一、DataFrame 本质 =带表头 + 行号的二维表
pandas 的 DataFrame 就是一个二维表**
它自带的所有属性，都是为了描述这个二维表的：
行、列、值、形状、类型……**
df.columns（列名 / 表头） ↓ ↓ 'card_id' 'amount' ← 列名 ┌───────┬────────┐ row 0 │ user1 │ 10 │ ← df.values[0] row 1 │ user1 │ 20 │ ← df.values[1] row 2 │ user2 │ 50 │ ← df.values[2] └───────┴────────┘ ↑ df.index（行索引 / 行号）①df.index
行索引（最左边那列）
0 1 2②df.columns
列名（最上面那行）
['card_id', 'amount']③df.values
纯数据（去掉行号、表头）
[ ['user1', 10], ['user1', 20], ['user2', 50] ]④df.shape
几行几列
(3, 2) → 3行，2列⑤df.size
总单元格数量
3 × 2 = 6⑥df.dtypes
每一列的数据类型
card_id object amount int64DataFrame = index（行） + columns（列） + values（数据）
- 行：index
- 列：columns
- 数据：values
二、pandas 索引器
假设我们有一张表，长这样：
| 行索引(index) | card_id | amount | city |
|---|---|---|---|
| 0 | user1 | 10 | 北京 |
| 1 | user1 | 20 | 上海 |
| 2 | user2 | 50 | 广州 |
1.df[‘列名’]→取列
- 对应二维表：取出某一列/几列（竖条）
# 取出 amount 这一列df['amount']结果：
0 10 1 20 2 50 Name: amount, dtype: int642.df.loc[‘行标签’]→按标签取行/列
# 1. 取行（取 index=0 那一行）df.loc[0]# 2. 取单元格（取第0行、city列的值）df.loc[0,'city']结果：
'北京'3.df.iloc[行号]→按位置取行/列
# 1. 取行（取第0行，第1个位置的行）df.iloc[0]# 2. 取单元格（取第0行、第2列的值），索引列不计列数df.iloc[0,2]结果：
'北京'4.df.at[‘行标签’, ‘列名’]→快速取单个值（最快）
# 直接定位：行标签是0，列名是 citydf.at[0,'city']结果：
'北京'“一题多解”的对比（取 user1 的第一笔金额）
| 方法 | 代码 | 结果 | 评价 |
|---|---|---|---|
| loc | df.loc[0, 'amount'] | 10 | 最推荐，可读性好 |
| iloc | df.iloc[0, 1] | 10 | 精准，知道列在第几个位置 |
| at | df.at[0, 'amount'] | 10 | 最快，只取一个值 |
三、举例
df.columns=cols[:1]+[co+'_hist'forcoincols[1:]]功能：对列名重新命名
给列名批量加后缀_hist，但第一列card_id保持不变！
拆解成 3 步看
①cols[:1]
保留第一列名不变
['card_id']②cols[1:]
从第二列开始到最后的所有列
['A', 'B', 'C']③[co + '_hist' for co in cols[1:]]
给后面每一列都加上 _hist
['A_hist', 'B_hist', 'C_hist']④ 拼起来
['card_id'] + ['A_hist', 'B_hist', 'C_hist'] → ['card_id', 'A_hist', 'B_hist', 'C_hist']
