padas数据结构：DataFrame

关注

原创最新推荐文章于 2026-06-09 10:34:14 发布 846 阅读 AI 写同款· GEO 优化 ›

python pandas 之 Dataframe 数据结构 DataFrame 是 pandas 中两个主要数据结构之一，另一个是 Series。DataFrame 的文档在这里：传送门。因为这几天需要使用这个数据结构来完成一个小作业，在这里总结一下 Dataframe 的一些基本用法。文章目录创建元素访问获取行列常用属性矩阵转置元素个数行元素个数列元素个数操作遍历行遍历列遍历求和行求和列求和参考资料创建首先我们来看一看 Dataframe 的创建... 阅读详情

padas数据结构：DataFrame

文档地址：
http://pandas.pydata.org/pandas-docs/stable/dsintro.html#dataframe

import pandas as pd


user1 = pd.Series(["jack","男",22], index=["name","sex","age"])
user2 = pd.Series(["lily","女",21], index=["name","sex","age"])

users = pd.DataFrame({101:user1, 102:user2})

print(users)
"""
       101   102
name  jack  lily
sex      男     女
age     22    21
"""

print(users.index) # Index(['name', 'sex', 'age'], dtype='object')

print(users.columns) # Int64Index([101, 102], dtype='int64')

# 还可以这样
user_list = [("jack","男",22), ("lily","女",21)]
users = pd.DataFrame(user_list)
print(users)
"""
      0  1   2
0  jack  男  22
1  lily  女  21
"""

设置列名：

user_list = [("jack","男",22), ("lily","女",21)]
users = pd.DataFrame(user_list,columns=["name","sex","age"]) # 给设置列名
print(users)
"""
   name sex  age
0  jack   男   22
1  lily   女   21

"""

查看类型：

print(type(users)) # <class 'pandas.core.frame.DataFrame'>

案列：基金指定月份同比数据对比

用我们前面抓取的基金数据，取2份数据。
比如：
2016年6月份的数据：print(fund.loc['2016-06'])
2017年6月份的数据：print(fund.loc['2017-06'])

实际上我们只要NAV(单位净值)的比较，于是乎代码就变成了这样：

fund.loc["2016-06",["NAV"]]
fund.loc["2017-06",["NAV"]]

接下来就是把这2个DataFrame数据连接在一起(并集)，连接才方便比较啊，但是我们发现这两者的时间并不是一致的，而且是不连续的。

完整代码：

# coding: utf-8
import pandas as pd

fund = pd.read_csv("./csv/519961.csv", dtype={"fcode": pd.np.str_}, index_col="fdate", parse_dates=["fdate"])

#print(fund)

f2016 = fund.loc["2016-06",["NAV"]].reset_index()
f2017 = fund.loc["2017-06",["NAV"]].reset_index()

# 计算6月的连续日期
allDates201606 = pd.DataFrame(pd.date_range("2016-06","2016-07",closed="left"),columns=["fdate"])
# 6月每天 去 和 当天数据 合并
f2016_data = pd.merge(allDates201606,f2016,how="left",on=["fdate"])
print(f2016_data)
"""
        fdate    NAV
0  2016-06-01  0.991
1  2016-06-02  0.991
2  2016-06-03  0.991
3  2016-06-04    NaN
4  2016-06-05    NaN
5  2016-06-06  0.991
6  2016-06-07  0.987
7  2016-06-08  0.987
8  2016-06-09    NaN
9  2016-06-10    NaN
10 2016-06-11    NaN
11 2016-06-12    NaN
12 2016-06-13  0.986
13 2016-06-14  0.987
14 2016-06-15  0.988
15 2016-06-16  0.988
16 2016-06-17  0.988
17 2016-06-18    NaN
18 2016-06-19    NaN
19 2016-06-20  0.988
20 2016-06-21  0.989
21 2016-06-22  0.989
22 2016-06-23  0.989
23 2016-06-24  0.989
24 2016-06-25    NaN
25 2016-06-26    NaN
26 2016-06-27  0.990
27 2016-06-28  0.991
28 2016-06-29  0.992
29 2016-06-30  0.992
"""
allDates201706 = pd.DataFrame(pd.date_range("2017-06","2017-07",closed="left"),columns=["fdate"])
# 6月每天 去 和 当天数据 合并
f2017_data = pd.merge(allDates201706,f2017,how="left")
print(f2017_data)
"""
        fdate    NAV
0  2017-06-01  0.991
1  2017-06-02  0.990
2  2017-06-03    NaN
3  2017-06-04    NaN
4  2017-06-05  0.989
5  2017-06-06  0.990
6  2017-06-07  0.994
7  2017-06-08  0.995
8  2017-06-09  0.995
9  2017-06-10    NaN
10 2017-06-11    NaN
11 2017-06-12  0.995
12 2017-06-13  0.996
13 2017-06-14  0.994
14 2017-06-15  0.994
15 2017-06-16  0.993
16 2017-06-17    NaN
17 2017-06-18    NaN
18 2017-06-19  0.994
19 2017-06-20  0.995
20 2017-06-21  0.996
21 2017-06-22  0.995
22 2017-06-23  0.994
23 2017-06-24    NaN
24 2017-06-25    NaN
25 2017-06-26  0.995
26 2017-06-27  0.993
27 2017-06-28  0.998
28 2017-06-29  0.998
29 2017-06-30  0.999
"""

# 最后合并2个月的
# 2016年6的数据 和2017年6月的数据 连接
result = pd.concat([f2016_data,f2017_data], axis=1)
print(result)
"""
        fdate    NAV      fdate    NAV
0  2016-06-01  0.991 2017-06-01  0.991
1  2016-06-02  0.991 2017-06-02  0.990
2  2016-06-03  0.991 2017-06-03    NaN
3  2016-06-04    NaN 2017-06-04    NaN
4  2016-06-05    NaN 2017-06-05  0.989
5  2016-06-06  0.991 2017-06-06  0.990
6  2016-06-07  0.987 2017-06-07  0.994
7  2016-06-08  0.987 2017-06-08  0.995
8  2016-06-09    NaN 2017-06-09  0.995
9  2016-06-10    NaN 2017-06-10    NaN
10 2016-06-11    NaN 2017-06-11    NaN
11 2016-06-12    NaN 2017-06-12  0.995
12 2016-06-13  0.986 2017-06-13  0.996
13 2016-06-14  0.987 2017-06-14  0.994
14 2016-06-15  0.988 2017-06-15  0.994
15 2016-06-16  0.988 2017-06-16  0.993
16 2016-06-17  0.988 2017-06-17    NaN
17 2016-06-18    NaN 2017-06-18    NaN
18 2016-06-19    NaN 2017-06-19  0.994
19 2016-06-20  0.988 2017-06-20  0.995
20 2016-06-21  0.989 2017-06-21  0.996
21 2016-06-22  0.989 2017-06-22  0.995
22 2016-06-23  0.989 2017-06-23  0.994
23 2016-06-24  0.989 2017-06-24    NaN
24 2016-06-25    NaN 2017-06-25    NaN
25 2016-06-26    NaN 2017-06-26  0.995
26 2016-06-27  0.990 2017-06-27  0.993
27 2016-06-28  0.991 2017-06-28  0.998
28 2016-06-29  0.992 2017-06-29  0.998
29 2016-06-30  0.992 2017-06-30  0.999
"""