认识 DataFrame

前言

各位童鞋还记得吗？上一章，只用三行 pandas 代码，就回答了「钱都花到哪儿去了」。那三行里，最要紧的其实是第一步：pd.read_csv() 读出来的那张表，也就是 DataFrame。为什么说它最要紧呢？因为后面所有的筛选、统计、分组、画图，都是在这张表上做的。

所以这一章先不急着算，而是先把这张表认清楚：它由哪几部分组成？有多少行、多少列？每一列装的是什么类型的数据？里面有没有奇怪的值？这一步，就是六步里的「探索」。

有的童鞋可能会想：看个表有什么好学的，直接算不就行了？其实，拿到一份新数据，先花几分钟把它看清楚，比一上来就埋头计算要省事得多。很多分析出了错，追查到最后，都是因为一开始没发现：某一列存的是文字，而不是数字；或者某一列有一大半是空的。

学这一章之前，需要先学完 数据分析课第 1 章 。

目录

这一章会学到：

• 一、读进一张表——read_csv() 、head() 和 tail()
• 二、看清表的样子——行数、列名、数据类型和 info()
• 三、一列就是一个 Series——取出一列，算一算
• 四、describe() ——一眼看全局
• 五、常见坑
• 六、自己查一次文档——让 describe() 也看看文字列
• 七、小结与回看

学完这一章，拿到任何一份 csv，你都能在几分钟内说清楚：它有多少行、有哪些列、每一列是什么样的。

一、读进一张表

要认识一张表，最直接的办法就是把它打印出来看看。先把记账本读进来：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger)

输出的结果：

            date      item category    cost payment
0     2026-01-01      房租     居住  2500.0  银行卡
1     2026-01-01  水电燃气     居住   156.0  支付宝
2     2026-01-01      早饭     餐饮    13.0  支付宝
3     2026-01-01      午饭     餐饮    24.5    微信
4     2026-01-01      晚饭     餐饮    30.0    微信
...          ...       ...      ...     ...     ...
1349  2026-12-31      早饭     餐饮     6.5  支付宝
1350  2026-12-31      午饭     餐饮    27.5    微信
1351  2026-12-31      晚饭     餐饮    58.5    现金
1352  2026-12-31      地铁     交通     4.0    微信
1353  2026-12-31      零食     餐饮     9.5    微信

[1354 rows x 5 columns]

可以看到，一张 DataFrame 由三部分组成：

• 列名：最上面那一行，date 、item 、category 、cost 、payment 。它们来自 csv 文件的第一行。
• 行号：最左边那一列，从 0 开始数，pandas 管它叫索引（index）。要注意，它不是文件里的数据，而是 pandas 自己加上去的。
• 数据：除了列名和行号，中间的部分就是数据。

表中间那一行 ... 又是什么意思呢？因为这张表太长了，pandas 只显示开头 5 行和结尾 5 行，中间的部分就用 ... 省略掉了。最后一行还告诉你，这张表一共有 1354 行、5 列。

其实很多时候，咱们并不需要看整张表，只想看看开头或者结尾。这时候就用 head() 和 tail() ：括号里写要看几行，不写的话，默认就是 5 行。

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger.head(3))
print(ledger.tail(2))

输出的结果：

         date      item category    cost payment
0  2026-01-01      房租     居住  2500.0  银行卡
1  2026-01-01  水电燃气     居住   156.0  支付宝
2  2026-01-01      早饭     餐饮    13.0  支付宝
            date  item category  cost payment
1352  2026-12-31  地铁     交通   4.0    微信
1353  2026-12-31  零食     餐饮   9.5    微信

head(3) 打印出开头 3 行，tail(2) 打印出结尾 2 行。所以拿到一份数据，第一件事就是 head() 一下，看看每一列长什么样。

最后还有一个小地方。细心的童鞋可能注意到了，表里的中文能对得这么整齐，其实是因为网页里已经替你打开了 pandas 的一个显示选项。要是在自己电脑上运行，就在 import pandas as pd 下面加上这一行，效果是一样的：

pd.set_option('display.unicode.east_asian_width', True)

不加也没关系，数据还是一样的，只是汉字比较多的列会有点歪。

二、看清表的样子

上一节是用眼睛看表。可是一千多行的表，光靠眼睛是看不全的。那么，这张表到底有多少行、有哪些列、每一列又是什么类型？这些基本情况，几行代码就能问清楚：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger.shape)
print(len(ledger))
print(list(ledger.columns))
print(ledger.dtypes)

输出的结果：

(1354, 5)
1354
['date', 'item', 'category', 'cost', 'payment']
date         object
item         object
category     object
cost        float64
payment      object
dtype: object

这四个 print() ，各问了一件事：

• shape 是一个元组，写的是（行数，列数）。
• len(ledger) 得到的是行数。
• columns 是所有的列名。用 list() 把它变成普通的列表，打印出来好看一些。
• dtypes 是每一列的数据类型。

这四样里面，数据类型最要紧。为什么呢？因为一列是什么类型，决定了它能拿来做什么。pandas 读文件的时候，会看看每一列的内容，自己判断它是什么类型。常见的有下面这几种：

