pandas通过字典生成dataframe的方法步骤

1、将一个字典输入：

该字典必须满足：value是一个list类型的元素，且每一个key对应的value长度都相同：

（以该字典的key为columns）

>>> import pandas as pd
>>> a = [1,2,3,4,5]
>>> b = ["a","b","c"]
>>> c = 1
>>> df = pd.DataFrame({"A":a,"B":b,"C":c})
Traceback (most recent call last):
ValueError: arrays must all be same length
>>> df = pd.DataFrame([a,b]) # 作为list输入，list的元素必须也是list，加入c就错误
>>> df
  0 1 2  3  4
0 1 2 3 4.0 5.0
1 a b c NaN NaN

# 统一一下字典每个元素值的长度
>>> b = ["a","b","c","d","e"]
>>> c = ("232","sdf","345","asd",1)
>>> df = pd.DataFrame({"A":a,"B":b,"C":c})
>>> df
  A B  C
0 1 a 232
1 2 b sdf
2 3 c 345
3 4 d asd
4 5 e  1

2、将多个key相同的字典列输入：

输入为一个list，该list各个元素为dict，且key可以不同（以含最多的key的字典的key为columns）：

>>> d1 = {"A":1,"B":2,"C":3}
>>> d2 = {"A":"a","B":"b",}
>>> d3 = {"A":(1,2),"B":"ab","C":3}
>>> li = [d1,d2,d3]
>>> df = pd.DataFrame(li)
>>> df
    A  B  C
0    1  2 3.0
1    a  b NaN
2 (1, 2) ab 3.0

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

赞 (0)

相关推荐

  • 从列表或字典创建Pandas的DataFrame对象的方法

    介绍 每当我使用pandas进行分析时,我的第一个目标是使用众多可用选项中的一个将数据导入Pandas的DataFrame . 对于绝大多数情况下,我使用的 read_excel , read_csv 或 read_sql . 但是,有些情况下我只需要几行数据或包含这些数据里的一些计算. 在这些情况下,了解如何从标准python列表或字典创建DataFrames会很有帮助. 基本过程并不困难,但因为有几种不同的选择,所以有助于理解每种方法的工作原理. 我永远记不住我是否应该使用 from_dic

  • pandas 实现字典转换成DataFrame的方法

    把dictd = {'A':0}转换成DataFrame, 首先,DataFrame的语法格式应为: import pandas as pd df = pd.DataFrame({'A':[0]})#'A'是columns,对应的是list 输出: A 0 0 但是如果是: df = pd.DataFrame({'A':0})#直接输入dict 会报错 ValueError: If using all scalar values, you must pass an index 解决办法1: 指定

  • pandas通过字典生成dataframe的方法步骤

    1.将一个字典输入: 该字典必须满足:value是一个list类型的元素,且每一个key对应的value长度都相同: (以该字典的key为columns) >>> import pandas as pd >>> a = [1,2,3,4,5] >>> b = ["a","b","c"] >>> c = 1 >>> df = pd.DataFrame({&qu

  • pandas.DataFrame.from_dict直接从字典构建DataFrame的方法

    目录 参数解析 实例 pandas函数中pandas.DataFrame.from_dict 直接从字典构建DataFrame . 参数解析 DataFrame from_dict()方法用于将Dict转换为DataFrame对象. 此方法接受以下参数. data: dict or array like object to create DataFrame.data :字典或类似数组的对象来创建DataFrame. orient: The orientation of the data. The

  • pandas中字典和dataFrame的相互转换

    pandas中字典和dataFrame的相互转换

    目录 一.字典转dataFrame 1.字典转dataFrame比较简单,直接给出示例: 二.dataFrame转字典 1.DataFrame.to_dict() 函数介绍 2.orient =‘dict’ 3. orient =‘list’ 4.orient =‘series’ 5.orient =‘split’ 6.orient =‘records’ 7.orient =‘index’ 8.指定列为key生成字典的实现步骤(按行) 9.指定列为key,value生成字典的实现 总结 一.字典

  • Django中如何用xlwt生成表格的方法步骤

    同样是做表格,但是有些人的表格就做的很好看.融合了之前所学不同模块的知识,来讲讲Django中生成表格的特殊方法. 这里只是mark一下导出的方法,并没有做什么REST处理和异常处理. 维护统一的style样式,可以使导出的数据更加美观. def export_excel(request): # 设置HttpResponse的类型 response = HttpResponse(content_type='application/vnd.ms-excel') response['Content-

  • Java自动生成编号的方法步骤

    Java自动生成编号的方法步骤

    在新增数据时,往往需要自动生成编号.下面就以我的编号来说. 我的编号格式为:SR+日期(8位)+编号(3位). 其中,日期为系统当前的日期.首先获取系统当前日期,然后根据日期格式将date类型转换成String类型即可. SimpleDateFormat f = new SimpleDateFormat("yyyyMMdd");//设置日期格式 String date = f.format(new Date(System.currentTimeMillis())); 后三位编号根据数据

  • 将字典转换为DataFrame并进行频次统计的方法

    首先将一个字典转化为DataFrame,然后以DataFrame中的列进行频次统计. 代码如下: import pandas as pd a={'one':['A','A','B','C','C','A','B','B','A','A'], 'tao':['B','B','C','C','A','A','C','B','C','A'], 'three':['C','B','A','A','B','B','B','A','C','D']} b=pd.DataFrame(a) b.describe(

  • pandas通过loc生成新的列方法

    pandas中一个很便捷的使用方法通过loc.iloc.ix等索引方式,这里记录一下: df.loc[条件,新增列] = 赋初始值 如果新增列名为已有列名,则在原来的数据列上改变 import pandas as pd import numpy as np data = pd.DataFrame(np.random.randint(0,100,40).reshape(10,4),columns=list('abcd')) print(data) data.loc[data.d >= 50,'大于

  • Python中pandas模块DataFrame创建方法示例

    本文实例讲述了Python中pandas模块DataFrame创建方法.分享给大家供大家参考,具体如下: DataFrame创建 1. 通过列表创建DataFrame 2. 通过字典创建DataFrame 3. 通过Numpy数组创建DataFrame DataFrame这种列表式的数据结构和Excel工作表非常类似,其设计初衷是讲Series的使用场景由一维扩展到多维. DataFrame由按一定顺序的多列数据组成,各列的数据类型可以有所不同(数值.字符串.布尔值). Series对象的Ind

  • 在pandas中一次性删除dataframe的多个列方法

    之前沉迷于使用index删除,然而发现pandas貌似有bug? import pandas as pd import numpy as np df = pd.DataFrame(np.arange(12).reshape(3,4), columns=['A', 'B', 'C', 'D']) x=[1,2] df.drop(index=[1,2], axis=1, inplace=True) #axis=1,试图指定列,然并卵 print df 输出为 A B C D 0 0 1 2 3 还是

随机推荐