有网站吗给一个,怎么建网站自己做赌场,公司一定建设网站,学做网站需要懂什么CSDN 课程推荐#xff1a;《迈向数据科学家#xff1a;带你玩转Python数据分析》#xff0c;讲师齐伟#xff0c;苏州研途教育科技有限公司CTO#xff0c;苏州大学应用统计专业硕士生指导委员会委员#xff1b;已出版《跟老齐学Python#xff1a;轻松入门》《跟老齐学Py…
CSDN 课程推荐《迈向数据科学家带你玩转Python数据分析》讲师齐伟苏州研途教育科技有限公司CTO苏州大学应用统计专业硕士生指导委员会委员已出版《跟老齐学Python轻松入门》《跟老齐学PythonDjango实战》、《跟老齐学Python数据分析》和《Python大学实用教程》畅销图书。Pandas 系列文章
Python 数据分析三剑客之 Pandas一认识 Pandas 及其 Series、DataFrame 对象Python 数据分析三剑客之 Pandas二Index 索引对象以及各种索引操作Python 数据分析三剑客之 Pandas三算术运算与缺失值的处理Python 数据分析三剑客之 Pandas四函数应用、映射、排序和层级索引Python 数据分析三剑客之 Pandas五统计计算与统计描述Python 数据分析三剑客之 Pandas六GroupBy 数据分裂、应用与合并Python 数据分析三剑客之 Pandas七合并数据集Python 数据分析三剑客之 Pandas八数据重塑、重复数据处理与数据替换Python 数据分析三剑客之 Pandas九时间序列Python 数据分析三剑客之 Pandas十数据读写 另有 NumPy、Matplotlib 系列文章已更新完毕欢迎关注
NumPy 系列文章https://itrhx.blog.csdn.net/category_9780393.htmlMatplotlib 系列文章https://itrhx.blog.csdn.net/category_9780418.html 推荐学习资料与网站博主参与部分文档翻译
NumPy 官方中文网https://www.numpy.org.cn/Pandas 官方中文网https://www.pypandas.cn/Matplotlib 官方中文网https://www.matplotlib.org.cn/NumPy、Matplotlib、Pandas 速查表https://github.com/TRHX/Python-quick-reference-table 文章目录【01x00】了解 Pandas【02x00】Pandas 数据结构【03x00】Series 对象【03x01】通过 list 构建 Series【03x02】通过 dict 构建 Series【03x03】获取其数据和索引【03x04】通过索引获取数据【03x05】使用函数运算【03x06】name 属性【04x00】DataFrame 对象【03x01】通过 ndarray 构建 DataFrame【03x02】通过 dict 构建 DataFrame【03x03】获取其数据和索引【03x04】通过索引获取数据【03x05】修改列的值【03x06】增加 / 删除列【03x07】name 属性这里是一段防爬虫文本请读者忽略。
本文原创首发于 CSDN作者 TRHX。
博客首页https://itrhx.blog.csdn.net/
本文链接https://itrhx.blog.csdn.net/article/details/106676693
未经授权禁止转载恶意转载后果自负尊重原创远离剽窃【01x00】了解 Pandas
Pandas 是 Python 的一个数据分析包是基于 NumPy 构建的最初由 AQR Capital Management 于 2008 年 4 月开发并于 2009 年底开源出来目前由专注于 Python 数据包开发的 PyData 开发团队继续开发和维护属于 PyData 项目的一部分。
Pandas 最初被作为金融数据分析工具而开发出来因此Pandas 为时间序列分析提供了很好的支持。Pandas 的名称来自于面板数据panel data和 Python 数据分析data analysis。panel data 是经济学中关于多维数据集的一个术语在 Pandas 中也提供了 panel 的数据类型。
Pandas 经常和其它工具一同使用如数值计算工具 NumPy 和 SciPy分析库 statsmodels 和 scikit-learn数据可视化库 Matplotlib 等虽然 Pandas 采用了大量的 NumPy 编码风格但二者最大的不同是 Pandas 是专门为处理表格和混杂数据设计的。而 NumPy 更适合处理统一的数值数组数据。 【以下对 Pandas 的解释翻译自官方文档https://pandas.pydata.org/docs/getting_started/overview.html#package-overview】 Pandas 是 Python 的核心数据分析支持库提供了快速、灵活、明确的数据结构旨在简单、直观地处理关系型、标记型数据。Pandas 的目标是成为 Python 数据分析实践与实战的必备高级工具其长远目标是成为最强大、最灵活、可以支持任何语言的开源数据分析工具。经过多年不懈的努力Pandas 离这个目标已经越来越近了。
Pandas 适用于处理以下类型的数据
与 SQL 或 Excel 表类似的含异构列的表格数据;有序和无序非固定频率的时间序列数据;带行列标签的矩阵数据包括同构或异构型数据;任意其它形式的观测、统计数据集, 数据转入 Pandas 数据结构时不必事先标记。
Pandas 的主要数据结构是 Series一维数据与 DataFrame二维数据这两种数据结构足以处理- 金融、统计、社会科学、工程等领域里的大多数典型用例。对于 R 语言用户DataFrame 提供了比 R 语言 data.frame 更丰富的功能。Pandas 基于 NumPy 开发可以与其它第三方科学计算支持库完美集成。
