包含python可視化19的詞條

本文目錄一覽：

• 1、python語言屬於______
• 2、Python教程：第19篇 邏輯運算符
• 3、python常用到哪些庫？
• 4、python教程哪裡下載？
• 5、Python其實很簡單 第十九章 Pandas之Series與DataFrame

python語言屬於______

Python語言不是彙編語言，Python是高級的語言。

Python是一種跨平台的計算機程序設計語言。是一個高層次的結合了解釋性、編譯性、互動性和面向對象的腳本語言。

Python由荷蘭數學和計算機科學研究學會的吉多·范羅蘇姆於1990年代初設計，作為一門叫做ABC語言的替代品。Python提供了高效的高級數據結構，還能簡單有效地面向對象編程。Python語法和動態類型，以及解釋型語言的本質，使它成為多數平台上寫腳本和快速開發應用的編程語言，隨着版本的不斷更新和語言新功能的添加，逐漸被用於獨立的、大型項目的開發。

彙編語言assembly language，是一種用於電子計算機、微處理器、微控制器或其他可編程器件的低級語言，亦稱為符號語言。在彙編語言中，用助記符代替機器指令的操作碼，用地址符號或標號代替指令或操作數的地址。

高級語言High-level programming language，是一種獨立於機器，面向過程或對象的語言。高級語言是參照數學語言而設計的近似於日常會話的語言。

計算機語言具有高級語言和低級語言之分。而高級語言又主要是相對於彙編語言而言的，它是較接近自然語言和數學公式的編程，基本脫離了機器的硬件系統，用人們更易理解的方式編寫程序。編寫的程序稱之為源程序。

Python教程：第19篇 邏輯運算符

我們在高一時學習過命題的邏輯運算：與、或、非，在計算機科學中，其運算規則也是類似的（基本原理相同，但操作數與返回結果有所不同），Python也不例外。

在Python中，與用and、或用or、非用not表示。邏輯運算符一般用於操作返回值為bool類型的表達式，以表達式的值True（真）和False（假）為例。其運算規則總覽如下：

需要特別注意的是，在Python中，雖然邏輯運算符的操作數一般是運算結果為邏輯值的表達式，但也可以是運算結果為數值、字符串、元組、列表、集合、字典等類型的表達式。返回值也不一定是邏輯（bool）類型。而有些教程錯誤地稱只能操作bool類型的表達式以及始終返回bool類型。

我們可以用兩個not查看某種數據等價的邏輯值，下面是一些常見數據類型的等價規則：

一、數值除了0視為False，其餘數值（包括小數、負數、複數）均視為True：

二、字符串除了空字符串視為False外，其餘均視為True（包括空格、製表、換行、回車等空白符，也包括字符串’False’）：

三、對於元組、列表、集合、字典也是如此，空的視為False，非空的均視為True，即使其中只有一個值為False或0的數據：

有一種情況容易產生誤解，就是使用小括號將False包圍起來，這其實也是表示bool值，而不是元組，元組是使用小括號包圍的數據列表，但是如果只有一個成員，數據後面要加一個逗號，正如上述示例中所示那樣，下面的示例顯示了小括號包圍的False的數據類型：

四、對於一個類也是如此，非空類視為True（註：無法創建什麼都不包含的空類）：

五、None視為False：

總結一下就是： 數值0、空字符串、空元組、空列表、空集合、空字典以及None，均視為邏輯值False，其餘均視為True。

需要注意的是，邏輯運算符的返回值不一定是bool類型。

了解了非bool類型的操作數等價的邏輯值之後，還需要了解邏輯運算符的完全運算規則，才能得知具體會返回什麼值。

and為邏輯與（也稱邏輯且），其使用語法如下：

表達式A and 表達式B

其中操作數表達式A和表達式B一般均為邏輯值。但也可以是數值、字符串、元組、列表、集合、字典、對象等類型。

其運算通用規則為： 如果 表達式A 的運算結果等價於False，返回其運算結果，不再計算表達式B。否則返回 表達式B 的運算結果。

對於最常用的兩個操作數均為邏輯值的情況，只有當兩個操作數均為True的情況下為True，其餘情況均為False，以下是所有四種可能情況的運行示例：

其中兩個操作數也都可以是非邏輯值。

當第1個操作數結果等價於False時，比如False、0、None、空字符串、空元組、空列表、空集合、空字典等，整個邏輯表達式返回第1個操作數，注意，返回的是操作數的原始值，而不是等價值False，下面是運行示例（None表示什麼也沒有，所以沒有輸出。set()返回空集合）：

