本页面是一个对 Mars DataFrame 的简短介绍，内容修改自 10 分钟入门 pandas 。
如果没有说明，我们默认导入下面的包：
In [1]: import mars.tensor as mt In [2]: import mars.dataframe as md
通过传入一个包含值的 list 来创建 Series 实例，并使用默认的整数索引：
Series
In [3]: s = md.Series([1, 3, 5, mt.nan, 6, 8]) In [4]: s.execute() Out[4]: 0 1.0 1 3.0 2 5.0 3 NaN 4 6.0 5 8.0 dtype: float64
通过一个 Mars Tensor 来创建 DataFrame 实例，并使用时间日期索引和列标签：
DataFrame
In [5]: dates = md.date_range('20130101', periods=6) In [6]: dates.execute() Out[6]: DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04', '2013-01-05', '2013-01-06'], dtype='datetime64[ns]', freq='D') In [7]: df = md.DataFrame(mt.random.randn(6, 4), index=dates, columns=list('ABCD')) In [8]: df.execute() Out[8]: A B C D 2013-01-01 -2.267832 0.953857 -0.816261 -0.260946 2013-01-02 -1.808046 0.017707 -1.321195 0.520753 2013-01-03 2.193929 -0.357112 -0.281294 0.353048 2013-01-04 1.212291 0.957796 1.937505 1.091588 2013-01-05 0.190906 -0.169773 -0.376142 -1.260029 2013-01-06 1.182937 -0.527868 0.905961 -1.185691
通过值可转换为序列的字典来创建 DataFrame 实例：
In [9]: df2 = md.DataFrame({'A': 1., ...: 'B': md.Timestamp('20130102'), ...: 'C': md.Series(1, index=list(range(4)), dtype='float32'), ...: 'D': mt.array([3] * 4, dtype='int32'), ...: 'E': 'foo'}) ...: In [10]: df2.execute() Out[10]: A B C D E 0 1.0 2013-01-02 1.0 3 foo 1 1.0 2013-01-02 1.0 3 foo 2 1.0 2013-01-02 1.0 3 foo 3 1.0 2013-01-02 1.0 3 foo
最终生成的 DataFrame 中，每列的类型均不相同。
In [11]: df2.dtypes Out[11]: A float64 B datetime64[ns] C float32 D int32 E object dtype: object
下面是显示 DataFrame 中开头和结尾若干行的方法：
In [12]: df.head().execute() Out[12]: A B C D 2013-01-01 -2.267832 0.953857 -0.816261 -0.260946 2013-01-02 -1.808046 0.017707 -1.321195 0.520753 2013-01-03 2.193929 -0.357112 -0.281294 0.353048 2013-01-04 1.212291 0.957796 1.937505 1.091588 2013-01-05 0.190906 -0.169773 -0.376142 -1.260029 In [13]: df.tail(3).execute() Out[13]: A B C D 2013-01-04 1.212291 0.957796 1.937505 1.091588 2013-01-05 0.190906 -0.169773 -0.376142 -1.260029 2013-01-06 1.182937 -0.527868 0.905961 -1.185691
显示索引和列：
In [14]: df.index.execute() Out[14]: DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04', '2013-01-05', '2013-01-06'], dtype='datetime64[ns]', freq='D') In [15]: df.columns.execute() Out[15]: Index(['A', 'B', 'C', 'D'], dtype='object')
DataFrame.to_tensor() 将 DataFrame 中的数据转换为 Mars Tensor 表示。注意当 DataFrame 中的列类型不同时，该操作可能代价很高。这也揭示了 DataFrame 和 Tensor 之间一项最基本的差异：在 Tensor 中，对于整个 Tensor 对象只有一个 dtype，但 DataFrame 对每列都有一个 dtype。当调用 DataFrame.to_tensor() 时，Mars DataFrame 将会找出一个可存储 DataFrame 中 所有 对象的 dtype，这可能是一个 object，并将导致 DataFrame 中的每个值都被转换为一个 Python 对象。
DataFrame.to_tensor()
object
在上面的 df 对象中，DataFrame 实例中的值均为浮点数，因而 DataFrame.to_tensor() 执行速度会很快，且不需要数据复制。
df
