1. 从字典创建：字典的键成为列名，值成为列数据。

import pandas as pd

# 通过字典创建 DataFrame
df = pd.DataFrame({'Column1': [1, 2, 3], 'Column2': [4, 5, 6]})

2. 从列表的列表创建：外层列表代表行，内层列表代表列。

df = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9]],
                  columns=['Column1', 'Column2', 'Column3'])

3. 从 NumPy 数组创建：提供一个二维 NumPy 数组。

import numpy as np

# 通过 NumPy 数组创建 DataFrame
df = pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]))

4. 从 Series 创建 DataFrame：通过 pd.Series() 创建。

# 从 Series 创建 DataFrame
s1 = pd.Series(['Alice', 'Bob', 'Charlie'])
s2 = pd.Series([25, 30, 35])
s3 = pd.Series(['New York', 'Los Angeles', 'Chicago'])
df = pd.DataFrame({'Name': s1, 'Age': s2, 'City': s3})

5.DataFrame 属性和方法

    DataFrame 对象有许多属性和方法，用于数据操作、索引和处理，例如：shape、columns、index、head()、tail()、info()、describe()、mean()、sum() 等。

# DataFrame 的属性和方法
print(df.shape)     # 形状
print(df.columns)   # 列名
print(df.index)     # 索引
print(df.head())    # 前几行数据，默认是前 5 行
print(df.tail())    # 后几行数据，默认是后 5 行
print(df.info())    # 数据信息
print(df.describe())# 描述统计信息
print(df.mean())    # 求平均值
print(df.sum())     # 求和

6.访问 DataFrame 元素

     使用列名作为属性或通过 .loc[]、.iloc[] 访问，也可以使用标签或位置索引。使用行的标签和 .loc[] 访问。

# 通过属性访问
print(df.Name)    

# 通过 .iloc[] 访问
print(df.iloc[:, 0])

# 访问单个元素
print(df['Name'][0])

7.修改列数据：直接对列进行赋值

df['Column1'] = [10, 11, 12]

8.添加新列：给新列赋值

df['NewColumn'] = [100, 200, 300]

9.添加新行：使用 concat 方法

     concat() 方法用于合并两个或多个 DataFrame，当你想要添加一行到另一个 DataFrame 时，可以将新行作为一个新的 DataFrame，然后使用 concat()

# 使用concat添加新行
new_row = pd.DataFrame([[4, 7]], columns=['A', 'B'])  # 创建一个只包含新行的DataFrame
df = pd.concat([df, new_row], ignore_index=True)  # 将新行添加到原始DataFrame

print(df)

10.删除列：使用 drop 方法

df_dropped = df.drop('Column1', axis=1)

11.删除行：同样使用 drop 方法

df_dropped = df.drop(0)  # 删除索引为 0 的行

12.描述性统计：使用 .describe() 查看数值列的统计摘要

df.describe()

13.重置索引：使用 .reset_index()

df_reset = df.reset_index(drop=True)

14.设置索引：使用 .set_index()

df_set = df.set_index('Column1')

15.使用布尔表达式：根据条件过滤 DataFrame

df[df['Column1'] > 2]

16.查看数据类型：使用 dtypes 属性

df.dtypes

17.转换数据类型：使用 astype 方法

df['Column1'] = df['Column1'].astype('float64')

18.DataFrame 支持对行和列进行索引和切片操作

# 索引和切片
print(df[['Name', 'Age']])  # 提取多列
print(df[1:3])               # 切片行
print(df.loc[:, 'Name'])     # 提取单列
print(df.loc[1:2, ['Name', 'Age']])  # 标签索引提取指定行列
print(df.iloc[:, 1:])        # 位置索引提取指定列