一种二维表格型数据结构，类似于电子表格（如 Excel）或 SQL 表，由行（记录）​和列（字段）​组成。它是数据分析、机器学习和科学计算中最常用的数据结构之一，尤其在 ​Python 的 Pandas 库​ 中被广泛使用。

---

​1. DataFrame 的核心特点​

特点	说明
​二维结构​	类似表格，有行（记录）和列（字段）。
​列名（Column Names）​​	每列有一个名称（如 name, age, salary）。
​行索引（Index）​​	每行有一个索引（默认从 0 开始，也可自定义）。
​异构数据​	不同列可以存储不同类型的数据（如数字、字符串、布尔值）。
​灵活操作​	支持筛选、排序、分组、合并等高级操作。

---

​2. DataFrame 的常见用途​

• ​数据分析​（如统计、聚合、可视化）
• ​机器学习​（特征工程、数据预处理）
• ​数据库查询结果​（类似 SQL 表）
• ​金融、电商、医疗等领域的数据处理​

---

​3. DataFrame 的示例（Python Pandas）​​

import pandas as pd# 创建一个 DataFrame
data = {"Name": ["Alice", "Bob", "Charlie"],"Age": [25, 30, 35],"Salary": [50000, 60000, 70000]
}df = pd.DataFrame(data)print(df)

​输出：​​

      Name  Age  Salary
0    Alice   25   50000
1      Bob   30   60000
2  Charlie   35   70000

• ​列名​：Name, Age, Salary
• ​行索引​：0, 1, 2
• ​数据类型​：Name（字符串）、Age（整数）、Salary（整数）

---

​4. DataFrame 的常见操作​

操作	示例
​查看数据​	df.head()（前 5 行）、df.describe()（统计摘要）
​筛选数据​	df[df["Age"] > 30]（筛选年龄大于 30 的行）
​新增列​	df["Bonus"] = df["Salary"] * 0.1（新增奖金列）
​排序​	df.sort_values("Salary", ascending=False)（按薪资降序排序）
​分组聚合​	df.groupby("Age")["Salary"].mean()（按年龄分组计算平均薪资）
​合并 DataFrame​	pd.concat([df1, df2]) 或 pd.merge(df1, df2)

---

​5. DataFrame 与其他数据结构的区别​

数据结构	特点	适用场景
​DataFrame​	二维表格，支持列操作	数据分析、机器学习
​Series​	一维数组（DataFrame 的列）	单变量分析
​NumPy 数组​	多维数组，仅支持数值计算	科学计算、矩阵运算
​SQL 表​	数据库中的二维表	数据存储、查询

---

​6. DataFrame 的应用场景​

• ​金融分析​（股票数据、交易记录）
• ​电商数据分析​（用户行为、销售数据）
• ​医疗数据​（病人记录、诊断结果）
• ​机器学习​（特征工程、数据预处理）

---

​总结​

• ​DataFrame 是一种二维表格数据结构，类似于 Excel 或 SQL 表。
• ​Pandas 的 DataFrame 是最常用的实现，支持灵活的数据操作。
• ​适用于数据分析、机器学习、数据库查询等场景。