In [16]: df.to_tensor().execute() Out[16]: array([[-2.26783199, 0.95385651, -0.81626149, -0.26094625], [-1.80804649, 0.01770691, -1.32119483, 0.52075309], [ 2.19392882, -0.35711197, -0.28129439, 0.35304787], [ 1.21229093, 0.9577961 , 1.93750541, 1.09158758], [ 0.19090631, -0.16977301, -0.37614162, -1.26002941], [ 1.18293682, -0.52786774, 0.90596101, -1.18569106]])
而对于 df2 对象，DataFrame 实例中有不同的数据类型，因而 DataFrame.to_tensor() 执行代价就相对较高了。
df2
In [17]: df2.to_tensor().execute() Out[17]: array([[1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'foo'], [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'foo'], [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'foo'], [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'foo']], dtype=object)
注解
DataFrame.to_tensor() 在输出结果中 不保留 索引或列标签。
describe() 将会为你的数据显示一份简单的统计摘要：
describe()
In [18]: df.describe().execute() Out[18]: A B C D count 6.000000 6.000000 6.000000 6.000000 mean 0.117364 0.145768 0.008096 -0.123546 std 1.791547 0.653458 1.200562 0.954719 min -2.267832 -0.527868 -1.321195 -1.260029 25% -1.308308 -0.310277 -0.706232 -0.954505 50% 0.686922 -0.076033 -0.328718 0.046051 75% 1.204952 0.719819 0.609147 0.478827 max 2.193929 0.957796 1.937505 1.091588
按坐标排序：
In [19]: df.sort_index(axis=1, ascending=False).execute() Out[19]: D C B A 2013-01-01 -0.260946 -0.816261 0.953857 -2.267832 2013-01-02 0.520753 -1.321195 0.017707 -1.808046 2013-01-03 0.353048 -0.281294 -0.357112 2.193929 2013-01-04 1.091588 1.937505 0.957796 1.212291 2013-01-05 -1.260029 -0.376142 -0.169773 0.190906 2013-01-06 -1.185691 0.905961 -0.527868 1.182937
按值排序：
In [20]: df.sort_values(by='B').execute() Out[20]: A B C D 2013-01-06 1.182937 -0.527868 0.905961 -1.185691 2013-01-03 2.193929 -0.357112 -0.281294 0.353048 2013-01-05 0.190906 -0.169773 -0.376142 -1.260029 2013-01-02 -1.808046 0.017707 -1.321195 0.520753 2013-01-01 -2.267832 0.953857 -0.816261 -0.260946 2013-01-04 1.212291 0.957796 1.937505 1.091588
尽管在交互式分析场景下，使用标准的 Python / Numpy 表达式选择和设置 DataFrame 数据非常自然且便于使用，但对生产代码，我们推荐使用经过优化的数据访问方法，即 .at、.iat、.loc 和 .iloc。
.at
.iat
.loc
.iloc
选择一列，将返回一个 Series 实例。这一操作等价于 df.A ：
df.A
In [21]: df['A'].execute() Out[21]: 2013-01-01 -2.267832 2013-01-02 -1.808046 2013-01-03 2.193929 2013-01-04 1.212291 2013-01-05 0.190906 2013-01-06 1.182937 Freq: D, Name: A, dtype: float64
通过 [] 选择数据，将在行中选取。
[]
In [22]: df[0:3].execute() Out[22]: A B C D 2013-01-01 -2.267832 0.953857 -0.816261 -0.260946 2013-01-02 -1.808046 0.017707 -1.321195 0.520753 2013-01-03 2.193929 -0.357112 -0.281294 0.353048 In [23]: df['20130102':'20130104'].execute() Out[23]: A B C D 2013-01-02 -1.808046 0.017707 -1.321195 0.520753 2013-01-03 2.193929 -0.357112 -0.281294 0.353048 2013-01-04 1.212291 0.957796 1.937505 1.091588
通过行标签选择一行数据：
