机器学习速成·前置(三)：Pandas DataFrame 上手——创建、取值与引用

本文参考 Google ML Crash Course 前置工作 - Pandas DataFrame UltraQuick Tutorial 撰写。这篇不是 DataFrames 的完整教程，而是完成 MLCC 后续练习所必需的最小子集。

一、DataFrame 是什么？

DataFrame（数据帧） 是 pandas API 的核心数据结构。你可以把它理解为一块内存里的电子表格：

• 单元格：数据按”单元格”存储；
• 命名列：通常有列名；
• 编号行：行有行号。

就像 Excel 一样，它把”二维表”和强大的分析能力绑在一起，是机器学习里加载、清洗、浏览数据的主力。

二、导入 NumPy 和 pandas

import numpy as np
import pandas as pd

为什么又要 NumPy？因为 DataFrame 的数据很多来自 NumPy 数组，两者常常一起用。

三、创建 DataFrame

用 pd.DataFrame(...) 实例化一个 DataFrame，通常传两个参数：

1. 数据源（如一个 NumPy 数组）；
2. 列名列表。

# 创建并填充一个 5x2 的 NumPy 数组
my_data = np.array([[0, 3], [10, 7], [20, 9], [30, 14], [40, 15]])

# 保存两列的列名
my_column_names = ['temperature', 'activity']

# 创建 DataFrame
my_dataframe = pd.DataFrame(data=my_data, columns=my_column_names)

# 打印整个 DataFrame
print(my_dataframe)

输出后你就得到一个 5 行 2 列、带表头的表格：temperature、activity 两列，行为 0~4 编号。

⚠️ 注意：后续代码会继续使用这些变量，不要在同一 notebook 里重新定义它们。

四、给 DataFrame 新增一列

给已有 DataFrame 加列非常简单：直接给一个新列名赋值即可。

# 新建名为 adjusted 的列，值是 activity 列 + 2
my_dataframe["adjusted"] = my_dataframe["activity"] + 2

print(my_dataframe)

幂等、直观——pandas 会对整列做向量的逐元素运算，一步生成新列。

五、取出 DataFrame 的子集

pandas 提供了多种隔离行/列/切片/单元格的方式：

print("Rows #0, #1, and #2:")
print(my_dataframe.head(3), '\n')      # 前 3 行

print("Row #2:")
print(my_dataframe.iloc[[2]], '\n')     # 按位置取第 2 行（iloc）

print("Rows #1, #2, and #3:")
print(my_dataframe[1:4], '\n')          # 行切片（左闭右开）

print("Column 'temperature':")
print(my_dataframe['temperature'])       # 按列名取整列

六、动手练习：建一个随机 DataFrame

按如下要求做一个小任务（用到前述 NumPy 基础）：

1. 创建 3×4 的 DataFrame，列名是 Eleanor、Chidi、Tahani、Jason，每个单元格填一个 0~100（含） 的随机整数；
2. 输出：整个 DataFrame，以及 第 1 行 Eleanor 列的那个单元格；
3. 新建第 5 列 Janet，值为 Tahani 与 Jason 两列的逐行求和。

参考解法：

my_column_names = ['Eleanor', 'Chidi', 'Tahani', 'Jason']

# 3x4 随机整数（0~100，含）
my_data = np.random.randint(low=0, high=101, size=(3, 4))

df = pd.DataFrame(data=my_data, columns=my_column_names)
print(df)

# 第 1 行 Eleanor 列的值
print("Second row of the Eleanor column: %d\n" % df['Eleanor'][1])

# 新增列：两列逐行求和
df['Janet'] = df['Tahani'] + df['Jason']
print(df)

体会一下：列与列之间可以直接做算术运算，这正是后续特征工程的高频操作。

七、引用 vs 拷贝：一个微妙但重要的区别

复用一个 DataFrame 有两种方式，结果截然不同：

7.1 引用（Reassignment）：会”联动”

reference_to_df = df   # 只是给同一个对象换了个名字
df.at[1, 'Jason'] = df['Jason'][1] + 5

print(df['Jason'][1])            # 更新后的值
print(reference_to_df['Jason'][1])  # 引用也被改动了！

因为 reference_to_df 和 df 指向同一份内存，改任何一个，另一个都跟着变。

7.2 拷贝（.copy()）：互不影响

copy_of_my_dataframe = my_dataframe.copy()   # 真正的独立拷贝
my_dataframe.at[1, 'activity'] = my_dataframe['activity'][1] + 3

print(my_dataframe['activity'][1])            # 被更新
print(copy_of_my_dataframe['activity'][1])    # 拷贝仍保持原值

.copy() 生成一份完全独立的副本，两者从此互不影响。

一句话记住：”=“只是多了个名字，“.copy()”才是真复制。 处理共享数据时务必分清，否则极易改动到”没想到会被改”的对象。

八、小结

一句话：DataFrame 就是”内存里的Excel”——用 pd.DataFrame 建表、直接赋值 df["新列"] 加列、head/iloc/切片取任意子集；但要记住 = 只是多起个名字，想真正复制得用 .copy()。