當第1個操作數等價於True時（非數值0、非空字符串等都等價於True），則不管第2個表達式的返回值是什麼，都將返回第2個值，當然這時第2個表達式不能有語法錯誤：

or為邏輯或，其使用格式如下：

表達式A or 表達式B

其中操作數表達式A和表達式B與and中的操作數含義相同。

其運算通用規則為： 如果 表達式A 的運算結果等價於True，返回其運算結果，不再計算表達式B。否則返回 表達式B 的運算結果。 其與and的區別在於，or當表達式A為True則返回表達式A，and當其為False時返回表達式A。

以上面and的示例為模板，可以看到，or與and的返回值正好相反。

與and類似，當表達式A相當於True時，表達式B也不會計算：

下面是常見的兩個操作數均為邏輯值的情況，or運算符的四種可能情況的運行示例（除非兩個值都是False時返回False，其餘情況返回True）：

not為邏輯非，其使用格式如下：

not 表達式

其運算規則為： 當 表達式 的運算結果為False、0、None、空字符串、空元組、空列表、空集合、空字典時，返回True。其餘情況均返回False。

下面是一些不同數據類型的運算示例：

與and和or不同的是，not的返回值始終是bool類型，即只有True和False兩種可能的取值。

所以，可以使用not not 表達式來查看一個非邏輯值是等價True還是False，正如上文非邏輯操作數等價的邏輯值中所示的那樣。

當然，not最常用的用法還是逆轉邏輯值，下面是兩種可能情況的運行示例：

邏輯運算符優先級notandor。

下面的示例證明and先於or運算：

下面的示例證明not先於or運算：

下面的示例證明not先於and運算：

另外，所有的邏輯運算符都比元組逗號分隔符的優先級要高，以and為例，比如下面是一個元組：

下面的例子中：

先計算了3 and 4，然後再組合成了元組，相當於：

而不是：

not與or的優先級也比其要高，下面是示例：

所以雖然元組有時可以省略小括號，但在與邏輯運算符運算時，元組請始終使用小括號。

這篇文章的整理與編寫花費了我近十小時時間，從上午寫到晚上。是我目前最具匠心的文章，如果說以前我的文章只適合初學者，偶爾超水平發揮才適合中級學者，那麼這篇文章我感覺對高水平人員也有重要的參考意義。

就我目前所知，我所寫的教程，在全網找不到第二個比它更優秀的了，當然，每個人心中都有一桿稱，不同讀者可能也有不同的際遇，我能做的只是做好自己。

所以，如果你覺得此文不錯，可以分享給你身邊的朋友、同學、同事、同鄉，世界很大也很小，很多東西，初見只能依靠緣分。而再見就需要你的主動了，緣分天註定，努力亦可改變命運。

Python教程：第11篇 變量賦值

Python教程：第17篇 比較運算符

Python教程：第18篇 算術運算符

python常用到哪些庫？

Python作為一個設計優秀的程序語言，現在已廣泛應用於各種領域，依靠其強大的第三方類庫，Python在各個領域都能發揮巨大的作用。

下面我們就來看一下python中常用到的庫：

數值計算庫：

1. NumPy

支持多維數組與矩陣運算，也針對數組運算提供大量的數學函數庫。通常與SciPy和Matplotlib一起使用，支持比Python更多種類的數值類型，其中定義的最重要的對象是稱為ndarray的n維數組類型，用於描述相同類型的元素集合，可以使用基於0的索引訪問集合中元素。

2. SciPy

在NumPy庫的基礎上增加了眾多的數學、科學及工程計算中常用的庫函數，如線性代數、常微分方程數值求解、信號處理、圖像處理、稀疏矩陣等，可進行插值處理、信號濾波，以及使用C語言加速計算。

3. Pandas

基於NumPy的一種工具，為解決數據分析任務而生。納入大量庫和一些標準的數據模型，提供高效地操作大型數據集所需的工具及大量的能快速便捷處理數據的函數和方法，為時間序列分析提供很好的支持，提供多種數據結構，如Series、Time-Series、DataFrame和Panel。

