上一篇文章中，介紹了 Pandas 中的 Series 結構，今天要和大家聊聊 Pandas 中最常使用的資料結構——DataFrame，其概念和操作都和 Series 有些差異，剛開始學習很容易一頭霧水，趁著這次的機會，一次整理好和大家一起分享！內容包含：

1. 介紹 DataFrame
2. 創建 DataFrame 物件
3. 訪問 DataFrame 資料
4. 瞭解 DataFrame 屬性

■ 簡介｜DataFrame

　　DataFrame 在 Pandas 中適用於處理「雙維度」的資料，是由列（row）和欄（column）組成的「二維陣列」，能將複雜的數據以易於閱讀的結構化資料呈現，如同 Excel 表格一樣，經常應用於讀取 CSV 檔或資料庫，因此成為 Pandas 中最常用的數據結構！

■ 創建 DataFrame 物件

使用 DataFrame( ) 語法，搭配 Python 的字典（dict）創建 DataFrame 物件。
舉例：創建名為data，具有姓名、居住縣市、數學成績的 DataFrame 物件

import pandas as pd
data = {'name':['Alan','Chris','Dora','Elsa','Ida'],
		'city':['Taipei','Tainan','Yilan','Taichung','Hsinchu'],
	    'Math':[76,92,63,88,79]}
df = pd.DataFrame(data)
print(df)

輸出結果：

■ 訪問 DataFrame 資料

　　DataFrame 的資料通常具有多筆資料（row）、多個欄位（column），同時擁有「行索引」和「列索引」 ，因此操作上需事先考量要取得的資料屬於「特定行」or「特定列」or「指定資料」！

1. 取得「特定行」 → 使用「索引值」
舉例：在名為 data 的 DataFrame 中，取得第 2、3 行資料 & 第 3 行資料

import pandas as pd
data = {'name':['Alan','Chris','Dora','Elsa','Ida'],
		'city':['Taipei','Tainan','Yilan','Taichung','Hsinchu'],
	    'Math':[76,92,63,88,79]}
df = pd.DataFrame(data)
print(df)         # 完整data
print('--------------------')
print(df[1:3])    # 取第2、3行資料
print('--------------------')
print(df[2:3])    # 取第3行資料

輸出結果：

2. 取得「特定列」 → 使用「欄位名稱」
舉例：在名為 data 的 DataFrame 中，取得單一欄位或多欄位資料

import pandas as pd
data = {'name':['Alan','Chris','Dora','Elsa','Ida'],
		'city':['Taipei','Tainan','Yilan','Taichung','Hsinchu'],
	    'Math':[76,92,63,88,79]}
df = pd.DataFrame(data)
print(df[['name']])　　　　　# 單獨取name欄位資料
print('--------------------')
print(df[['name','city']])  # 同時取name和city欄位資料

▲ 注意：print 結果時，記得使用兩個中括號，以呈現 DataFrame 格式！

輸出結果：

3. 取得「指定資料」 → 使用「loc、iloc」
(1) 使用 loc [ 行索引值 , 欄位名稱 ]
舉例：在名為 data 的 DataFrame 中，取得行索引值 2、3 中 name 和 Math 的資料

import pandas as pd
data = {'name':['Alan','Chris','Dora','Elsa','Ida'],
		'city':['Taipei','Tainan','Yilan','Taichung','Hsinchu'],
	    'Math':[76,92,63,88,79]}
df = pd.DataFrame(data)
print(df)　　　　　　　　　　　　　　　# 完整data
print('-------------------------')
print(df.loc[2,'name'])             # 單獨取索引值為2的name欄位資料
print('-------------------------')
print(df.loc[[2,3],['name','Math']]) # 同時取索引值為2、3的name和Math欄位資料

輸出結果：

(2) 使用 iloc [ 行索引值 , 列索引值 ]
舉例：在名為 data 的 DataFrame 中，取得行索引值 2、3 中，列索引值 0、2 的資料

import pandas as pd
data = {'name':['Alan','Chris','Dora','Elsa','Ida'],
		'city':['Taipei','Tainan','Yilan','Taichung','Hsinchu'],
	    'Math':[76,92,63,88,79]}
df = pd.DataFrame(data)
print(df)　　　　　　　　　　　　　　　# 完整data
print('-------------------------')
print(df.iloc[2,0])                 # 單獨取行索引值為2，列索引值為0的資料
print('-------------------------')
print(df.iloc[[2,3],[0,2]])         # 同時取行索引值為2、3，列索引值為0、2的資料

輸出結果：

▲ 這裡可以發現，使用 loc[] 和 iloc[] 的差異點在於中括號後者參數為「欄位名稱」還是「列索引值」！

若想自行定義索引值的話，可以用 index 參數進行設定
舉例：創建名為 data 的 DataFrame 物件，設定索引值為 No1 至 No5

import pandas as pd
data = {'name':['Alan','Chris','Dora','Elsa','Ida'],
		'city':['Taipei','Tainan','Yilan','Taichung','Hsinchu'],
	    'Math':[76,92,63,88,79]}
df = pd.DataFrame(data,index=['No1','No2','No3','No4','No5'])
print(df)

輸出結果：

■ 瞭解 DataFrame 屬性

1. DataFrame.values：以 list 返回 DataFrame 中的資料
2. DataFrame.size：返回 DataFrame 中的元素數量
3. DataFrame.index：返回 DataFrame 的行索引
4. DataFrame.columns：返回 DataFrame 的列索引
5. DataFrame.dtypes：返回 DataFrame 的數據型態
6. DataFrame.shape：返回 DataFrame 的數據形狀

舉例：創建名為 data 的 DataFrame 物件，並觀察其屬性

import pandas as pd
data = {'name':['Alan','Chris','Dora','Elsa','Ida'],
				'city':['Taipei','Tainan','Yilan','Taichung','Hsinchu'],
	      'Math':[76,92,63,88,79]}
df = pd.DataFrame(data)
print(df.values)　　# DataFrame 中的資料
print('-------------------------')
print(df.size)      # DataFrame 中元素數量
print('-------------------------')
print(df.index)     # DataFrame 中的行索引
print('-------------------------')
print(df.columns)   # DataFrame 中的列索引
print('-------------------------')
print(df.dtypes)    # DataFrame 中各欄位型態
print('-------------------------')
print(df.shape)     # DataFrame 的數據形狀

輸出結果：

▲ (5,3) 表示為有5行、3列的二維結構！

■ 結語

耶！結束 Pandas 的兩種資料結構介紹了！尤其 DataFrame 的整理真的耗費好多時間，希望大家能看得明白，更認識 DataFrame！如果有任何不理解、錯誤或建議的話，歡迎留言給我！喜歡的話，也歡迎按讚訂閱！明天開始將進入資料處理的各種操作，繼續加油！Fighting~~
　　
我是 Eva，一位正在努力跨進資料科學領域的女子！我們下一篇文章見！Bye Bye~
【本篇文章將同步更新於個人的 Medium】