对照着输出来看：cost 是 float64 ，说明 pandas 认出了它是数字，可以直接拿来加减。日期是 object ，说明 pandas 现在只把它当成文字。要把它当成日期来用，还得转换一下，这个第 5 章会讲。

一项一项地问，要写好几行。有没有办法把这些信息一次看全呢？有，用 info() ：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
ledger.info()

输出的结果：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1354 entries, 0 to 1353
Data columns (total 5 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   date      1354 non-null   object 
 1   item      1354 non-null   object 
 2   category  1354 non-null   object 
 3   cost      1354 non-null   float64
 4   payment   1354 non-null   object 
dtypes: float64(1), object(4)
memory usage: 31.8+ KB

先说一个要留意的地方：info() 自己就会打印，不用再在外面套 print() 。

再来看输出里的 Non-Null Count ，它说的是每一列非空的值有几个。这里每一列都是 1354，和总行数一样，说明这份账本没有缺失的数据。要是哪一列只有一千出头，那就说明这一列有空着的地方。第 5 章清洗数据时，第一件事就是看这个数。

整张表的样子看清楚了。下一节，咱们把目光放到其中的一列上。在那之前，先做一道练习：用同样的办法，看看两点书店的书目有多大。

三、一列就是一个 Series

整张表看清楚了，可真到了算数的时候，咱们往往只关心其中的一列。比如想知道一年一共花了多少钱，只用得着金额这一列。那怎么把一列单独取出来呢？很简单，在方括号里写上列名就行：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
cost = ledger['cost']
print(type(cost))
print(cost.head(3))

输出的结果：

<class 'pandas.core.series.Series'>
0    2500.0
1     156.0
2      13.0
Name: cost, dtype: float64

第一行告诉我们，取出来的这一列，类型叫 Series。那 Series 是什么呢？可以把它看成一串值：每个值都带着自己的行号，最下面还写着列名和数据类型。反过来想，一张 DataFrame，其实就是好几个 Series 并排放在一起。

把一列取出来，有什么用呢？因为 Series 自带了很多统计方法，想算什么，直接调用就行：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
cost = ledger['cost']
print(cost.sum())
print(cost.max(), cost.min())
print(round(cost.mean(), 2))
print(cost.count())

输出的结果：

69195.5
2500.0 3.0
51.1
1354

从上往下，依次是总和、最大和最小、平均数，还有一共有几个值。一个方法就得到一个数，不用再像上一章那样写 for 循环，一个一个地加。

数字列能算，那文字列呢？文字虽然没法加减，不过也能看出不少东西：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger['category'].unique())
print(ledger['category'].nunique())

输出的结果：

['居住' '餐饮' '交通' '娱乐' '购物' '学习' '医疗']
7

unique() 会列出这一列里出现过的所有不同的值，nunique() 则告诉你一共有几种。一共七个类别，一目了然。

上面取的都只是一列。要是想同时取好几列呢？那就在方括号里放一个列表。这回得到的就不是 Series 了，还是一张 DataFrame：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger[['item', 'cost']].head(3))

输出的结果：

       item    cost
0      房租  2500.0
1  水电燃气   156.0
2      早饭    13.0

这里要注意，写的是两层方括号：外面一层表示「取列」，里面一层是列名组成的列表。

取出一列，一个方法算一个数，已经很方便了。先做一道练习，拿书店的价格这一列试一试。做完了，下一节再看一个更省事的办法：一次就把好几个数都算出来。

四、describe() 一眼看全局

上一节算总和、平均、最大、最小，是一个方法算一个数。要是想把这些数放在一起看，一个一个地调用就有点麻烦了。这时候可以用 describe() ，它一次就能算出好几个统计量：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger['cost'].describe())

输出的结果：

count    1354.000000
mean       51.104505
std       234.946263
min         3.000000
25%         9.625000
50%        21.000000
75%        32.000000
max      2500.000000
Name: cost, dtype: float64

输出里，每一行都是一个统计量。它们分别是什么意思呢？对照这份账本，一行一行地看：

看完这张表，有没有发现什么奇怪的地方？平均每笔 51 元，可排在正中间的那一笔只有 21 元；而且四分之三的花销，都不超过 32 元。也就是说，平均数比大多数花销都要大得多。

这是为什么呢？因为账本里有几笔 2500 元的房租，把平均数拉高了。这就是第 1 章说过的：平均数很容易被少数几个特别大的值带偏。这时候，排在正中间的那个数（50% ，也叫中位数）更能代表「一笔普通的花销」。这一点，第 4 章还会细讲。

所以说，describe() 的用处，并不是让你把这些数抄下来，而是帮你发现问题：最大值是不是大得离谱？最小值是不是出现了负数？平均数和中位数是不是差得很远？哪里看着不对劲，就去原始数据里看个究竟。

五、常见坑

看表的这几样工具，用起来都不难。不过刚上手的时候，还是有几个坑很容易踩到，有的还不会报错，踩了都不知道。咱们一个一个来看。

1、列名写错了

先看一段代码，各位童鞋能看出哪里写错了吗？

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger['Cost'].sum())

