Pandas 实战入门：DataFrame 构建与表格数据组织——数据清洗前第一步

在数据处理的真实场景中，原始数据往往不会一开始就以整齐的表格形态出现。它们可能来自各种源头：如列表（list）、字典（dict）、CSV/Excel文件，或是程序运行时临时生成的数据集合。如果这些数据没有被整理成一个结构清晰的表格对象，后续的数据选取、清洗、统计和可视化等操作就失去了统一的基础。

Pandas 的核心任务之一，正是将这些原始数据组织为可计算、可检查、可分析的标准表格结构。其最重要的数据结构就是 DataFrame。

本文将以一张学生成绩表作为贯穿始终的示例，详细讲解如何将原始数据一步步整理成 DataFrame，并在此基础上，带你认识它的基本结构、内容查看方式以及常见的完整性检查方法。

例如，我们希望最终得到的学生成绩表是这样的：

学号	姓名	班级	语文	数学	英语
S001	张三	C01	88	92	85
S002	李四	C01	76	81	79
S003	王五	C02	90	87	93
S004	赵六	C02	85	89	88
S005	孙七	C03	91	95	90
S006	周八	C03	78	84	80

下面，我们就围绕构建这样一张表，来学习如何在 Pandas 中创建 DataFrame。

为什么需要表格数据？

在 Python 中，列表、字典、元组这些原生数据结构都可以用来保存数据。但当数据本身具有明确的行列结构时（比如学生成绩），继续用这些通用容器来组织，对于后续的分析工作就很不方便。

以学生成绩数据为例，这类数据通常具有几个鲜明特点：

• 每一行对应一个对象（一名学生）
• 每一列对应一个字段（如姓名、数学成绩）
• 不同对象在相同字段上具有可比较性（比如所有人的数学成绩可以一起比较）

当数据还停留在原始列表或字典的层面时，行列关系、字段含义和结构边界往往不够清晰。这时数据虽然被保存了，但还不能称之为“已整理”的表格形式。

Pandas 中几乎所有高阶操作——数据选取、筛选、清洗、统计与合并——都以结构清晰的表格为基础。因此，学习 Pandas 的正确起点，不是立刻去做复杂的分析，而是先把你的原始数据整理成 DataFrame。

认识 DataFrame 和 Series

Pandas 有两个核心的数据结构：

• DataFrame
• Series

DataFrame 用于表示二维表格数据，而 Series 用于表示一维的带标签数据。

1. DataFrame

DataFrame 是 Pandas 提供的二维带标签数据结构。它既包含二维数据本身，也包含了用于标识每一行和每一列的标签信息。

我们先尝试将学生成绩的原始数据整理成一个 DataFrame，并命名为 scores：

import pandas as pd

data = [
    {"学号": "S001", "姓名": "张三", "班级": "C01", "语文": 88, "数学": 92, "英语": 85},
    {"学号": "S002", "姓名": "李四", "班级": "C01", "语文": 76, "数学": 81, "英语": 79},
    {"学号": "S003", "姓名": "王五", "班级": "C02", "语文": 90, "数学": 87, "英语": 93},
    {"学号": "S004", "姓名": "赵六", "班级": "C02", "语文": 85, "数学": 89, "英语": 88},
    {"学号": "S005", "姓名": "孙七", "班级": "C03", "语文": 91, "数学": 95, "英语": 90},
    {"学号": "S006", "姓名": "周八", "班级": "C03", "语文": 78, “数学”: 84, “英语”: 80}
]

scores = pd.DataFrame(data)
print(scores)

输出：

     学号  姓名   班级  语文  数学  英语
0  S001  张三  C01  88  92  85
1  S002  李四  C01  76  81  79
2  S003  王五  C02  90  87  93
3  S004  赵六  C02  85  89  88
4  S005  孙七  C03  91  95  90
5  S006  周八  C03  78  84  80

从结构上看，我们可以这样理解它：

行索引	学号	姓名	班级	语文	数学	英语
0	S001	张三	C01	88	92	85
1	S002	李四	C01	76	81	79
2	S003	王五	C02	90	87	93
3	S004	赵六	C02	85	89	88
4	S005	孙七	C03	91	95	90
5	S006	周八	C03	78	84	80

在这张结构表中：

• 最左侧一列是行索引
• 第一行中的“学号、姓名、班级、语文、数学、英语”是列标签
• 中间区域是数据值

所以，DataFrame 可以概括为：由数据值、行索引和列标签共同构成的二维表格对象。

2. Series

Series 是 Pandas 提供的一维带标签数据结构。

如果把 DataFrame 看作一整张表，那么表中的任何一列数据，单独拿出来通常就是一个 Series。例如，我们取出 scores 表中的“数学”列：

math_scores = scores["数学"]
print(math_scores)