In [24]: df.loc['20130101'].execute() Out[24]: A -2.267832 B 0.953857 C -0.816261 D -0.260946 Name: 2013-01-01 00:00:00, dtype: float64
在特定坐标上指定标签：
In [25]: df.loc[:, ['A', 'B']].execute() Out[25]: A B 2013-01-01 -2.267832 0.953857 2013-01-02 -1.808046 0.017707 2013-01-03 2.193929 -0.357112 2013-01-04 1.212291 0.957796 2013-01-05 0.190906 -0.169773 2013-01-06 1.182937 -0.527868
在多个坐标上指定标签，带有这些标签的 所有数据 均会被选取：
In [26]: df.loc['20130102':'20130104', ['A', 'B']].execute() Out[26]: A B 2013-01-02 -1.808046 0.017707 2013-01-03 2.193929 -0.357112 2013-01-04 1.212291 0.957796
在特定坐标上降低返回对象的维度：
In [27]: df.loc['20130102', ['A', 'B']].execute() Out[27]: A -1.808046 B 0.017707 Name: 2013-01-02 00:00:00, dtype: float64
获得一个常量：
In [28]: df.loc['20130101', 'A'].execute() Out[28]: -2.267831989033653
快速获取一个常数（和前述方法等价）：
In [29]: df.at['20130101', 'A'].execute() Out[29]: -2.267831989033653
通过传入的整数选择相应位置的数据：
In [30]: df.iloc[3].execute() Out[30]: A 1.212291 B 0.957796 C 1.937505 D 1.091588 Name: 2013-01-04 00:00:00, dtype: float64
通过整数切片来选择数据，与 Numpy / Python 行为一致：
In [31]: df.iloc[3:5, 0:2].execute() Out[31]: A B 2013-01-04 1.212291 0.957796 2013-01-05 0.190906 -0.169773
通过整数列表选择相应位置的数据，与 Numpy / Python 行为一致：
In [32]: df.iloc[[1, 2, 4], [0, 2]].execute() Out[32]: A C 2013-01-02 -1.808046 -1.321195 2013-01-03 2.193929 -0.281294 2013-01-05 0.190906 -0.376142
显示对行切片：
In [33]: df.iloc[1:3, :].execute() Out[33]: A B C D 2013-01-02 -1.808046 0.017707 -1.321195 0.520753 2013-01-03 2.193929 -0.357112 -0.281294 0.353048
显示对列切片：
In [34]: df.iloc[:, 1:3].execute() Out[34]: B C 2013-01-01 0.953857 -0.816261 2013-01-02 0.017707 -1.321195 2013-01-03 -0.357112 -0.281294 2013-01-04 0.957796 1.937505 2013-01-05 -0.169773 -0.376142 2013-01-06 -0.527868 0.905961
显示获取某个位置的常数：
In [35]: df.iloc[1, 1].execute() Out[35]: 0.01770691398596098
In [36]: df.iat[1, 1].execute() Out[36]: 0.01770691398596098
使用一行布尔值选择数据：
In [37]: df[df['A'] > 0].execute() Out[37]: A B C D 2013-01-03 2.193929 -0.357112 -0.281294 0.353048 2013-01-04 1.212291 0.957796 1.937505 1.091588 2013-01-05 0.190906 -0.169773 -0.376142 -1.260029 2013-01-06 1.182937 -0.527868 0.905961 -1.185691
从 DataFrame 选择满足某个布尔条件的值：
In [38]: df[df > 0].execute() Out[38]: A B C D 2013-01-01 NaN 0.953857 NaN NaN 2013-01-02 NaN 0.017707 NaN 0.520753 2013-01-03 2.193929 NaN NaN 0.353048 2013-01-04 1.212291 0.957796 1.937505 1.091588 2013-01-05 0.190906 NaN NaN NaN 2013-01-06 1.182937 NaN 0.905961 NaN
除缺失值外的常见操作：
计算描述统计值：
In [39]: df.mean().execute() Out[39]: A 0.117364 B 0.145768 C 0.008096 D -0.123546 dtype: float64
在另一条坐标轴上进行相同的操作：
In [40]: df.mean(1).execute() Out[40]: 2013-01-01 -0.597796 2013-01-02 -0.647695 2013-01-03 0.477143 2013-01-04 1.299795 2013-01-05 -0.403759 2013-01-06 0.093835 Freq: D, dtype: float64
