1 简介

DataFrame是Python中Pandas库中的一种数据结构，它类似excel，是一种 二维表。

或许说它可能有点像matlab的矩阵，但是matlab的矩阵只能放数值型值（当然matlab也可以用cell存放多类型数据），DataFrame的单元格可以存放数值、字符串等，这和excel表很像。

同时DataFrame可以设置列名 columns与行名 index，可以通过像matlab一样通过位置获取数据也可以通过列名和行名定位，具体方法在后面细说。

2 创建DataFrame

首先声明一下，以下都是使用的Python 3.6.5版本为例，Python2应该也差不多吧（大概

在所有操作之前当然要先import必要的pandas库，因为pandas常与numpy一起配合使用，所以也一起import吧。

import pandas as pd
import numpy as np

如果还没安装直接在cmd里pip安装吧，如果有版本选择问题，参看之前的帖子。

pip install pandas
pip install numpy

2.1 直接创建

可以直接使用pandas的 DataFrame函数创建，比如接下来我们随机创建一个4*4的DataFrame。

df1=pd.DataFrame(np.random.randn(4,4),index=list('ABCD'),columns=list('ABCD'))

其中第一个参数是存放在DataFrame里的数据，第二个参数index就是之前说的行名（或者应该叫索引？），第三个参数columns是之前说的列名。

后两个参数可以使用list输入，但是注意，这个list的长度要和DataFrame的 大小匹配，不然会报错。当然，这两个参数是可选的，你可以选择不设置。

而且发现，这两个list是可以一样的，但是每行每列的名字在index或columns里要是 唯一的。

使用python自己的shell展示创建的结果是这样的：

或者在jupyter里面更酷点的样子，接下来都使用jupyter输出展示吧。

当然，如果你的数据量贼小，也可以自己输入创建，类似这样。

df2=pd.DataFrame([[1,2,3,4],[2,3,4,5],
                  [3,4,5,6]，[4,5,6,7]],
                 index=list('ABCD'),columns=list('ABCD'))

这样也可以得到这样子的DataFrame：

2.2 使用字典创建

仍然是使用DataFrame这个函数，但是字典的每个key的value代表一列，而key是这一列的列名。比如这样。

dic1={'name':['小明','小红','狗蛋','铁柱'],'age':[17,20,5,40],'gender':['男','女','女','男']}
df3=pd.DataFrame(dic1)

输出结果是这样的

3 查看与筛选数据

python没有matlab的工作区直接查看变量与内容，这大概是python科学计算的一个缺点。所以需要格外的代码来查看，最基本的直接写变量名与print就不说了。

3.1 查看列的数据类型

使用dtypes方法可以查看各列的数据类型，比如说刚刚的df3。

df3.dtypes

输出的结果是这样：

3.2 查看DataFrame的头尾

使用head可以查看前几行的数据，默认的是前5行，不过也可以自己设置。

使用tail可以查看后几行的数据，默认也是5行，参数可以自己设置。

比如随意设置一个6*6的数据，只看前5行。

df4=pd.DataFrame(np.random.randn(6,6))
df4.head()

比如只看前3行。

df4.head(3)

比如看后5行。

df4.tail()

比如只看后2行。

df4.tail(2)

3.3 查看行名与列名

使用index查看行名，columns查看列名。具体由例子感受吧。

查看行名。

df1.index

查看列名。

df3.columns

3.4 查看数据值

使用values可以查看DataFrame里的数据值，返回的是一个数组。

比如说查看所有的数据值。

df3.values

比如说查看某一列所有的数据值。

df3['name'].values

还有另一种操作，使用loc或者iloc查看数据值（但是好像只能根据行来查看？）。区别是loc是根据行名，iloc是根据数字索引（也就是行号）。

比如说这样。

df1.loc['A']

或者这样。

df1.iloc[0]

df3['name']

3.5 查看行列数

使用shape查看行列数，参数为0表示查看行数，参数为1表示查看列数。

df3.shape[0]

df3.shape[1]

4 基本操作

DataFrame有些方法可以直接进行数据统计，矩阵计算之类的基本操作。

4.1 转置

直接字母T，线性代数上线。

比如说把之前的df2转置一下。

df3.T

4.2 描述性统计

使用describe可以对数据根据列进行描述性统计。

比如说对df1进行描述性统计。

df1.describe()

如果有的列是非数值型的，那么就不会进行统计。

如果想对行进行描述性统计，请参看4.1（转置后进行describe呀！）

4.3 计算

使用sum默认 对每列求和，sum(1)为 对每行求和。比如

df3.sum()

