本文介绍了如何使用Pandas库进行DataFrame的基本操作，包括获取行数和列数、访问索引和元素值，以及增删行、列、行和列的实例。通过详细步骤展示了数据的插入、删除和重新排列技巧，适合初学者理解DataFrame操作核心。
摘要生成于
，由 DeepSeek-R1 满血版支持，
一、获取行数、列数
>>> df = pd.DataFrame(np.arange(12).reshape(3, 4), index = ['row1', 'row2', 'row3'], columns=['col1', 'col2', 'col3', 'col4'])
col1 col2 col3 col4
row1 0 1 2 3
row2 4 5 6 7
row3 8 9 10 11
# 获取行数
>>> df.shape[0]
>>> len(df)
>>> df.iloc[:,0].size
# 获取列数
>>> df.shape[1]
>>> df.columns.size
二、获取索引、元素值
>>> df = pd.DataFrame(np.arange(12).reshape(3, 4), index = ['row1', 'row2', 'row3'], columns=['col1', 'col2', 'col3', 'col4'])
col1 col2 col3 col4
row1 0 1 2 3
row2 4 5 6 7
row3 8 9 10 11
# 获取索引
>>> df.ix[[0]].index.values[0]
'row1'
# 获取元素，0行0列
>>> df.ix[[0]].values[0][0]
# 获取元素，0行1列
>>> df.ix[[0]].values[0][1]
三、增加行、列
>>> df = pd.DataFrame(np.arange(12).reshape(3, 4), index = ['row1', 'row2', 'row3'], columns=['col1', 'col2', 'col3', 'col4'])
col1 col2 col3 col4
row1 0 1 2 3
row2 4 5 6 7
row3 8 9 10 11
# 增加行
>>> df.loc['row4']=[12,13,14,15]
col1 col2 col3 col4
row1 0 1 2 3
row2 4 5 6 7
row3 8 9 10 11
row4 12 13 14 15
# 增加列
>>> df['col5']=[11,22,33,44]
col1 col2 col3 col4 col5
row1 0 1 2 3 11
row2 4 5 6 7 22
row3 8 9 10 11 33
row4 12 13 14 15 44
四、删除行、列
>>> df = pd.DataFrame(np.arange(12).reshape(3, 4), index = ['row1', 'row2', 'row3'], columns=['col1', 'col2', 'col3', 'col4'])
col1 col2 col3 col4
row1 0 1 2 3
row2 4 5 6 7
row3 8 9 10 11
# 删除行
>>> df.drop(['row1'], axis=0)
col1 col2 col3 col4
row2 4 5 6 7
row3 8 9 10 11
# 删除列
>>> df.drop(['col4'], axis=1)
col1 col2 col3
row1 0 1 2
row2 4 5 6
row3 8 9 10
按条件删除行、列的方法：
# 删除dataframe的id大于100且小于200的所有行
df = df.drop(df[(df.id > 100) & (df.id < 200)].index)
# 删除dataframe的name列
df = df.drop('name', axis=1)
五、插入行、列
>>> df = pd.DataFrame(np.arange(12).reshape(3, 4), index = ['row1', 'row2', 'row3'], columns=['col1', 'col2', 'col3', 'col4'])
col1 col2 col3 col4
row1 0 1 2 3
row2 4 5 6 7
row3 8 9 10 11
# 插入列
>>> df.insert(2,'col_insert',[11,22,33])
col1 col2 col_insert col3 col4
row1 0 1 11 2 3
row2 4 5 22 6 7
row3 8 9 33 10 11
>>> df = pd.DataFrame(np.arange(12).reshape(3, 4), index = ['row1', 'row2', 'row3'], columns=['col1', 'col2', 'col3', 'col4'])
col1 col2 col3 col4
row1 0 1 2 3
row2 4 5 6 7
row3 8 9 10 11
# 先插入行在最后
>>> df.loc['row12']=[11,22,33,44]
col1 col2 col3 col4
row1 0 1 2 3
row2 4 5 6 7
row3 8 9 10 11
row12 11 22 33 44
# 然后插入行序号
>>> df['rowindex']=[1,3,4,2]
col1 col2 col3 col4 rowindex
row1 0 1 2 3 1
row2 4 5 6 7 3
row3 8 9 10 11 4
row12 11 22 33 44 2
# 再按行号排序，得到结果
>>> df=df.sort_values(by='rowindex')
col1 col2 col3 col4 rowindex
row1 0 1 2 3 1
row12 11 22 33 44 2
row2 4 5 6 7 3
row3 8 9 10 11 4
六、append方法添加行
DataFrame.append(other, ignore_index=False, verify_integrity=False, sort=False)
【1】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.drop.html
【2】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.insert.html
【3】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.append.html
df=DataFrame([{‘A’:’11’,’B’:’12’},{‘A’:’111’,’B’:’121’},{‘A’:’1111’,’B’:’1211’}])print df.columns.size#列数 2
print df.iloc[:,0].size#行数 3
print df.ix[[0]].index.values[0]#索引值 0
print df.ix[[0]].valu
【Python茴香豆系列】之 PANDAS 获取 DataFrame 的行数
用 Python 编程，使用不同的方法来完成同一个目标，有时候是一件很有意思的事情。这让我想起鲁迅笔下的孔乙己。孔乙己对于茴香豆的茴字的四种写法颇有研究。我不敢自比孔乙己，这里搜集一些 Python 的茴香豆，以飨各位码农。
一共有多少条数据？这大概是数据分析工作最基本的内容吧。
这里，我们来聊一聊如何获取 Pandas 中 DataFrame 的行数。
首先准备一个用于测试的 DataFrame 。这个 DataFrame 有
import pandas as pd
df = pd.DataFrame({'Country':['China','China', 'India', 'India', 'America', 'Japan', 'China', 'India'],
'Income':[10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
'Number':[5000, 4321, 1234,
#### 方法一：使用 `len()` 函数
`len()` 是 Python 内置函数之一，可以直接作用于 DataFrame 对象以返回其行数[^3]。
```python
row_count = len(df)
print(row_count)
#### 方法二：利用 `.shape` 属性
`.shape` 返回的是一个包含两个元素的元组 (rows, columns)，其中第一个元素表示行数，第二个元素表示列数[^2]。因此可以通过索引来提取行数：
```python
row_count = df.shape[0]
print(row_count)
#### 方法三：基于索引长度计算
通过访问 DataFrame 的索引属性 (`df.index`) 并对其应用 `len()` 函数也可以得出总行数[^3]:
```python
row_count = len(df.index)
print(row_count)
以上三种方法均能有效统计给定 DataFrame 的实际行数量。
### 示例代码综合展示
下面给出一段完整的示例程序，演示前述提到的不同技术手段来取得相同的结果——即目标 DataFrame 的行数目:
```python
import pandas as pd
import numpy as np
# 创建测试用DataFrame
df = pd.DataFrame({'a': [None, 2, 3], 'b': [4, 5, 6], 'c': [7, 8, 9]})
print("原始数据:")
print(df)
# 使用不同方法获取行数
method_one_result = len(df)
method_two_result = df.shape[0]
method_three_result = len(df.index)
# 输出结果对比验证一致性
print(f"\nMethod One Result: {method_one_result}")
print(f"Method Two Result: {method_two_result}")
print(f"Method Three Result: {method_three_result}")
assert method_one_result == method_two_result == method_three_result, "各方法所得行数值不一致"
(Keras)ValueError: Failed to convert a NumPy array to a Tensor (Unsupported object type int/float)错误
25685
(Keras)ValueError: Failed to convert a NumPy array to a Tensor (Unsupported object type int/float)错误
qq_42863961:
