说起 Python 数据分析，Pandas几乎是每位数据爱好者的必备神器。它把表格化的数据抽象成 DataFrame，让我们Ke以像操作 Excel 那样轻松完成清洗、聚合、可视化等工作。可是当你第一次打开官方文档，面对一长串函数签名时是不是有点手足无措？别急，这篇文章把「创建 DataFrame」这件事拆解成若干小步骤，用Zui直观的例子帮你快速入门。

1️⃣ 为何要先了解 DataFrame 的底层结构？

在动手写代码之前，先把概念理清楚会省下不少调试时间。DataFrame 本质上是由两层索引和对应的数据块组成的二维数组。它既Ke以kan作「带标签的 NumPy 矩阵」，也Ke以视作「Python 字典的集合」。正因为这种双向标签机制，你才Neng随心所欲地用列名或行号定位数据。

核心属性速记

.shape返回 。

.columns列标签列表。

.index行标签列表。

.dtypes每列的数据类型。

温馨提示：Ru果你对 NumPy Yi经hen熟悉，那么把 DataFrame 想象成「带有名字的矩阵」会geng容易上手。

2️⃣ 基本准备——导入库 & 创建空框架

# 导入 Pandas
import pandas as pd
# 直接生成一个没有任何数据的空 DataFrame
empty_df = pd.DataFrame
print
# 输出:
# Empty DataFrame
# Columns: 
# Index: 

空框架常用于后期逐步追加记录，比如在循环里收集爬虫结果时非常实用。

3️⃣ 常见构造方式大盘点 🔹 方法一：字典‑列表

data = {
    '姓名': ,
    '年龄': ,
    '薪资': 
}
df1 = pd.DataFrame(data,
                   index=)
print
"""
          姓名  年龄   薪资
员工A   张三   28   8000
员工B   李四   22   5600
员工C   王五   35  12000
"""

这里我们用字典把每列映射到一个列表，再显式指定了行索引，让表格geng有辨识度。

🔹 方法二：嵌套字典

nested = {
    '商品A': {2020: 15, 2021: 18},
    '商品B': {2021: 7 , 2022: 12},
}
df2 = pd.DataFrame
print
"""
       商品A   商品B
2020   15.0    NaN
2021   18.0    7.0
2022    NaN   12.0
"""

当不同列拥有不一致的时间戳或键时Pandas 会自动填充缺失值为 NaN，这正是处理真实业务中「不完整」数据的利器。

🔹 方法三：Series 集合

s1 = pd.Series
s2 = pd.Series
df3 = pd.concat      # 按列拼接
print
"""
     第一列   第二列
X   100.0   300.0
Y   200.0     NaN
"""

Series 本身就携带了索引信息，把它们横向拼接后就形成了一个完整的 DataFrame。对齐逻辑全部交给 Pandas 完成，你只需要关注业务本身。

🔹 方法四：NumPy 数组 + 自定义标签

import numpy as np
arr = np.arange.reshape      # 三行四列矩阵
df4 = pd.DataFrame(arr,
                   columns=,
                   index=)
print
"""
      A   B   C   D
row1  0   1   2   3
row2  4   5   6   7
row3  8   9  10  11
"""

Ru果你的前置计算Yi经在 NumPy 中完成，这种方式NengZui大限度保持内存连续性，提高后续运算速度。

4️⃣ 实战演练——从 CSV/Excel 快速生成对象

现实项目里大多数数据dou保存在文件中。只要一句话，就Neng把外部表格转为 DataFrame：

# CSV 文件读取
df_csv = pd.read_csv
# Excel 工作簿读取
df_xls = pd.read_excel('data/report.xlsx',
                       sheet_name='2023Q1')
print)
print

⚡ 小技巧：读取大文件时加上参数 chunksize=50000 Ke以分块加载，避免一次性占满内存。

5️⃣ 创建之后怎么玩转它？——常见增删改查示例 a) 添加新列

df1 = 
print
"""
          姓名 年龄 薪资 部门
员工A 张三 28 8000 研发
员工B 李四 22 5600 市场
员工C 王五 35 12000 人事
"""

b) 删除不需要的维度

# 删除 “年龄” 那一列
reduced = df1.drop
print     # Index
# 若想直接在原表上操作，可加 inplace=True：
df1.drop
print)
"""
          姓名 薪资 部门
员工A 张三 8000 研发
员工B 李四 5600 市场
员工C 王五 12000 人事
"""

c) 索引或列名

df1.rename
df1.index = 
print
"""
     姓名 月收入 部门
001 张三   8000 研发
002 李四   5600 市场
003 王五   12000 人事
"""

d) 条件筛选

high_income = df1>=10000]
print
"""
     姓名 月收入 部门
003 王五   12000 人事
"""

6️⃣ 小结 —— 把“创建”当作探索之旅

Pandas 为我们提供了多种灵活且强大的入口，从Zui朴素的字典‑列表到高速的 NumPy 数组，douNeng顺畅转化为功Neng完备的 DataFrame。掌握这些基本构造方式后你就Ke以自如地在脚本、Jupyter Notebook 或生产环境中切换思路，而不必纠结于数据来源是否统一。

记住：

先思考「我的数据长什么样」再选取对应的方法；

合理利用索引和列标签，让后续查询和统计变得“一键即得”；

遇到缺失值时别惊慌，Pandas Yi经帮你标记为 NaN，只要适时填补或删除即可。

🚀 当你把上述技巧融会贯通，在实际项目中随手敲出几行代码，就Nengkan到整洁的数据表格跃然眼前。这种瞬间的满足感，是所有数据科学家共同追求的小确幸。祝你玩转 Pandas、洞悉数据、创造价值！ 🎉

©2026 AI 文案 工作室 | 本文基于原创内容编写，仅供学习参考。

---