數據可視化庫：

4. Matplotlib

第一個Python可視化庫，有許多別的程序庫都是建立在其基礎上或者直接調用該庫，可以很方便地得到數據的大致信息，功能非常強大，但也非常複雜。

5. Seaborn

利用了Matplotlib，用簡潔的代碼來製作好看的圖表。與Matplotlib最大的區別為默認繪圖風格和色彩搭配都具有現代美感。

6. ggplot

基於R的一個作圖庫ggplot2，同時利用了源於《圖像語法》（The Grammar of Graphics）中的概念，允許疊加不同的圖層來完成一幅圖，並不適用於製作非常個性化的圖像，為操作的簡潔度而犧牲了圖像的複雜度。

7. Bokeh

跟ggplot一樣，Bokeh也基於《圖形語法》的概念。與ggplot不同之處為它完全基於Python而不是從R處引用。長處在於能用於製作可交互、可直接用於網絡的圖表。圖表可以輸出為JSON對象、HTML文檔或者可交互的網絡應用。

8. Plotly

可以通過Python notebook使用，與Bokeh一樣致力於交互圖表的製作，但提供在別的庫中幾乎沒有的幾種圖表類型，如等值線圖、樹形圖和三維圖表。

9. pygal

與Bokeh和Plotly一樣，提供可直接嵌入網絡瀏覽器的可交互圖像。與其他兩者的主要區別在於可將圖表輸出為SVG格式，所有的圖表都被封裝成方法，且默認的風格也很漂亮，用幾行代碼就可以很容易地製作出漂亮的圖表。

10. geoplotlib

用於製作地圖和地理相關數據的工具箱。可用來製作多種地圖，比如等值區域圖、熱度圖、點密度圖。必須安裝Pyglet（一個面向對象編程接口）方可使用。

11. missingno

用圖像的方式快速評估數據缺失的情況，可根據數據的完整度對數據進行排序或過濾，或者根據熱度圖或樹狀圖對數據進行修正。

web開發庫：

12. Django

一個高級的Python Web框架，支持快速開發，提供從模板引擎到ORM所需的一切東西，使用該庫構建App時，必須遵循Django的方式。

13. Socket

一個套接字通訊底層庫，用於在服務器和客戶端間建立TCP或UDP連接，通過連接發送請求與響應。

14. Flask

一個基於Werkzeug、Jinja 2的Python輕量級框架（microframework），默認配備Jinja模板引擎，也包含其他模板引擎或ORM供選擇，適合用來編寫API服務（RESTful rervices）。

15. Twisted

一個使用Python實現的基於事件驅動的網絡引擎框架，建立在deferred object之上，一個通過異步架構實現的高性能的引擎，不適用於編寫常規的Web Apps，更適用於底層網絡。

數據庫管理：

16. MySQL-python

又稱MySQLdb，是Python連接MySQL最流行的一個驅動，很多框架也基於此庫進行開發。只支持Python 2.x，且安裝時有許多前置條件。由於該庫基於C語言開發，在Windows平台上的安裝非常不友好，經常出現失敗的情況，現在基本不推薦使用，取代品為衍生版本。

17. mysqlclient

完全兼容MySQLdb，同時支持Python 3.x，是Django ORM的依賴工具，可使用原生SQL來操作數據庫，安裝方式與MySQLdb一致。

18. PyMySQL

純Python實現的驅動，速度比MySQLdb慢，最大的特點為安裝方式簡潔，同時也兼容MySQL-python。

19. SQLAlchemy

一種既支持原生SQL，又支持ORM的工具。ORM是Python對象與數據庫關係表的一種映射關係，可有效提高寫代碼的速度，同時兼容多種數據庫系統，如SQLite、MySQL、PostgreSQL，代價為性能上的一些損失。

自動化運維：

20. jumpsever跳板機

一種由Python編寫的開源跳板機（堡壘機）系統，實現了跳板機的基本功能，包含認證、授權和審計，集成了Ansible、批量命令等。

支持WebTerminal Bootstrap編寫，界面美觀，自動收集硬件信息，支持錄像回放、命令搜索、實時監控、批量上傳下載等功能，基於SSH協議進行管理，客戶端無須安裝agent。主要用於解決可視化安全管理，因完全開源，容易再次開發。

21. Magedu分布式監控系統

一種用Python開發的自動化監控系統，可監控常用系統服務、應用、網絡設備，可在一台主機上監控多個不同服務，不同服務的監控間隔可以不同，同一個服務在不同主機上的監控間隔、報警閾值可以不同，並提供數據可視化界面。

22. Magedu的CMDB

一種用Python開發的硬件管理系統，包含採集硬件數據、API、頁面管理3部分功能，主要用於自動化管理筆記本、路由器等常見設備的日常使用。由服務器的客戶端採集硬件數據，將硬件信息發送至API，API負責將獲取的數據保存至數據庫中，後台管理程序負責對服務器信息進行配置和展示。

23. 任務調度系統

一種由Python開發的任務調度系統，主要用於自動化地將一個服務進程分布到其他多個機器的多個進程中，一個服務進程可作為調度者依靠網絡通信完成這一工作。

24. Python運維流程系統

一種使用Python語言編寫的調度和監控工作流的平台，內部用於創建、監控和調整數據管道。允許工作流開發人員輕鬆創建、維護和周期性地調度運行工作流，包括了如數據存儲、增長分析、Email發送、A/B測試等諸多跨多部門的用例。

GUI編程：

25. Tkinter

一個Python的標準GUI庫，可以快速地創建GUI應用程序，可以在大多數的UNIX平台下使用，同樣可以應用在Windows和Macintosh系統中，Tkinter 8.0的後續版本可以實現本地窗口風格，並良好地運行在絕大多數平台中。

26. wxPython

一款開源軟件跨平台GUI庫wxWidgets的Python封裝和Python模塊，是Python語言的一套優秀的GUI圖形庫，允許程序員很方便地創建完整的、功能健全的GUI用戶界面。

27. PyQt

一個創建GUI應用程序的工具庫，是Python編程語言和Qt的成功融合，可以運行在所有主要操作系統上，包括UNIX、Windows和Mac。PyQt採用雙許可證，開發人員可以選擇GPL和商業許可，從PyQt的版本4開始，GPL許可證可用於所有支持的平台。

28. PySide

一個跨平台的應用程式框架Qt的Python綁定版本，提供與PyQt類似的功能，並相容API，但與PyQt不同處為其使用LGPL授權。

更多Python知識請關注Python自學網。

python教程哪裡下載？

python教程可以到【達內教育】官網諮詢下載。該機構各大課程體系緊跟企業需求，企業級項目，課程穿插大廠真實項目講解，對標企業人才標準，制定專業學習計劃，囊括主流熱點技術。

python入門學習：

第一階段Python基礎與Linux數據庫。這是Python的入門階段，也是幫助零基礎學員打好基礎的重要階段。需要掌握【Python】基本語法規則及變量、邏輯控制、內置數據結構、文件操作、高級函數、模塊、常用標準庫模塊、函數、異常處理、MySQL使用、協程等知識點。

第二階段WEB全棧。這一部分主要學習Web前端相關技術，需要掌握HTML、CSS、JavaScript、jQuery、BootStrap、Web開發基礎、VUE、FlaskViews、Flask模板、數據庫操作、Flask配置等知識。

第三階段數據分析+人工智能。這部分主要是學習爬蟲相關的知識點，需要掌握數據抓取、數據提取、數據存儲、爬蟲並發、動態網頁抓取、scrapy框架、分布式爬蟲、爬蟲攻防、數據結構、算法等知識。感興趣的話點擊此處，免費學習一下

想了解更多有關python學習的相關信息，推薦諮詢【達內教育】。該機構是引領行業的職業教育公司，致力於面向IT互聯網行業培養人才，達內大型T專場招聘會每年定期舉行，為學員搭建快捷高效的雙選綠色通道，在提升學員的面試能力、積累面試經驗同時也幫助不同技術方向的達內學員快速就業。達內IT培訓機構,試聽名額限時搶購。

Python其實很簡單 第十九章 Pandas之Series與DataFrame

19.1安裝Anaconda

Anaconda是Python的一個開源發行版本，它預裝了豐富的第三方庫，而且主要面向科學計算和數據分析，使用起來要比原版的Python更省時省力。

Anaconda官方下載網址為：。下載和安裝的方法很簡單，若有問題可以在網上搜索相關內容學習解決。

安裝Anaconda之後，就會發現在Anaconda目錄下同時安裝了Jupyter Notebook、Spyder等工具，我們接下來主要使用Spyder進行開發。關於Spyder的使用方法非常簡單，大家也可以去網上搜索學習。

雖然Anaconda已經預裝了很多常用的包，但有時我們也需要自己安裝一些包。可以在開始菜單中選擇“Anaconda Anaconda Prompt”命令，在命令行輸入conda install （ 代表包名）即可安裝，也可以輸入pip install 。