在维度不同的对象上进行操作，这需要进行对齐。此外，Mars DataFrame 会自动在给定的坐标轴上对数据进行广播操作。
In [41]: s = md.Series([1, 3, 5, mt.nan, 6, 8], index=dates).shift(2) In [42]: s.execute() Out[42]: 2013-01-01 NaN 2013-01-02 NaN 2013-01-03 1.0 2013-01-04 3.0 2013-01-05 5.0 2013-01-06 NaN Freq: D, dtype: float64 In [43]: df.sub(s, axis='index').execute() Out[43]: A B C D 2013-01-01 NaN NaN NaN NaN 2013-01-02 NaN NaN NaN NaN 2013-01-03 1.193929 -1.357112 -1.281294 -0.646952 2013-01-04 -1.787709 -2.042204 -1.062495 -1.908412 2013-01-05 -4.809094 -5.169773 -5.376142 -6.260029 2013-01-06 NaN NaN NaN NaN
在数据上应用函数：
In [44]: df.apply(lambda x: x.max() - x.min()).execute() Out[44]: A 4.461761 B 1.485664 C 3.258700 D 2.351617 dtype: float64
如同下面的例子展示的那样，Series 对象通过 str 属性提供了一系列字符串操作方法以便于操作每一个元素。注意通过 str 进行的模式匹配通常会默认（在某些情形下会一直）用到 正则表达式 。更多的信息可在 向量化字符串方法 中查看。
In [45]: s = md.Series(['A', 'B', 'C', 'Aaba', 'Baca', mt.nan, 'CABA', 'dog', 'cat']) In [46]: s.str.lower().execute() Out[46]: 0 a 1 b 2 c 3 aaba 4 baca 5 NaN 6 caba 7 dog 8 cat dtype: object
Mars DataFrame 提供一系列的方法方便地将 Series 和 DataFrame 对象连接到一起。这些方法基于一系列在索引上的集合逻辑以及关系代数上的功能来实现 Join / 合并这样的操作。
通过 concat(): 拼接 DataFrame 对象：
concat()
In [47]: df = md.DataFrame(mt.random.randn(10, 4)) In [48]: df.execute() Out[48]: 0 1 2 3 0 -0.715806 0.906874 1.774592 -0.384764 1 0.486158 -0.118633 -0.024323 -1.018719 2 -0.346672 1.519993 0.781474 -1.739331 3 -0.315097 -1.229689 -0.362884 1.138792 4 -0.505503 -0.982898 0.334996 -0.903593 5 -0.318044 -0.649067 -0.641166 -1.549407 6 0.371857 0.897524 -0.624010 -1.078265 7 -0.446650 0.620238 -0.506257 1.307273 8 -1.015364 -0.959311 -0.372476 -0.499391 9 0.066412 -0.937761 -0.410383 -1.623548 # break it into pieces In [49]: pieces = [df[:3], df[3:7], df[7:]] In [50]: md.concat(pieces).execute() Out[50]: 0 1 2 3 0 -0.715806 0.906874 1.774592 -0.384764 1 0.486158 -0.118633 -0.024323 -1.018719 2 -0.346672 1.519993 0.781474 -1.739331 3 -0.315097 -1.229689 -0.362884 1.138792 4 -0.505503 -0.982898 0.334996 -0.903593 5 -0.318044 -0.649067 -0.641166 -1.549407 6 0.371857 0.897524 -0.624010 -1.078265 7 -0.446650 0.620238 -0.506257 1.307273 8 -1.015364 -0.959311 -0.372476 -0.499391 9 0.066412 -0.937761 -0.410383 -1.623548
向 DataFrame 增加一列是相对较为高效的，但增加一行需要数据复制，因而可能会比较昂贵。我们建议向 DataFrame 的构造函数传入一系列预先填充的列表来构建 DataFrame 而不是向 DataFrame 迭代追加数据。
SQL 样式的数据合并。参考 Database style joining 章节以获取更多信息。
In [51]: left = md.DataFrame({'key': ['foo', 'foo'], 'lval': [1, 2]}) In [52]: right = md.DataFrame({'key': ['foo', 'foo'], 'rval': [4, 5]}) In [53]: left.execute() Out[53]: key lval 0 foo 1 1 foo 2 In [54]: right.execute() Out[54]: key rval 0 foo 4 1 foo 5 In [55]: md.merge(left, right, on='key').execute() Out[55]: key lval rval 0 foo 1 4 1 foo 1 5 2 foo 2 4 3 foo 2 5
另一个可供参考的例子如下：