可以发现就算元素是字符串，使用sum也会加起来。

df3.sum(1)

而一行中，有字符串有数值则只计算数值。

数乘运算使用apply，比如。

df2.apply(lambda x:x*2)

如果元素是字符串，则会把字符串再重复一遍。

乘方运算跟matlab类似，直接使用两个*，比如。

df2**2

乘方运算如果有元素是字符串的话，就会报错。

4.4 新增

扩充列可以直接像字典一样，列名对应一个list，但是 注意list的长度要跟index的长度一致。

df2['E']=['999','999','999','999']
df2

还可以 使用insert，使用这个方法可以指定把列插入到第几列，其他的列顺延。

df2.insert(0,'F',[888,888,888,888])
df2

4.5 合并

使用join可以将两个DataFrame合并，但只根据行列名合并，并且以作用的那个DataFrame的为基准。如下所示，新的df7是以df2的行号index为基准的。

df6=pd.DataFrame(['my','name','is','a'],index=list('ACDH'),columns=list('G'))
df6
df7=df2.join(df6)
df7

但是，join这个方法还有 how这个参数可以设置，合并两个DataFrame的交集或并集。参数为' inner'表示交集，' outer'表示并集。

df8=df2.join(df6,how='inner')
df8
df9=df2.join(df6,how='outer')
df9

如果要合并多个Dataframe，可以用list把几个Dataframe装起来，然后 使用concat转化为一个新的Dataframe。

df10=pd.DataFrame([1,2,3,4],index=list('ABCD'),columns=['a'])
df11=pd.DataFrame([10,20,30,40],index=list('ABCD'),columns=['b'])
df12=pd.DataFrame([100,200,300,400],index=list('ABCD'),columns=['c'])
list1=[df10.T, df11.T, df12.T]
df13=pd.concat(list1)
df13

Original: https://www.cnblogs.com/IvyWong/p/9203981.html
Author: 败北桑
Title: Pandas 库之 DataFrame

相关阅读

Title: tensorflow-gpu版本安装教程（过程详细）

准备工作：
在开始安装前，如果你的电脑装过tensorflow，请先把他们卸载干净，包括依赖的包（tensorflow-estimator、tensorboard、tensorflow、keras-applications、keras-preprocessing），不然后续安装了tensorflow-gpu可能会出现找不到cuda的问题。
使用pip卸载的命令如下：

pip uninstall tesnsorflow
pip uninstall tensorboard
...

一般安装过python都会自带pip，如果电脑还没有安装python，可以去官网下载相应版本，推荐python3.8以上版本。

正式安装：
第一步：安装cuda
1.首先查看本机GPU对应的cuda版本，如下图所示，本机cuda版本为11.5，后面选择的cuda版本不要超过这里的版本就好。

2.检查完cuda之后，进入https://developer.nvidia.com/cuda-toolkit-archive该网站选者相应的cudatoolkit版本下载（tensorflow-gpu用到cudatoolkit，没必要把整个cuda都下载下来），如图所示，本机选择下载的版本为10.1，这里选择版本一定要注意，因为cuda版本会决定你下载的cudnn和tensorflow-gpu版本，若不一致，会出现版本不匹配等问题，无法使用，详细情况下面阐述。

3.下载完cuda之后
①双击安装包，此时会出现一个提示框，让你选择临时解压位置（该位置的内容在你安装完cuda之后会自动删除），这里默认即可，点击ok。

②完成上一步后，选择自定义，然后点下一步。
③完成上一步，这里CUDA一定要勾选上，下面的可选可不选，对后续没有影响。

④然后一直下一步，等待安装结束（中间让选择安装位置时，可以更改目录，最好只改前面的盘符，后面的文件夹保持一致，方便以后管理）。
⑤完成安装后，检查一下环境变量是否存在，一般安装完成会自动配置好环境变量，若是没有，则需手动配置，具体过程如下。
a.打开电脑属性，找到高级系统设置，选择环境变量打开。

b.查看是否有以下环境变量，没有则需要自行添加，对应图片上的名称和值，配置你电脑CUDA安装所在的位置。

c.打开系统变量的Path，查看是否有一下两条内容，若没有则需自行添加，一定要配置对安装的位置。

CUDA的安装就结束了，接下来下载解压cuDNN文件。

第二步：安装cuDNN
打开该网址https://developer.nvidia.com/rdp/cudnn-archive，第一次单击下载时，会让你先注册登录，然后再进行下载，注册过程认真填写内容就没问题，此处略过，接下来进入下载环节。
①首先，根据安装的CUDA版本下载对应的cuDNN版本，以及对应的tensoflow-gpu版本、python版本都从这里查看，详细信息查看该网址https://tensorflow.google.cn/install/source_windows。

