DataFrame有多种初始化方法，主要分为以下几种情况：
- 通过Object初始化
- 通过文件初始化
- 通过SQL查询结果初始化
- 通过NoSQL数据库查询结果初始化
下面分别介绍：
通过object初始化
这又分为以下几种方式
- Dict of 1D ndarrays, lists, dicts, or Series
- 2-D numpy.ndarray
- Structured or record ndarray
- A Series
- Another DataFrame
通过list
通过1D data series初始化的时候，如果有多列，那么需要等长
# columns参数是通过一个list参数来指定column labels
df = pd.DataFrame([['a1', 1], ['a2', 4]], columns=['uid', 'score'])
In [477]: df
Out[477]:
uid score
0 a1 1
1 a2 4
通过Dict of 1D ndarray
In [298]: df = pd.DataFrame({'col1': np.arange(3), 'col2': np.arange(5, 8)})
In [299]: df
Out[299]:
col1 col2
0 0 5
1 1 6
2 2 7
通过Dict of lists
In [294]: df = pd.DataFrame({'col1': [1, 2, 3, 4], 'col2': ['a', 'b', 'c', 'd']})
In [295]: df
Out[295]:
col1 col2
0 1 a
1 2 b
2 3 c
3 4 d
通过list of dicts
注意与上边的dict of lists区分，如果最外层是dict，那么key值默认是column label。
而在list of dicts中，每个dict都是一个record，或者说一行
# 可以不等长，缺失值自动设为NaN
In [49]: data2 = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]
In [50]: pd.DataFrame(data2)
Out[50]:
a b c
0 1 2 NaN
1 5 10 20.0
In [51]: pd.DataFrame(data2, index=['first', 'second'])
Out[51]:
a b c
first 1 2 NaN
second 5 10 20.0
In [52]: pd.DataFrame(data2, columns=['a', 'b'])
Out[52]:
a b
0 1 2
1 5 10
通过Dict of Series
In [314]: s = pd.Series(range(5))
In [315]: s
Out[315]:
0 0
1 1
2 2
3 3
4 4
dtype: int64
In [316]: p = pd.Series(range(8, 13))
In [317]: p
Out[317]:
0 8
1 9
2 10
3 11
4 12
dtype: int64
In [318]: df = pd.DataFrame({'a': s, 'b': p})
In [319]: df
Out[319]:
a b
0 0 8
1 1 9
2 2 10
3 3 11
4 4 12
通过2-D numpy.ndarray
In [289]: df = pd.DataFrame(np.arange(16).reshape((4,4)), columns=['one', 'two', 'three',
...: 'four'], index=['a', 'b', 'c','d'])
In [290]: df
Out[290]:
one two three four
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
d 12 13 14 15
通过文件初始化
pandas通过各种数据文件也可以初始化，比如csv文件，excel文件，json文件，html文件等，详见下图
IO Tools
下面以read_csv详细解释下读取csv文件以及初始化的过程
read_csv的完整文档参考read_csv api，下面通过示例对常用的parameter进行解释：
csv_path = "./test.csv"
columns = ['id', 'name', 'age']
dtype = {'id': int, 'name': object, 'age': int}
pd.read_csv(csv_path, header=None, names=columns, dtype=dtype)
- filepath_or_buffer, 这个是最基本的参数，用以指明文件的路径(路径可以是字符串，也可以是各种path对象，详见文档)或者文件对象(也可以接收类文件对象, 即提供read method， 如StringIO对象)。另外，这个参数也可以是一个URL，而这个URL可以http, ftp, 或者s3的url.
对于没有权限限制的url，直接使用read_csv可以大大简化代码，但是通过我们的数据不会放置到公开的url地址上，因此这就涉及权限的问题，通常还是通过其它手段将文件下载到本地后再读取。
- header, 这个参数用于设置第几行为column names, 默认是'infer'，即Pandas会自动推断哪一行是column names。当文件中没有column names时，相当于设定header=0。很多时候想要忽略原始的column names而自己设定column names，那么可以将这个参数设置为None, 然后通过names参数来设定column names
- names, 用于设定column names
- dtype, 用于设定每一列对应的数据类型，需要注意的是对string类型需要设置为object
- nrows, 要读取多少行，通过这个参数我们可以部分读取文件
- usecols, 用于选定列，即指定哪些列load进DataFrame中，通过这个参数可以只读取我们需要的数据，从而减少内存占用，加快load速度。
通过SQL查询结果初始化
import pandas.io.sql as sql
# conn是数据库的连接对象
sql.read_frame('select * from test', conn)
NoSQL查询结果初始化
这里以MongoDB为例
# 从MongoDB中查询年龄大于20岁的用户，查询返回一个cursor对象
user_results = user.find({"age": {"$gt": 20}})
# 将cursor对象转化为list，然后初始化
# columns可以用于选取相应的field的数据，只有在这个列表中的field才会被load进DataFrame对象当中，如果没有对应的数据，会被填入NaN
df = pd.DataFrame(list(user_results), columns=['id', 'age', 'name']
References
- read_csv API
- IO Tools
- 《利用Python进行数据分析》
网友评论