1. 导入数据库

# 定义空白的数据库，便于存储数据
df1 = []
df1 = pd.DataFrame(df1)
## 或者
df1= pd.DataFrame([])

# 数组全转为数据库内容，不设置首行
df2= [['a', 'b'], [1, 3], [2, 4]]
df2= pd.DataFrame(df2)

# 数组转为数据库内容，并第一行为列名
df3= [['a', 'b'], [1, 3], [2, 4]]
df3 = pd.DataFrame(df3[1:], columns=value[0])

# 数组转为数据库内容，并第一列为行名（设置这一步操作，必须要有列号，因此需在上基础上进行）
# set_index 内容为首行内 想让哪一列作为行号的名称
df4 = [['a', 'b'], [1, 3], [2, 4]]
df4 = pd.DataFrame(df4 [1:], columns=value[0]).set_index('b')

上面导入数组的结果如下：

df1	df2	df3	df4

2. 修改行列名

2.1 修改列名

columns的内容，修改前后的

# 在原数据上修改列名，以inplace设置的True为准
df3.rename(columns={'a': ' ', "b": 1}, inplace=True)
# 基于原数据上修改列名赋予新数据，原数据不变，以inplace设置的False为准
df5 = df3.rename(columns={'a': ' ', "b": 1}, inplace=False)

2.2 修改行名

# 重建列名且从0开始
# drop=True 表示删除原来的索引，drop=False 表示保留原来的行号作为一列，重新建立一个行号
df6 = df4.reset_index(drop=True)
df7 = df4.reset_index(drop=False)

如下：

drop=True	drop=False

3. 按条件筛选

3.1 根据条件筛选，提取所有信息

# 筛选出同时满足 a列和 b列的值的内容，并赋予新表
df8= df3[(df3['a'] == 2) & (table['b'] == 4)]

3.2 根据条件筛选，提取某列或者某几列

# 筛选出同时满足 a列和 b列的值的内容，提取 a列（只能提取一列）
df8= df3[(df3['a'] == 2) & (table['b'] == 4)]['a']
# 筛选出同时满足 a列和 b列的值的内容，提取 a列和 b列（可以提取多列）
df8= df3.loc[((df3['a'] == 2) & (table['b'] == 4)), ["a", "b"]]

4. 按某行某列提取信息

4.1 获取信息

先确定列，再确定行号。用 iloc 确定行号

content = df3["a"].iloc[0]

4.2 更改具体的值

df3["a"].iloc[0] = 3

5. 合并

5.1 单列并入大数据中（方法一）

# 设置单列数据
df = pd.DataFrame({'a': [1, 2]})
df3.insert(loc=0, column=str(soc), value=df, allow_duplicates=True)

将 df 插入 df3 的首列中

其各个含义如下：

loc	column	value	allow_duplicates
表示插入第几列	对插入的列名重命名	插入的列内容	允许出现重复的行名

5.2 多列并入大数据中

单列也可以如下进行合并，但必须行号相同。

df3 = pd.concat([df3, df3[["a", "b"]]], axis=1)