Pandas 就像一把万能瑞士军刀下面仅列出了它的部分优势
处理浮点与非浮点数据里的缺失数据表示为 NaN大小可变插入或删除 DataFrame 等多维对象的列自动、显式数据对齐显式地将对象与一组标签对齐也可以忽略标签在 Series、DataFrame 计算时自动与数据对齐强大、灵活的分组group by功能拆分-应用-组合数据集聚合、转换数据把 Python 和 NumPy 数据结构里不规则、不同索引的数据轻松地转换为 DataFrame 对象基于智能标签对大型数据集进行切片、花式索引、子集分解等操作直观地合并和连接数据集灵活地重塑和旋转数据集轴支持分层标签每个刻度可能有多个标签强大的 IO 工具读取平面文件CSV 等支持分隔符的文件、Excel 文件、数据库等来源的数据以及从超快 HDF5 格式保存 / 加载数据时间序列支持日期范围生成、频率转换、移动窗口统计、移动窗口线性回归、日期位移等时间序列功能。
这些功能主要是为了解决其它编程语言、科研环境的痛点。处理数据一般分为几个阶段数据整理与清洗、数据分析与建模、数据可视化与制表Pandas 是处理数据的理想工具。
其它说明
Pandas 速度很快。Pandas 的很多底层算法都用 Cython 优化过。然而为了保持通用性必然要牺牲一些性能如果专注某一功能完全可以开发出比 Pandas 更快的专用工具。Pandas 是 statsmodels 的依赖项因此Pandas 也是 Python 中统计计算生态系统的重要组成部分。Pandas 已广泛应用于金融领域。 【02x00】Pandas 数据结构
Pandas 的主要数据结构是 Series带标签的一维同构数组与 DataFrame带标签的大小可变的二维异构表格。
Pandas 数据结构就像是低维数据的容器。比如DataFrame 是 Series 的容器Series 则是标量的容器。使用这种方式可以在容器中以字典的形式插入或删除对象。
此外通用 API 函数的默认操作要顾及时间序列与截面数据集的方向。当使用 Ndarray 存储二维或三维数据时编写函数要注意数据集的方向这对用户来说是一种负担如果不考虑 C 或 Fortran 中连续性对性能的影响一般情况下不同的轴在程序里其实没有什么区别。Pandas 里轴的概念主要是为了给数据赋予更直观的语义即用更恰当的方式表示数据集的方向。这样做可以让用户编写数据转换函数时少费点脑子。
处理 DataFrame 等表格数据时对比 Numpyindex行或 columns列比 axis 0 和 axis 1 更直观。用这种方式迭代 DataFrame 的列代码更易读易懂
for col in df.columns:series df[col]# do something with series【03x00】Series 对象
Series 是带标签的一维数组可存储整数、浮点数、字符串、Python 对象等类型的数据。轴标签统称为索引。调用 pandas.Series 函数即可创建 Series基本语法如下
pandas.Series(dataNone[, indexNone, dtypeNone, nameNone, copyFalse, fastpathFalse])
参数描述data数组类型可迭代的字典或标量值存储在序列中的数据index索引数据标签值必须是可哈希的并且具有与数据相同的长度允许使用非唯一索引值。如果未提供将默认为RangeIndex012…ndtype输出系列的数据类型。可选项如果未指定则将从数据中推断具体参考官网 dtypes 介绍namestr 类型可选项给 Series 命名copybool 类型可选项默认 False是否复制输入数据【03x01】通过 list 构建 Series
一般情况下我们只会用到 data 和 index 参数可以通过 list列表 构建 Series示例如下 import pandas as pdobj pd.Series([1, 5, -8, 2])obj
0 1
1 5
2 -8
3 2
dtype: int64由于我们没有为数据指定索引于是会自动创建一个 0 到 N-1N 为数据的长度的整数型索引左边一列是自动创建的索引index右边一列是数据data。
此外还可以自定义索引index import pandas as pdobj pd.Series([1, 5, -8, 2], index[a, b, c, d])obj
a 1
b 5
c -8
d 2
dtype: int64索引index也可以通过赋值的方式就地修改 import pandas as pdobj pd.Series([1, 5, -8, 2], index[a, b, c, d])obj
a 1
b 5
c -8
d 2
dtype: int64obj.index [Bob, Steve, Jeff, Ryan]obj
Bob 1
Steve 5
Jeff -8
Ryan 2
dtype: int64【03x02】通过 dict 构建 Series
通过 字典dict 构建 Series字典的键key会作为索引index字典的值value会作为数据data示例如下 import pandas as pddata {Beijing: 21530000, Shanghai: 24280000, Wuhan: 11210000, Zhejiang: 58500000}obj pd.Series(data)obj
Beijing 21530000
Shanghai 24280000
Wuhan 11210000
Zhejiang 58500000
dtype: int64如果你想按照某个特定的顺序输出结果可以传入排好序的字典的键以改变顺序 import pandas as pddata {Beijing: 21530000, Shanghai: 24280000, Wuhan: 11210000, Zhejiang: 58500000}cities [Guangzhou, Wuhan, Zhejiang, Shanghai]obj pd.Series(data, indexcities)obj