输出：

0    92
1    81
2    87
3    89
4    95
5    84
Name: 数学， dtype: int64

可以看到，Series 并非单纯的一列数值，而是“一列值 + 对应的行索引标签”的组合。它同样拥有自己的名称（Name）和数据类型（dtype）。

因此，两者的关系可以概括为：

• Series 是一维的。
• DataFrame 是二维的。
• DataFrame 中的单列（或多列）数据可以视为一个（或多个）Series。

如何构建一个 DataFrame？

在 Pandas 中，最常用的构建方法是 pd.DataFrame()。构建一张表时，我们通常需要明确三件事：

1. 数据值：表格里具体是什么数字或文字。
2. 行的组织方式：数据是按行组织还是按列组织。
3. 列标签的名称：每一列叫什么名字。

根据原始数据的形态，最常见的构建方式有三种。

方式一：由“值为列表的字典”构建

如果你的数据已经自然地按列组织好了，那么字典是最直观的输入形式。字典的键（key）会自动成为列标签，各个键对应的值（必须是长度一致的列表）会成为各列的数据。

示例：

import pandas as pd

data = {
    "学号": ["S001", "S002", "S003", "S004", "S005", "S006"],
    "姓名": ["张三", "李四", "王五", "赵六", "孙七", "周八"],
    "班级": ["C01", "C01", "C02", "C02", "C03", "C03"],
    "语文": [88, 76, 90, 85, 91, 78],
    "数学": [92, 81, 87, 89, 95, 84],
    "英语": [85, 79, 93, 88, 90, 80]
}

scores = pd.DataFrame(data)
print(scores)

如果你想显式控制列的顺序，可以指定 columns 参数：

scores = pd.DataFrame(
    data,
    columns=["学号", "姓名", "班级", "语文", "数学", "英语"]
)
print(scores)

方式二：由“列表嵌套列表”构建

如果你的数据是按行组织的，即每一个内部列表代表一行数据，那么可以使用这种形式。

data = [
    ["S001", "张三", "C01", 88, 92, 85],
    ["S002", "李四", "C01", 76, 81, 79],
    ["S003", "王五", "C02", 90, 87, 93],
    ["S004", "赵六", "C02", 85, 89, 88],
    ["S005", "孙七", "C03", 91, 95, 90],
    ["S006", "周八", "C03", 78, 84, 80]
]

scores = pd.DataFrame(
    data,
    columns=["学号", "姓名", "班级", "语文", "数学", "英语"]
)
print(scores)

注意：当输入是二维列表时，Pandas 无法自动知道每一列的含义，因此必须通过 columns 参数主动提供列名，否则列标签会显示为默认的整数索引（0, 1, 2...）。

方式三：由“字典列表”构建

如果你的原始数据中，每一条记录（一个学生的信息）本身就是一个字典，那么直接使用字典列表来构建 DataFrame 最为方便。这种形式在 JSON 数据或从 API 接口获取的数据中非常常见。

本文开头的第一个示例采用的就是这种方式。

如何选择构建方式？

没有绝对最好的方式，选择应该顺应你原始数据的组织逻辑：

• 数据天然按列组织 → 用“值为列表的字典”。
• 数据天然按行组织 → 用“列表嵌套列表”。
• 数据是一条条记录/对象 → 用“字典列表”。

理解表格的行、列与标签

把数据变成 DataFrame 之后，第一件事就是准确理解它的结构。从表格的语义来看，一张 DataFrame 包含三个核心层面：行、列和标签。

1. 行

在学生成绩表中，每一行对应一名学生的所有数据。例如，第 0 行是学生“张三”的全部信息。
在表格数据中，一行通常代表一个对象、一条记录或一次观察结果。

2. 列

列对应的是对象的属性或指标。在我们的表里，就是“学号”、“姓名”、“班级”、“语文”、“数学”、“英语”。
后续的分析工作几乎都是围绕列展开的，比如计算数学平均分、按班级筛选学生等。

3. 行索引

行索引就是表格最左边的那一列，用于定位和标识每一行。

print(scores.index)

输出（示意）：

RangeIndex(start=0， stop=6, step=1)

上面的例子中，Pandas 自动生成了从 0 开始的默认整数索引。
这里要分清：“行”是数据本身，而“行索引”是用来标记这些数据的标签。

4. 列标签

列标签就是表格顶部的列名。

print(scores.columns)

输出（示意）：

Index(['学号'， '姓名', '班级', '语文', '数学', '英语'], dtype='object')

清晰、明确的列名是后续所有数据操作的基础。

5. 注意：业务ID与索引的区别

在我们的表里，“学号”是具有明确业务含义、能唯一标识学生的字段。但它目前只是表中的一列普通数据，并不等同于行索引。
索引是 DataFrame 内部的结构标签，而“学号”是业务数据字段。两者可以相同，也可以不同。很多时候，我们会把“学号”这样的字段设置为新的索引，以便快速查询，但那属于更进阶的操作。