因为本机安装的CUDA10.1版本，所以选择cuDNN7.6进行下载，下面红框中的都可以选择。

②下载完成后，解压此文件，将cudnn文件中对应的文件移动到cuda对用安装目录中，注意不要移动到错误的位置。

解压的 cudnn文件安装的cuda目录bin\cudnn64_7.dll文件—>D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin中include\cudnn.h文件—>D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include中lib\x64\cudnn.lib文件—>D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64中

cuDNN的安装到这就结束了，接下来就要安装期待已久tensorflow-gpu。

第三步：安装tensorflow-gpu
这里将介绍两种安装方式，第一种使用pip直接安装的，第二种使用Anaconda（如果选择这一步，就不需要额外下载python，以及各种常用工具包，它会打包下载好）。
第一种：使用pip直接安装（本机采用该方式）
首先，打开cmd命令行界面，这里建议使用管理员身份打开。

然后，就可以在命令行中输入以下命令进行安装：

pip install tensorflow-gpu==2.3.0 --default-timeout=100 -i https://pypi.tuna.tsinghua.edu.cn/simple

后面的后缀使用的是清华镜像，若不是使用，则是从国外网站进行安装，有很大可能下载不下来，导致安装失败，除了清华源，这里再提供几个常用的源。

中科大镜像：https://pypi.mirrors.ustc.edu.cn/simple
豆瓣镜像：http://pypi.douban.com/simple/
阿里镜像：https://mirrors.aliyun.com/pypi/simple/
百度镜像：https://mirror.baidu.com/pypi/simple

注：这里选择的tensorflow-gpu版本要和之前选择的cuda版本对应，对应图在上面。安装过程比较缓慢，耐心等待即可。

到此为止，使用pip安装tensorflow-gpu就结束了，接下来可以进行测试是否可以正常运行，新建一个python文件，输入以下命令，可以使用任何方式运行这段代码（这里使用的是pycharm，若没有则直接进入官网下载即可，十分方便），当出现下图红色内容时，说明成功运行tensorflow-gpu版本。

import tensorflow as tf
tf.autograph.set_verbosity(0)
physical_devices = tf.config.experimental.list_physical_devices('GPU')
print(physical_devices)
config = tf.config.experimental.set_memory_growth(physical_devices[0], True)

第二种：使用Anaconda进行安装（已经使用pip安装成功的，就不需要往下进行了）
关于Anaconda的安装和配置参见下面两篇文章，本文就不再赘述。
https://zhuanlan.zhihu.com/p/75717350
https://blog.csdn.net/ITLearnHall/article/details/81708148
安装完Anaconda后就可以进行tensorflow-gpu的安装了。
以下内容转载https://zhuanlan.zhihu.com/p/339734279中的内容，因为本机并没有采用这种方式安装。
首先，打开cmd命令行界面，按下面步骤进行操作。（建议以管理员身份打开）
1、切换opentuna的pip镜像源。（为了加速下载速度）

pip config set global.index-url https://opentuna.cn/pypi/web/simple

2.创建虚拟环境。输入以下命令（后面跟你电脑安装的python版本）。

conda create -n tensorflow2 python=3.8

3.激活虚拟环境。

conda activate tensorflow2

4.安装tensorflow2.3.0（此处要和你的cuda和cudnn版本相对应）。我们使用pip来安装，pip安装后自带gpu支持，不需要额外安装gpu版本。 我们此处使用pip而不采用conda，是因为conda中版本可能较旧而且作者使用conda后安装失败。如此处自行使用conda后安装失败并不表示本教程有问题！特此提前说明！强烈建议您在此处根据作者建议使用pip！

pip install tensorflow==2.3.0

上诉命令，作者没试过能不能成功使用gpu版本，建议直接使用下面命令安装。

pip install tensorflow-gpu==2.3.0

5.验证安装是否成功。输入以下语句，如果如图所示输出了自己的GPU，则表示安装成功！否则安装失败，请检查步骤后重试或向作者提问。

python
import tensorflow as tf
tf.config.list_physical_devices('GPU')

提示下面内容为安装成功。

Original: https://blog.csdn.net/qq_43215538/article/details/123852028
Author: 指尖在键盘上舞动
Title: tensorflow-gpu版本安装教程（过程详细）