Guangzhou NaN
Wuhan 11210000.0
Zhejiang 58500000.0
Shanghai 24280000.0
dtype: float64注意data 为字典且未设置 index 参数时
如果 Python 3.6 且 Pandas 0.23Series 按字典的插入顺序排序索引。如果 Python 3.6 或 Pandas 0.23Series 按字母顺序排序索引。
【03x03】获取其数据和索引
我们可以通过 Series 的 values 和 index 属性获取其数据和索引对象 import pandas as pdobj pd.Series([1, 5, -8, 2], index[a, b, c, d])obj.values
array([ 1, 5, -8, 2], dtypeint64)obj.index
Index([a, b, c, d], dtypeobject)【03x04】通过索引获取数据
与普通 NumPy 数组相比Pandas 可以通过索引的方式选取 Series 中的单个或一组值获取一组值时传入的是一个列表列表中的元素是索引值另外还可以通过索引来修改其对应的值 import pandas as pdobj pd.Series([1, 5, -8, 2], index[a, b, c, d])obj
a 1
b 5
c -8
d 2
dtype: int64obj[a]
1obj[a] 3obj[[a, b, c]]
a 3
b 5
c -8
dtype: int64【03x05】使用函数运算
在 Pandas 中可以使用 NumPy 函数或类似 NumPy 的运算如根据布尔型数组进行过滤、标量乘法、应用数学函数等 import pandas as pdimport numpy as npobj pd.Series([1, 5, -8, 2], index[a, b, c, d])obj[obj 0]
a 1
b 5
d 2
dtype: int64obj * 2
a 2
b 10
c -16
d 4
dtype: int64np.exp(obj)
a 2.718282
b 148.413159
c 0.000335
d 7.389056
dtype: float64除了这些运算函数以外还可以将 Series 看成是一个定长的有序字典因为它是索引值到数据值的一个映射。它可以用在许多原本需要字典参数的函数中 import pandas as pdobj pd.Series([1, 5, -8, 2], index[a, b, c, d])a in obj
Truee in obj
False和 NumPy 类似Pandas 中也有 NaN即非数字not a number在 Pandas 中它用于表示缺失值Pandas 的 isnull 和 notnull 函数可用于检测缺失数据 import pandas as pdimport numpy as npobj pd.Series([np.NaN, 5, -8, 2], index[a, b, c, d])obj
a NaN
b 5.0
c -8.0
d 2.0
dtype: float64pd.isnull(obj)
a True
b False
c False
d False
dtype: boolpd.notnull(obj)
a False
b True
c True
d True
dtype: boolobj.isnull()
a True
b False
c False
d False
dtype: boolobj.notnull()
a False
b True
c True
d True
dtype: bool【03x06】name 属性
可以在 pandas.Series 方法中为 Series 对象指定一个 name import pandas as pddata {Beijing: 21530000, Shanghai: 24280000, Wuhan: 11210000, Zhejiang: 58500000}obj pd.Series(data, namepopulation)obj
Beijing 21530000
Shanghai 24280000
Wuhan 11210000
Zhejiang 58500000
Name: population, dtype: int64也可以通过 name 和 index.name 属性为 Series 对象和其索引指定 name import pandas as pddata {Beijing: 21530000, Shanghai: 24280000, Wuhan: 11210000, Zhejiang: 58500000}obj pd.Series(data)obj.name populationobj.index.name citiesobj
cities
Beijing 21530000
Shanghai 24280000
Wuhan 11210000
Zhejiang 58500000
Name: population, dtype: int64这里是一段防爬虫文本请读者忽略。
本文原创首发于 CSDN作者 TRHX。
博客首页https://itrhx.blog.csdn.net/
本文链接https://itrhx.blog.csdn.net/article/details/106676693
未经授权禁止转载恶意转载后果自负尊重原创远离剽窃【04x00】DataFrame 对象
DataFrame 是一个表格型的数据结构它含有一组有序的列每列可以是不同的值类型数值、字符串、布尔值等。DataFrame 既有行索引也有列索引它可以被看做由 Series 组成的字典共用同一个索引。DataFrame 中的数据是以一个或多个二维块存放的而不是列表、字典或别的一维数据结构。
类似多维数组/表格数据 (如Excel、R 语言中的 data.frame)每列数据可以是不同的类型索引包括列索引和行索引
基本语法如下
