1. 创建Series对象

1、 列表生成Series

import pandas as pd
import numpy as np
a = pd.Series([3, 2, 4, 1, 5])
print(a)
print(a.values)
print(a.index)
0    3
1    2
2    4
3    1
4    5
dtype: int64
[3 2 4 1 5]
RangeIndex(start=0, stop=5, step=1)

2、 新建Series时指定索引

b = pd.Series([3, 2, 4, 1, 5], index=('b', 'a', 'd', 'w', 'y'))
print(b)
print(b.values)
print(b.index)
b    3
a    2
d    4
w    1
y    5
dtype: int64
[3 2 4 1 5]
Index(['b', 'a', 'd', 'w', 'y'], dtype='object')

3、 从Numpy数组生成Series

index默认值是整数序列：Series通用的Numpy数组，Numpy是隐式索引值

a = np.arange(3)
b = pd.Series(a)
print(b)
0    0
1    1
2    2
dtype: int32

4、 从标量生成Series

标量生成Series，index默认值是整数序列

print(pd.Series(4, index=[100, 200, 300]))
100    4
200    4
300    4
dtype: int64

5、 字典生成Series

index是字典键；Series是特殊的字典，字典键是Series的索引

population_dict = {'a': 12, 'b': 25, 'c': 56, 'd': 67, 'e': 42}
print("population_dict:\n", population_dict)
population = pd.Series(population_dict)
print("population:\n", population)
population_dict:
 {'a': 12, 'b': 25, 'c': 56, 'd': 67, 'e': 42}
population:
 a    12
b    25
c    56
d    67
e    42
dtype: int64

6、 通过指定索引值生成Series

print(pd.Series({2: 'a', 1: 'b', 3: 'c'}, index=[3, 1, 2]))
print(pd.Series(population, index=['a', 'd']))
3    c
1    b
2    a
dtype: object
a    12
d    67
dtype: int64

7、 使用DataFrame的一列映射Series数据

print(cities['area'])
a    12
b    25
c    56
d    67
e    42
Name: area, dtype: int64

2. 创建DateFrame对象

1、 通过单个Series对象创建

import numpy as np
import pandas as pd
# 通过单个Series对象创建
a = np.arange(3)
b = pd.Series(a)
print(pd.DataFrame(b))
   0
0  0
1  1
2  2

2、典键值总是对应列名

data = [{'a': 12, 'b': 25}, {'a': 56, 'b': 67}]
print(pd.DataFrame(data))
    a   b
0  12  25
1  56  67

3、 有规律的创建

data = [{'a': i, 'b': 2 * i} for i in range(3)]
print(pd.DataFrame(data))
   a  b
0  0  0
1  1  2
2  2  4

4、 创建时有缺失值处理

创建时数据有缺失值时，缺失值一般用NaN(Not a Number)表示

data = [{'a': 12, 'b': 25}, {'a': 56, 'c': 67}]
print(pd.DataFrame(data))
    a     b     c
0  12  25.0   NaN
1  56   NaN  67.0

5、 使用Series对象字典创建

population_dict = {'a': 12, 'b': 25, 'c': 56, 'd': 67, 'e': 42}
print("population_dict:\n", population_dict)
population = pd.Series(population_dict)
print(pd.DataFrame(population))
population_dict:
 {'a': 12, 'b': 25, 'c': 56, 'd': 67, 'e': 42}
    0
a  12
b  25
c  56
d  67
e  42

6、 使用不同类型数据创建

使用字典作为其中一列数据，Series对象字典作为另一列数据进行创建

print(population_dict)
print(population)
cities = pd.DataFrame({'area': population_dict, 'bb': population})
print(cities)
{'a': 12, 'b': 25, 'c': 56, 'd': 67, 'e': 42}
a    12
b    25
c    56
d    67
e    42
dtype: int64
   area  bb
a    12  12
b    25  25
c    56  56
d    67  67
e    42  42

7、 使用二维数组创建

print('通过二维数组创建')
aa = pd.DataFrame(np.random.rand(3, 2), columns=['foo', 'bar'], index=['a', 'b', 'c'])
print(aa)
        foo       bar
a  0.888702  0.962784
b  0.923443  0.935304
c  0.255582  0.105020

8、列名重命名

# 读入文件的时候 重命名
df = pd.read_csv('xxx.csv', names=new_columns, header=0)
# 部分列重命名
df.rename(columns={'a':'A'})
# 没有指定inplace=True， df本⾝的列名并没有改变。
df.rename(columns={'a':'A'}, inplace=True)
# 全部列重命名
# df.columns = new_columns, new_coumns 
# 可以是列表或元组， 但新旧列名的长度必须⼀致，否者会不匹配报错。
# 这种改变⽅式是直接改变了原始数据。
df.columns = ['a1', 'b1', 'c1', 'd1']
# str批量修改列名
# 将'a1', 'b1'...修改为'a2', 'b2'...
df.columns = df.columns.str.replace('1','2')

9、字典生成DataFrame

字典的键作为列名

import pandas as pd
dict_data={
    'Name':['Bambang'],
    'Gender':['Male'],
    'Age':[25]
}
df = pd.DataFrame.from_dict(dict_data)
df

字典的键作为index

dict_data={
    'Name':'Bambang',
    'Gender':'Male',
    'Age':25
}
df = pd.Series(dict_data)
df = pd.DataFrame(df, columns=['index'])
df

参考资料：https://wenku.baidu.com/view/d914e2aaa3116c175f0e7cd184254b35eefd1aa4.html