以后面第 4 篇做数据探查时要专门数一遍缺失值第 6 篇还要分清本来就缺和对不齐造出来的缺。七、拿 sales.csv 对照一遍内存里的小表看懂了换成真表来一遍。这次我们读第 1 篇生成的销售明细用列运算把它原有的金额列验算一遍。import pandas as pd sales pd.read_csv(data/sales.csv, encodingutf-8-sig) print(列名, sales.columns.tolist()) print(sales[[产品, 数量, 单价, 金额]].head(5).to_string(indexFalse)) print(----) # 列与列相乘自己重算一遍金额 sales[重算金额] (sales[数量] * sales[单价]).round(2) bad sales[sales[金额] ! sales[重算金额]] print(和原金额对不上的行) print(bad[[订单日期, 产品, 金额, 重算金额]].to_string(indexFalse))列名 [订单日期, 城市, 产品, 数量, 单价, 销售员, 金额] 产品 数量 单价 金额 A-笔记本 3 49.9 149.7 B-鼠标 5 29.9 149.5 B-鼠标 5 29.9 149.5 C-键盘 2 89.0 178.0 A-笔记本 4 49.9 199.6 ---- 和原金额对不上的行 订单日期 产品 金额 重算金额 2024-02-11 B-鼠标 NaN 179.4 2024-04-18 D-显示器 NaN 1198.0 2024-05-20 D-显示器 -599.0 2995.0真表里正好三种情况都齐了两行原金额是空的NaN一行金额是负数录入错了而它们用「数量 × 单价」重算出来的数字都没问题。这也说明 DataFrame 的列运算不只是算数还能顺手当数据质量检查用。常见问题Q1df[0]为什么取不到第一行方括号里写整数时Pandas 会把它当列名去查报KeyError: 0。想按位置取第一行用df.iloc[0]想取某一列用df[列名]。记住方括号里是列名不是行号。Q2df.drop(columns[单价])执行了为什么表没变drop、head、sort_values这些方法默认返回新对象不改原表。想留下结果就赋值df df.drop(columns[单价])。养成返回新表 → 赋值给变量的习惯比记一堆原地修改的参数省心得多。Q3为什么我的dtypes显示str文章里是objectobject是 Pandas 里Python 字符串对象的经典写法早期版本统一这么显示pandas 3.x 起文本列默认换成了新的str类型于是在新版本上跑就会看到str。两者是同一个意思在.str字符串方法、比较运算、read_csv上的用法完全一样看到哪个都不用慌。真要判断这列是不是文本稳妥的写法是select_dtypes(excludenumber)第 4 篇会用到。小结这一篇把 Pandas 的两个核心对象摸了一遍Series 是带标签的一列DataFrame 是共用一套行索引的多列取列靠方括号的层数加列靠赋值删列删行靠droploc 认标签、iloc 认位置而所有跨对象的运算都会先按标签对齐对不上就填 NaN。这几个规则看着简单但它们是后面筛选、清洗、分组、合并的地基——你之后遇到的绝大多数莫名其妙的结果都能从这几条里找到解释。下一篇我们聊怎么把 CSV 和 Excel 文件正确地读进来编码、路径、表头、只读部分列、多 sheet、大文件分块一次讲清。