pandas.DataFrame(dataNone, index: Optional[Collection] None, columns: Optional[Collection] None, dtype: Union[str, numpy.dtype, ExtensionDtype, None] None, copy: bool False)
参数描述datandarray 对象结构化或同类的、可迭代的或者字典形式存储在序列中的数据index数组类型索引数据标签如果未提供将默认为 RangeIndex012…ncolumns列标签。如果未提供则将默认为 RangeIndex0、1、2、…、ndtype输出系列的数据类型。可选项如果未指定则将从数据中推断具体参考官网 dtypes 介绍copybool 类型可选项默认 False是否复制输入数据仅影响 DataFrame/2d ndarray 输入【03x01】通过 ndarray 构建 DataFrame import numpy as npimport pandas as pddata np.random.randn(5,3)data
array([[-2.16231157, 0.44967198, -0.73131523],[ 1.18982913, 0.94670798, 0.82973421],[-1.57680831, -0.99732066, 0.96432 ],[-0.77483149, -1.23802881, 0.44061227],[ 1.77666419, 0.24931983, -1.12960153]])obj pd.DataFrame(data)obj0 1 2
0 -2.162312 0.449672 -0.731315
1 1.189829 0.946708 0.829734
2 -1.576808 -0.997321 0.964320
3 -0.774831 -1.238029 0.440612
4 1.776664 0.249320 -1.129602指定索引index和列标签columns和 Series 对象类似可以在构建的时候添加索引和标签也可以直接通过赋值的方式就地修改 import numpy as npimport pandas as pddata np.random.randn(5,3)index [a, b, c, d, e]columns [A, B, C]obj pd.DataFrame(data, index, columns)objA B C
a -1.042909 -0.238236 -1.050308
b 0.587079 0.739683 -0.233624
c -0.451254 -0.638496 1.708807
d -0.620158 -1.875929 -0.432382
e -1.093815 0.396965 -0.759479obj.index [A1, A2, A3, A4, A5]obj.columns [B1, B2, B3]objB1 B2 B3
A1 -1.042909 -0.238236 -1.050308
A2 0.587079 0.739683 -0.233624
A3 -0.451254 -0.638496 1.708807
A4 -0.620158 -1.875929 -0.432382
A5 -1.093815 0.396965 -0.759479【03x02】通过 dict 构建 DataFrame
通过 字典dict 构建 DataFrame字典的键key会作为列标签columns字典的值value会作为数据data示例如下 import pandas as pddata {city: [Wuhan, Wuhan, Wuhan, Beijing, Beijing, Beijing],year: [2017, 2018, 2019, 2017, 2018, 2019],people: [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]}obj pd.DataFrame(data)objcity year people
0 Wuhan 2017 10892900
1 Wuhan 2018 11081000
2 Wuhan 2019 11212000
3 Beijing 2017 21707000
4 Beijing 2018 21542000
5 Beijing 2019 21536000如果指定了列序列则 DataFrame 的列就会按照指定顺序进行排列如果传入的列在数据中找不到就会在结果中产生缺失值NaN import pandas as pddata {city: [Wuhan, Wuhan, Wuhan, Beijing, Beijing, Beijing],year: [2017, 2018, 2019, 2017, 2018, 2019],people: [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]}pd.DataFrame(data)city year people
0 Wuhan 2017 10892900
1 Wuhan 2018 11081000
2 Wuhan 2019 11212000
3 Beijing 2017 21707000
4 Beijing 2018 21542000
5 Beijing 2019 21536000pd.DataFrame(data, columns[year, city, people])year city people
0 2017 Wuhan 10892900
1 2018 Wuhan 11081000
2 2019 Wuhan 11212000
3 2017 Beijing 21707000
4 2018 Beijing 21542000
5 2019 Beijing 21536000pd.DataFrame(data, columns[year, city, people, money])year city people money
