语义上DF像一个包含一个（类索引的series对象），getting，setting，and deleteting 操作和字典一毛一样

```

```

Columns的删除和pop也是和字典一毛一样的

```

```

如果你查插入的series的index和df的index不一致，那么将会以df的index为准。

```

```

你也可以插入原生的ndarrays，但是他们的程度必须和DF的索引的长度相同。

默认情况下，columns的插入位置一般都在最后，insert方法可以设置中特定位置插入columns

### 声明新的列？？？（in method chains）

受dplyr的mtate动词启发，df有一个assign方式，可以让你轻松根据已有列创建一个衍生出来的新列

```

```

上面的例子演示的是插入一个预先计算好的值，我们也可以传一个可以被df执行的function作为参数。

```

```

assign返回一个原来数据的拷贝，与原来的数据是相互独立不影响的。

传入一个可被调用的方法，而不是真是的数据，在你暂时没有df的reference 的时候特别有用。尤其是在操作链中使用assign很常见。例如：我们可以只选SptaplLengh大于5的值计算利率和分布图。

```

```

传入的方法是在df被定义的时候才计算的。更重要的是，df是筛选后的df，先筛再计算的。这是一个我们没有df的reference的例子。

assign方法出入的参数是**kwargs.key是columns的名字，values是一个值/包含一个参数的function。返回的是一个df的copy。

warning：

因为assign的参数是**kwargs,是一个字典，所有结果中的new columns的顺序是无法保证的，默认按照key的字母顺序排列。

所有的表达式都是先计算再命名的。所以你不能在一个assign方法中使用另一个也是被命名的columns。比如：

```

```

indexing/ 选择

基本的indexing方法如下

行选择，例如。返回的是一个index是df的columns的Series对方。

```

```

关于indexing和切片的详情见section on indexing.关于原理层面的东西见section of reindexing .

### 

不同的df对象会根据columns和index自动匹配。结果生成的对象是二者的并集。

```

```

当df和series对象操作的时候，会自动匹配series的index到df的columns。然后再把这个动作扩展到其他行。

```

```

当数据中含有time格式的serise，并且df的index包含时间，将会按照列扩展。

warning：

df - df['A']

目前不赞成这样，以后的版本会挪去。推荐的方式如下：

df.sub(df('A'),axis=0)

更多关于匹配和扩展的操作见flexible binary operations

```

```

当然也可以实现布尔操作

```

```

### 转置

使用T属性就可以了。和ndarray的T属性相同。

### 使用numpy的一些方法

numpy的一些元素智能的方法用在df身上完全没有问题，假设包含的数据是数值性的。

```

```

dot方法实现矩阵乘法

```

```

类似的，sries的dot方法完成的是dot结果

```

```

df设计的初衷并不是去取代ndarray的。这是因为df的索引语义会根据在矩阵中位置的不同有很大的区别。

### 控制台信息的输出

数据量很大的df对象会在展示的时候自动删减掉一部分再展示。info方法可以看df的概览情况。

使用to_string方法将会返回一个表格形式的字符串。虽然显示上面长度没有匹配到console

```

```

比较宽的df展示的时候将会折行。

设置display.width来空置每行展示多少。

设置display.max_colwidth来控制每列的显示长度。

通过expand_frame_repr选项来禁止上面的设置生效。显示出来的将会是一个块信息。

### df列属性的获取 和 ipython的自动补全。

如果df的列标签是一个有效的python变量名。可以通过获取属性的那种样式去获取数据

```

```

这些列也可以通过ipython中的自动补全。

### panel

警告：在0.20.0版本中，panel不赞成使用而且后期将会被取消。详见Deprecated Panel

panel某些程度上甚少用到，但仍是很重要的3维数据的容器。penel data是从计量经济学衍生出来的，也是跟pandas的名字相关的：pan(el)-da(ta)-s.3个轴的名字也是为了对包括panel数据的操作上面提供一些语义上的说明。然而，为了切片df对象，axis的名字有些被df独用了。

items: XXX

major_axis:XXX

minor_axis:XXX

Panel的构建方式正如你所期望的那样：

### from 3D ndarray 

```

```

### from dict of DF objects

注意，字典中的values必须能转化为DF,因此，他们可以是上面任意一种有效的输入来生成DF

一个有用的工厂方法是 Panel.from_dict。参数为一个DF的字典。剩下的参数如下：

例如，与上面的构造方式来相比：

```

```

orient对与多类型的DF对象来说很有用，如果你传入的是一个包含多类型columns的df的字典，所有的数据都会当作dypte=object。除非你传入了参数 orient='minor'

注意：Panle使用频率不如series和df,在功能使用上常常被忽视，df中的很多方法还不能在Panel中使用。

### from df 使用to_panel方法

to_panel 把一个df对象转换成一个两级index的Panel对象。

```

```

# 元素的 选择/增加/删除

df的操作把他当作是一个包含series的字典。类似的。Panel就是一个包含df的字典。

the 增加和删除的API 和df一样。正如df一样，如果里面的元素是一个有效的python变量名，你可以通过像属性一样去获取它并且在ipython中完成自动补全。

### 转置

通过他的transpose方法可以重排列一个Panel对象

### 索引/选择

例如，使用前面的例子当中的数据，我们可以：

```

```

### 挤压

修改一个object的维度的另一个方式就是squeeze一个长度为1的对象。像wp['item']

```

```

### 转换成df

Panel也可以以2d的形式展现，即一个包含多层的index的df，点击这里。如果想要把一个Panel变成一个df,使用to_frame 方法：

```

```

### 一些反对的声音

过去几年pandas的在工具覆盖范围和使用深度方面都取得了很大的发展：引入了很多的特性，同时也支持更多的数据类型；也支持更多的方法使用。但是这些为了这些高效的索引和方法的运行使用而做的努力，也使得pandas的代码库渐渐开始变得分散化，同时也慢慢变得不易于理解。

Panle的3维数据结构与1维的series和2维的df有很大的不同。

相于其他类型的数据分析语言，Panel的三维结构比1-D的series或2-D的DataFrame代码量上要小得多。面向未来，pandas专注于这些数据分析领域是非常非常有意义的。

通常，您可以简单地使用多索引DataFrame来轻松处理更高维度的数据。

另外，xarray包也是一点一点构建起来的。特别是为了支持多维的数据分析，这也是panel一个常见用例。xarray和panel的相互转化详情见这里。

```

```

或者你也可以转成xarray 类型的DataArray

```

```

完整文档见这里。

### Panel 4D 和 ND （不建议）

### 警告：

在0.19.0 Panel4D和ND是不建议使用，并且在以后的版本中会被移除。推荐用xrray包来表示多维的数据。pandas提供了一个to_xarray方法来自动完成转换。

更之前的版本文档见这里。