Работа с таблицами в Python с помощью DataFrame

Введение

В Python таблицы данных удобно обрабатывать с помощью структуры DataFrame из библиотеки pandas. Она позволяет хранить данные в табличном виде, выполнять фильтрацию, сортировку, группировку и анализ. DataFrame — основной инструмент анализа данных и обработки информации в Python. В этой статье мы разберём, как создавать, редактировать и анализировать таблицы с помощью DataFrame.

Создание DataFrame

Для начала установим и импортируем библиотеку pandas:

pip install pandas

import pandas as pd

data = {
    'Имя': ['Анна', 'Иван', 'Петр'],
    'Возраст': [25, 30, 22],
    'Город': ['Москва', 'Казань', 'Самара']
}

df = pd.DataFrame(data)
print(df)

Результат:

    Имя  Возраст   Город
0  Анна       25  Москва
1  Иван       30  Казань
2  Петр       22  Самара

DataFrame представляет собой таблицу, где каждая колонка имеет имя, а строки индексируются автоматически.

Работа с табличными данными тесно связана с основами Python: типами данных, циклами и функциями. Если вы хотите глубже разобраться в том, как Python работает с коллекциями и структурами данных, приходите на курс Основы Python. На курсе 209 уроков и 34 упражнения, AI-тренажёры для практики 24/7, ревью наставников и еженедельные встречи с менторами.

Чтение таблиц из файлов

DataFrame можно создать из CSV, Excel или других форматов:

# Чтение CSV
df = pd.read_csv('data.csv')

# Чтение Excel
df = pd.read_excel('data.xlsx')

# Просмотр первых строк
print(df.head())

Доступ к данным

print(df['Имя'])      # Получить столбец
print(df.loc[0])      # Получить строку по индексу
print(df.iloc[1:3])   # Получить диапазон строк

Можно комбинировать фильтры и условия:

adults = df[df['Возраст'] > 24]
print(adults)

Добавление и изменение данных

df['Страна'] = 'Россия'
df.loc[1, 'Возраст'] = 31
print(df)

Удаление столбцов и строк:

df = df.drop('Город', axis=1)  # удалить столбец
df = df.drop(0, axis=0)        # удалить строку

Анализ таблиц

Pandas поддерживает множество методов анализа данных:

print(df.describe())  # Статистическая сводка
print(df['Возраст'].mean())  # Средний возраст
print(df.sort_values('Возраст', ascending=False))

Сохранение таблицы

df.to_csv('output.csv', index=False)
df.to_excel('output.xlsx', index=False)

Частые ошибки

• Ошибка FileNotFoundError при указании неверного пути к файлу.
• Несовпадение кодировок при чтении CSV (решается encoding='utf-8').
• Изменение данных без создания копии — используйте df.copy() при необходимости.

Частозадаваемые вопросы

Как объединить две таблицы? Используйте pd.concat([df1, df2]) или pd.merge(df1, df2, on='ключ').

Как изменить тип данных в столбце? df['Возраст'] = df['Возраст'].astype(int).

Как удалить пропущенные значения? df.dropna() — удалить, df.fillna(0) — заменить нулями.

Заключение

DataFrame — универсальный инструмент для работы с табличными данными в Python. Он упрощает анализ, фильтрацию и преобразование данных, делая обработку информации эффективной и читаемой.

Для системного изучения обработки данных и построения таблиц рекомендуем курс Основы Python, где вы сможете закрепить навыки на практике и научиться использовать pandas в реальных проектах.