0 2017 Wuhan 10892900 NaN
1 2018 Wuhan 11081000 NaN
2 2019 Wuhan 11212000 NaN
3 2017 Beijing 21707000 NaN
4 2018 Beijing 21542000 NaN
5 2019 Beijing 21536000 NaN注意data 为字典且未设置 columns 参数时 Python 3.6 且 Pandas 0.23DataFrame 的列按字典的插入顺序排序。 Python 3.6 或 Pandas 0.23DataFrame 的列按字典键的字母排序。
【03x03】获取其数据和索引
和 Series 一样DataFrame 也可以通过其 values 和 index 属性获取其数据和索引对象 import numpy as npimport pandas as pddata {city: [Wuhan, Wuhan, Wuhan, Beijing, Beijing, Beijing],year: [2017, 2018, 2019, 2017, 2018, 2019],people: [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]}obj pd.DataFrame(data)obj.index
RangeIndex(start0, stop6, step1)obj.values
array([[Wuhan, 2017, 10892900],[Wuhan, 2018, 11081000],[Wuhan, 2019, 11212000],[Beijing, 2017, 21707000],[Beijing, 2018, 21542000],[Beijing, 2019, 21536000]], dtypeobject)【03x04】通过索引获取数据
通过类似字典标记的方式或属性的方式可以将 DataFrame 的列获取为一个 Series 对象
行也可以通过位置或名称的方式进行获取比如用 loc 属性
对于特别大的 DataFrame有一个 head 方法可以选取前五行数据。
用法示例 import numpy as npimport pandas as pddata {city: [Wuhan, Wuhan, Wuhan, Beijing, Beijing, Beijing],year: [2017, 2018, 2019, 2017, 2018, 2019],people: [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]}obj pd.DataFrame(data)objcity year people
0 Wuhan 2017 10892900
1 Wuhan 2018 11081000
2 Wuhan 2019 11212000
3 Beijing 2017 21707000
4 Beijing 2018 21542000
5 Beijing 2019 21536000obj[city]
0 Wuhan
1 Wuhan
2 Wuhan
3 Beijing
4 Beijing
5 Beijing
Name: city, dtype: objectobj.year
0 2017
1 2018
2 2019
3 2017
4 2018
5 2019
Name: year, dtype: int64type(obj.year)
class pandas.core.series.Seriesobj.loc[2]
city Wuhan
year 2019
people 11212000
Name: 2, dtype: objectobj.head()city year people
0 Wuhan 2017 10892900
1 Wuhan 2018 11081000
2 Wuhan 2019 11212000
3 Beijing 2017 21707000
4 Beijing 2018 21542000【03x05】修改列的值
列可以通过赋值的方式进行修改。在下面示例中分别给money列赋上一个标量值和一组值 import pandas as pdimport numpy as npdata {city: [Wuhan, Wuhan, Wuhan, Beijing, Beijing, Beijing],year: [2017, 2018, 2019, 2017, 2018, 2019],people: [10892900, 11081000, 11212000, 21707000, 21542000, 21536000],money:[np.NaN, np.NaN, np.NaN, np.NaN, np.NaN, np.NaN]}obj pd.DataFrame(data, index[A, B, C, D, E, F])objcity year people money
A Wuhan 2017 10892900 NaN
B Wuhan 2018 11081000 NaN
C Wuhan 2019 11212000 NaN
D Beijing 2017 21707000 NaN
E Beijing 2018 21542000 NaN
F Beijing 2019 21536000 NaNobj[money] 6666666666objcity year people money
A Wuhan 2017 10892900 6666666666
B Wuhan 2018 11081000 6666666666
C Wuhan 2019 11212000 6666666666
D Beijing 2017 21707000 6666666666
E Beijing 2018 21542000 6666666666
F Beijing 2019 21536000 6666666666obj[money] np.arange(100000000, 700000000, 100000000)objcity year people money