初步检查：怎么看懂你刚创建的表？

DataFrame 创建好后，不要急着做复杂操作。先按“看内容 → 看结构 → 看类型”的顺序做一遍初步检查，确保数据加载正确。

1. 查看表格内容

如果数据量很小，可以直接打印整个 DataFrame：

print(scores)

但对于可能很大的数据集，更明智的做法是使用 head() 或 tail() 方法预览一部分。

• 查看前N行：head() 默认显示前5行，非常适合快速检查数据概貌、列名是否正确。

  print(scores.head())  # 查看前5行
  print(scores.head(3)) # 查看前3行

• 查看后N行：tail() 默认显示后5行，用于检查数据末尾是否完整。

  print(scores.tail())

2. 查看表格整体结构

了解内容后，再从整体上把握这张表。

• 表格形状：shape 属性返回一个（行数， 列数）的元组。

  print(scores.shape)  # 输出：(6, 6)

• 列集合：再次确认 columns，核对所有需要的字段是否都在。

  print(scores.columns)

• 索引形式：查看 index，确认当前使用的是默认索引还是自定义索引。

  print(scores.index)

3. 查看数据类型与基本信息

这是确保后续计算能顺利进行的关键一步。我们需要确认每一列的数据类型是否符合预期（例如，成绩应该是数字，而不是文本）。

• 快速概览：info() 方法能提供一份非常全面的报告，包括行数、每列的非空值数量、数据类型以及内存占用。

  scores.info()

  这个方法特别适合用来快速发现缺失值和错误的数据类型。

• 仅看数据类型：如果只关心类型，可以使用 dtypes 属性。

  print(scores.dtypes)

  输出类似：

  学号    object
  姓名    object
  班级    object
  语文     int64
  数学     int64
  英语     int64
  dtype: object

  这表明“学号”、“姓名”、“班级”三列是对象类型（在 Pandas 中通常指字符串），而三门成绩都是整数类型，这完全符合我们的业务逻辑。

完整实战示例

让我们把上面的步骤串起来，形成一个从数据到初步检查的完整流程：

import pandas as pd

# 1. 原始数据（字典列表格式）
students = [
    {"学号": "S001", "姓名": "张三", "班级": "C01", "语文": 88, "数学": 92, "英语": 85},
    {"学号": "S002", "姓名": "李四", "班级": "C01", "语文": 76, "数学": 81, "英语": 79},
    {"学号": "S003", "姓名": "王五", "班级": "C02", "语文": 90, "数学": 87, "英语": 93},
    {"学号": "S004", "姓名": "赵六", "班级": "C02", "语文": 85, “数学”: 89， “英语”: 88},
    {"学号": "S005", "姓名": "孙七", "班级": "C03", "语文": 91, “数学”: 95， “英语”: 90},
    {"学号": "S006", "姓名": "周八", "班级": "C03", "语文": 78, “数学”: 84， “英语”: 80}
]

# 2. 构建 DataFrame
scores = pd.DataFrame(students)

# 3. 初步检查流程
print("===== 预览前几行 =====")
print(scores.head())

print("\n===== 预览后几行 =====")
print(scores.tail())

print("\n===== 表格形状（行，列） =====")
print(scores.shape)

print("\n===== 所有列名 =====")
print(scores.columns)

print("\n===== 行索引 =====")
print(scores.index)

print("\n===== 各列数据类型 =====")
print(scores.dtypes)

print("\n===== 详细信息（含缺失值检查） =====")
scores.info()

这个示例清晰地展示了一个标准的起始工作流：

1. 整理：将原始数据转化为 DataFrame。
2. 查看：快速浏览数据内容，确认无误。
3. 检查：核实表格结构和数据类型，为下一步分析扫清障碍。

完成这些步骤后，你的数据就正式进入了规整的、可供 Pandas 进一步处理的“表格阶段”。

总结

DataFrame 是 Pandas 进行数据分析的基石。将杂乱无章的原始数据成功组织成一个结构清晰的 DataFrame，是所有后续数据操作（筛选、清洗、统计、可视化）不可逾越的第一步。本文通过一个具体的成绩表示例，详细介绍了 DataFrame 与 Series 的概念、三种最常用的构建方法，以及创建完成后必须进行的初步检查步骤。

掌握这些基础内容，就像学会了如何把一堆散乱的积木整理到正确的盒子里，接下来无论你想搭建什么，都有了可靠的材料基础。希望这篇入门指南能帮助你在 Python 和 Pandas 的数据处理之路上迈出坚实的第一步。如果你想了解更多关于 Python 数据处理的知识，欢迎在云栈社区与更多开发者交流探讨。