19.2數據分析包Pandas

Pandas是Python的一個數據分析包，Anaconda安裝時已經附帶安裝了Pandas包。

Pandas數據結構有三種：Series（一維數組）、DataFrame（二維數組）和Panel（三維數組），其中最常用的是前兩種數據結構。

19.2.1 Series

Series（序列）用於存儲一行或一列數據，以及與之相關的索引的集合。

語法格式如下：

Series([數據1，數據2，……], index=[索引1,索引2,……])

例：

from pandas import Series

s=Series([‘張三’,’李四’,’王五’],index=[1,2,3])

print(s)

輸出結果如下：

1 張三

2 李四

3 王五

dtype: object

上面建立序列時指定了索引，若不指定，則默認的索引值從0開始。如下：

s=Series([‘張三’,’李四’,’王五’])

輸出結果為:

0 張三

1 李四

2 王五

dtype: object

索引值也可以為字符串。如下：

from pandas import Series

s=Series([‘張三’,’李四’,’王五’],index=[‘A’,’B’,’C’])

print(s)

輸出結果為：

A 張三

B 李四

C 王五

dtype: object

1、訪問序列

（1）可以通過索引訪問序列，如：

from pandas import Series

s=Series([‘張三’,’李四’,’王五’])

print(s)

print(s[0])

print(s[1:])

運行結果如下：

0 張三

1 李四

2 王五

dtype: object #print(s)輸出

張三 #print(s[0])輸出

1 李四

2 王五

dtype: object #print(s[1:])輸出

（2）通過值獲取索引值

from pandas import Series

s=Series([‘張三’,’李四’,’王五’],index=[‘A’,’B’,’C’])

print(s.index[s.values==’李四’])

運行結果：

Index([‘B’], dtype=’object’)

（3）判斷值是否存在

from pandas import Series

s=Series([‘張三’,’李四’,’王五’],index=[‘A’,’B’,’C’])

f=’李四’ in s.values

print(f)

運行結果：

True

（4）定位獲取

from pandas import Series

s=Series([‘張三’,’李四’,’王五’,’孫六’],index=[‘A’,’B’,’C’,’D’])

print(s[[0,2,1]])

運行結果：

A 張三

C 王五

B 李四

dtype: object

2、修改序列

（1）追加序列，如：

from pandas import Series

s=Series([‘張三’,’李四’,’王五’],index=[‘A’,’B’,’C’])

s1=Series([‘孫六’],index=[‘D’])

s=s.append(s1)

print(s)

運行結果：

A 張三

B 李四

C 王五

D 孫六

dtype: object

（2）修改序列的值

from pandas import Series

s=Series([‘張三’,’李四’,’王五’,’孫六’],index=[‘A’,’B’,’C’,’D’])

s[1]=’李飛’

print(s)

運行結果：

A 張三

B 李飛

C 王五

D 孫六

dtype: object

不知道索引，僅知道要修改的值，也可通過值查找到索引後，再修改序列的值。如：

s[s.index[s.values==’李四’]]=’李飛’

這樣也可以將“李四”修改為“李飛。

（3）修改索引

from pandas import Series

s=Series([‘張三’,’李四’,’王五’,’孫六’],index=[‘A’,’B’,’C’,’D’])

s.index=[0,1,2,3]

print(s)

運行結果：

0 張三

1 李四

2 王五

3 孫六

dtype: object

（4）刪除元素

from pandas import Series

s=Series([‘張三’,’李四’,’王五’,’孫六’],index=[‘A’,’B’,’C’,’D’])

s=s.drop(‘A’)

print(s)

運行結果：

B 李四

C 王五

D 孫六

dtype: object

（5）重新排序

可以按照索引排序，使用sort_index(ascending=True)方法對index進行排序操作。

from pandas import Series

s=Series([‘張三’,’李四’,’王五’,’孫六’],index=[‘A’,’B’,’C’,’D’])

s=s.sort_index(ascending=False) # ascending=False表示按降序排列

print(s)

運行結果：

D 孫六

C 王五

B 李四

A 張三

dtype: object

（6）重置索引

重置索引可以使用reindex()。如果index列表中的元素多於序列的值，可用fill_value=0這樣的語句填充。

s=s.reindex([‘D’,’C’,’B’,’A’])

如果index列表中的元素多於序列的值，可用fill_value=0這樣的語句填充。

s=s.reindex([‘D’,’C’,’B’,’A’], fill_value=0)