A Wuhan 2017 10892900 100000000
B Wuhan 2018 11081000 200000000
C Wuhan 2019 11212000 300000000
D Beijing 2017 21707000 400000000
E Beijing 2018 21542000 500000000
F Beijing 2019 21536000 600000000将列表或数组赋值给某个列时其长度必须跟 DataFrame 的长度相匹配。如果赋值的是一个 Series就会精确匹配 DataFrame 的索引 import pandas as pdimport numpy as npdata {city: [Wuhan, Wuhan, Wuhan, Beijing, Beijing, Beijing],year: [2017, 2018, 2019, 2017, 2018, 2019],people: [10892900, 11081000, 11212000, 21707000, 21542000, 21536000],money:[np.NaN, np.NaN, np.NaN, np.NaN, np.NaN, np.NaN]}obj pd.DataFrame(data, index[A, B, C, D, E, F])objcity year people money
A Wuhan 2017 10892900 NaN
B Wuhan 2018 11081000 NaN
C Wuhan 2019 11212000 NaN
D Beijing 2017 21707000 NaN
E Beijing 2018 21542000 NaN
F Beijing 2019 21536000 NaNnew_data pd.Series([5670000000, 6890000000, 7890000000], index[A, C, E])obj[money] new_dataobjcity year people money
A Wuhan 2017 10892900 5.670000e09
B Wuhan 2018 11081000 NaN
C Wuhan 2019 11212000 6.890000e09
D Beijing 2017 21707000 NaN
E Beijing 2018 21542000 7.890000e09
F Beijing 2019 21536000 NaN【03x06】增加 / 删除列
为不存在的列赋值会创建出一个新列关键字 del 用于删除列 import pandas as pddata {city: [Wuhan, Wuhan, Wuhan, Beijing, Beijing, Beijing],year: [2017, 2018, 2019, 2017, 2018, 2019],people: [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]}obj pd.DataFrame(data)objcity year people
0 Wuhan 2017 10892900
1 Wuhan 2018 11081000
2 Wuhan 2019 11212000
3 Beijing 2017 21707000
4 Beijing 2018 21542000
5 Beijing 2019 21536000obj[northern] obj[city] Beijingobjcity year people northern
0 Wuhan 2017 10892900 False
1 Wuhan 2018 11081000 False
2 Wuhan 2019 11212000 False
3 Beijing 2017 21707000 True
4 Beijing 2018 21542000 True
5 Beijing 2019 21536000 Truedel obj[northern]objcity year people
0 Wuhan 2017 10892900
1 Wuhan 2018 11081000
2 Wuhan 2019 11212000
3 Beijing 2017 21707000
4 Beijing 2018 21542000
5 Beijing 2019 21536000【03x07】name 属性
可以通过 index.name 和 columns.name 属性设置索引index和列标签columns的 name注意 DataFrame 对象是没有 name 属性的 import pandas as pddata {city: [Wuhan, Wuhan, Wuhan, Beijing, Beijing, Beijing],year: [2017, 2018, 2019, 2017, 2018, 2019],people: [10892900, 11081000, 11212000, 21707000, 21542000, 21536000]}obj pd.DataFrame(data)obj.index.name indexobj.columns.name columnsobj
columns city year people
index
0 Wuhan 2017 10892900
1 Wuhan 2018 11081000
2 Wuhan 2019 11212000
3 Beijing 2017 21707000
4 Beijing 2018 21542000
5 Beijing 2019 21536000这里是一段防爬虫文本请读者忽略。
本文原创首发于 CSDN作者 TRHX。
博客首页https://itrhx.blog.csdn.net/
本文链接https://itrhx.blog.csdn.net/article/details/106676693
未经授权禁止转载恶意转载后果自负尊重原创远离剽窃