报错信息的最后一行是：

KeyError: 'Cost'

为什么会找不到呢？因为列名是区分大小写的：明明是 cost ，这里写成了 Cost ，pandas 就找不到这一列了。所以拿不准列名的时候，先 print(list(ledger.columns)) 看一眼。

2、数字列被认成了文字

列名写错，好歹会报错。下面这个坑，代码不会报错，所以更不容易发现。

ledger_2026_raw.csv 是一份还没整理过的账单，第 5 章会用它来练习清洗。先来看看它的数据类型：

import pandas as pd

raw = pd.read_csv('ledger_2026_raw.csv')
print(raw.dtypes['cost'])
print(raw['cost'].head(4).tolist())

输出的结果：

object
['2500', '229.5', '8', '22.5元']

金额这一列的类型变成了 object ，取出来的也都是字符串。这是怎么回事呢？因为有的金额后面写了「元」，比如第 4 个值 '22.5元' 。pandas 一看这一列里有不是数字的东西，就把整列都当成了文字。这时候要是对它求和，得到的不是总金额，而是一长串拼接起来的文字。

所以读进数据以后，先看看 dtypes ：本该是数字的列，是不是真的是数字？

3、只看了打印出来的那几行

print(ledger) 只会显示开头和结尾各 5 行，中间一千多行都被省略掉了。可问题往往就藏在没显示出来的地方。所以别光靠眼睛看，要用 info() 、describe() 、unique() 这些方法，让 pandas 替你把整列都检查一遍。

4、info() 外面又套了 print()

print(ledger.info())

这样写会怎么样呢？info() 自己就会打印，它的返回值是 None 。外面再套一个 print() ，就会把这个 None 也打印出来，所以表格下面会多出一行 None 。实战 4 讲的「只打印，没有返回」，说的就是这类函数。

六、自己查一次文档

第四节用 describe() 看的是金额这一列。不过，describe() 默认只统计数字列，像日期、名称、类别这些文字列，它就不管了。那么，文字列能不能也让它看一看呢？这种问题，最靠得住的办法就是去查文档：DataFrame.describe 。

打开说明，参数里有一个 include ，就是管「统计哪些列」的。说明里提到了它的三种用法：

• 不写的话，默认只统计数字列。
• 设成 'all' ，所有的列都统计。
• 也可以传一个类型的列表，只统计这些类型的列。

文档下面的例子里，正好有一条是 df.describe(include=[object]) ，专门用来看 object 类型的列。

查到了，就动手试一试：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger.describe(include=[object]))

输出的结果：

              date  item category payment
count         1354  1354     1354    1354
unique         365    22        7       4
top     2026-12-18  午饭     餐饮  支付宝
freq             8   326      984     582

可以看到，文字列的统计量和数字列不一样。除了 count 还是有几个值，其余几项都换了：

• unique ：有几种不同的值。日期有 365 种，说明一年里每天都记了账；名称有 22 种；类别有 7 种；付款方式有 4 种。
• top ：出现次数最多的那个值。
• freq ：这个值一共出现了几次。

这样一来，一眼就能看出不少东西：记得最多的是「午饭」，有 326 笔；类别里「餐饮」最多，有 984 笔，占了一大半；最常用的付款方式是「支付宝」。日期那一列，2026-12-18 记了 8 笔，是一年里记账最多的一天。

不过，top 有一点要留意，文档的说明里也写了：要是有好几个值出现的次数一样多，top 会从中随便挑一个给你。这份账本里，记了 8 笔的只有这一天，所以没问题；可要是有两天都记了 8 笔，这里也只会显示其中一天。所以读统计结果的时候，要多问一句：「它是怎么算出来的？」

七、小结与回看

这一章没有急着算，而是先把记账本这张表，从整张表到每一列，都看了个清楚。回头梳理一下，学到了这几件事：

• DataFrame 就是一张表，由列名、索引（行号）和数据三部分组成。想看开头和结尾，就用 head() 和 tail() 。
• shape 是行数和列数，columns 是列名，dtypes 是每一列的数据类型：float64 、int64 是数字，object 一般是文字。
• info() 能把这些一次看全：每一列的类型，还有非空值的个数。非空值比总行数少，就说明有缺失。
• ledger['列名'] 能取出一列，它是一个 Series，自带 sum() 、mean() 、max() 、count() 、unique() 、nunique() 这些方法。要取好几列，就用两层方括号。
• describe() 能一眼看全局，用来发现问题，比如平均数和中位数差得很远、最大值大得离谱、出现了负数……
• 常见的坑有这几个：列名写错，会报 KeyError ；数字列混进了文字，会变成 object ；只看打印出来的那几行，会漏掉中间的问题。
• describe(include=[object]) 能统计文字列：有几种值，最多的是哪个，它出现了几次。

哪里卡住了，就回去看一看：

• 元组和列表：第 3 章
• 「只打印、不返回」：实战 4 的「六、常见坑」

这一章看的，都是整张表或者一整列。可分析的时候，咱们常常只关心其中的一部分。所以下一章，就来学怎么从这张表里挑出想要的部分：只要某几列、只要某几行，或者只要满足条件的那些行。