19.2.2 DataFrame

DataFrame（數據框架）用於存儲多行和多列的數據集合。它是Series的容器，類似於Excel中二維表格。

定義一個DataFrame的語法格式如下：

df=DataFrame({列名1 : 序列1，列名2 : 序列2，…….列名n : 序列n}, index=序列 )

例如，有如下二維表：

姓名

性別

年齡

張三

男

18

李四

女

19

王五

男

17

保存到DataFrame中可以用如下方法：

from pandas import Series

from pandas import DataFrame

name=Series([‘張三’,’李四’,’王五’])

sex=Series([‘男’,’女’,’男’])

age=Series([18,19,17])

df=DataFrame({‘姓名’:name,’性別’:sex,’年齡’:age})

print(df)

運行結果：

姓名 性別 年齡

0 張三 男 18

1 李四 女 19

2 王五 男 17

從上例可以看出，雖然我們省缺了索引，但系統自動添加了從0開始的索引值。

19.3 DataFrame的基本操作

1、訪問方式

（1）獲取行

print(df[1:2]) # 獲取第1行的值

輸出結果：

姓名 性別 年齡

1 李四 女 19

print(df[1:3]) #獲取第1行到第2行的值

輸出結果：

姓名 性別 年齡

1 李四 女 19

2 王五 男 17

（2）獲取列

print(df[‘姓名’]) #獲取“姓名”列的值

輸出結果：

0 張三

1 李四

2 王五

Name: 姓名, dtype: object

另一種方法：

print(df[df.columns[0:1]]) #先按照索引號獲取列名，再按照列名讀取

輸出結果和上面的方法完全一致。

還有一種情況，是獲取唯一值，即將列內的重複值中多餘的刪除，僅留下互不相同的值。所用的到方法是unique()。

sex1=Series(df[‘性別’].unique())

print(sex1)

輸出結果：

0 男

1 女

dtype: object

（3）獲取指定位置的值

print(df.at[1,’姓名’]) # 格式為變量名.at[行號，列名]

輸出結果：

李四

（4）獲取塊的值

print(df.iloc[0:2,1:3]) # 格式為變量名.iloc[行號1:行號2, 列號1:列號2]

輸出結果：

性別 年齡

0 男 18

1 女 19

print(df.iloc[:,1:2]) #獲取“性別”列的值

運行結果：

性別

0 男

1 女

2 男

2、修改、刪除、增加行和列

（1）修改列名

print(df.columns)

df.columns=[‘name’,’sex’,’age’]

print(df.columns)

輸出結果：

Index([‘姓名’, ‘性別’, ‘年齡’], dtype=’object’)

Index([‘name’, ‘sex’, ‘age’], dtype=’object’)

可見，列名已經由“姓名、性別、年齡”修改為“age、sex、age”了。但這種修改必須把全部列名都一一列舉，不能有遺漏，否則就會出錯。如：

df.columns=[‘name’,’sex’]

此時會報錯：ValueError: Length mismatch: Expected axis has 3 elements, new values have 2 elements。

（2）修改行索引

df.index=[1,2,3]

（3）刪除行

df.drop(1,axis=0) # axis=0表示行軸，也可以省略

（4）刪除列

df.drop(‘性別’,axis=1) # axis=0表示列軸

也可以使用另一種方法：

del df[‘性別’]

（5）增加列

df[‘電話’]=[‘1111111′,’2222222′,’3333333’]

print(df)

運行結果：

姓名 性別 年齡 電話

0 張三 男 18 1111111

1 李四 女 19 2222222

2 王五 男 17 3333333

（6）增加行

df.loc[len(df)]=[‘孫六’,’男’,’20’]

（7）追加

from pandas import Series

from pandas import DataFrame

name=Series([‘張三’,’李四’,’王五’])

sex=Series([‘男’,’女’,’男’])

age=Series([18,19,17])

df=DataFrame({‘姓名’:name,’性別’:sex,’年齡’:age}) # 建立DataFrame，變量名為df

name1=Series([‘孫六’,’候七’])

sex1=Series([‘男’,’女’])

age1=Series([19,17])

df1=DataFrame({‘姓名’:name1,’性別’:sex1,’年齡’:age1})

# 建立DataFrame，變量名為df1

df=df.append(df1,ignore_index=True)

# 將對df1追加到df後面，參數ignore_index=True表示重新索引

print(df)

運行結果：

姓名 性別 年齡

0 張三 男 18

1 李四 女 19

2 王五 男 17

3 孫六 男 19

4 候七 女 17