In [56]: left = md.DataFrame({'key': ['foo', 'bar'], 'lval': [1, 2]}) In [57]: right = md.DataFrame({'key': ['foo', 'bar'], 'rval': [4, 5]}) In [58]: left.execute() Out[58]: key lval 0 foo 1 1 bar 2 In [59]: right.execute() Out[59]: key rval 0 foo 4 1 bar 5 In [60]: md.merge(left, right, on='key').execute() Out[60]: key lval rval 0 foo 1 4 1 bar 2 5
当提到“分组”时，我们指的是下面一个或多个步骤组成的过程：
拆分 ：根据某些条件将数据拆分成组 应用函数 ：对每一组数据分别应用某个函数 合并 ：将结果合并为一组数据
拆分 ：根据某些条件将数据拆分成组
应用函数 ：对每一组数据分别应用某个函数
合并 ：将结果合并为一组数据
In [61]: df = md.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', ....: 'foo', 'bar', 'foo', 'foo'], ....: 'B': ['one', 'one', 'two', 'three', ....: 'two', 'two', 'one', 'three'], ....: 'C': mt.random.randn(8), ....: 'D': mt.random.randn(8)}) ....: In [62]: df.execute() Out[62]: A B C D 0 foo one 0.533426 -0.365218 1 bar one 1.599253 -0.500513 2 foo two -1.810185 0.669300 3 bar three -0.888573 -2.050272 4 foo two 0.730080 2.033604 5 bar two 0.404088 1.257550 6 foo one 0.380417 0.459193 7 foo three 0.917187 -0.665483
分组，然后在结果上执行 sum() 函数。
sum()
In [63]: df.groupby('A').sum().execute() Out[63]: C D A bar 1.114768 -1.293236 foo 0.750924 2.131395
我们也可以利用多列进行分组，这将形成一个多重索引。在此结果上，我们也可以执行 sum 函数。
In [64]: df.groupby(['A', 'B']).sum().execute() Out[64]: C D A B foo one 0.913843 0.093975 two -1.080106 2.702904 three 0.917187 -0.665483 bar one 1.599253 -0.500513 two 0.404088 1.257550 three -0.888573 -2.050272
我们使用标准的约定来引用 matplotlib API：
In [65]: import matplotlib.pyplot as plt In [66]: plt.close('all')
In [67]: ts = md.Series(mt.random.randn(1000), ....: index=md.date_range('1/1/2000', periods=1000)) ....: In [68]: ts = ts.cumsum() In [69]: ts.plot() Out[69]: <AxesSubplot:>
在 DataFrame 中， plot() 方法可用于方便地绘制带有标签的行数据：
plot()
In [70]: df = md.DataFrame(mt.random.randn(1000, 4), index=ts.index, ....: columns=['A', 'B', 'C', 'D']) ....: In [71]: df = df.cumsum() In [72]: plt.figure() Out[72]: <Figure size 640x480 with 0 Axes> In [73]: df.plot() Out[73]: <AxesSubplot:> In [74]: plt.legend(loc='best') Out[74]: <matplotlib.legend.Legend at 0x7f9007127310>
In [75]: df.to_csv('foo.csv').execute() Out[75]: Empty DataFrame Columns: [] Index: []
从 CSV 文件读取数据
In [76]: md.read_csv('foo.csv').execute() Out[76]: Unnamed: 0 A B C D 0 2000-01-01 2.678134 -1.965958 -0.816489 1.999400 1 2000-01-02 3.667388 -2.118188 -0.662421 1.803428 2 2000-01-03 4.735709 -2.230028 -0.709703 3.257837 3 2000-01-04 3.983165 -3.713029 -0.874494 3.423696 4 2000-01-05 2.753834 -3.406757 -1.831677 3.167733 .. ... ... ... ... ... 995 2002-09-22 25.617211 38.894957 -27.541708 46.511848 996 2002-09-23 25.340191 38.474294 -25.611375 47.111476 997 2002-09-24 26.632423 38.017998 -24.400425 47.356712 998 2002-09-25 25.105205 37.665019 -23.173254 47.542915 999 2002-09-26 25.021472 37.727355 -24.988692 49.574738 [1000 rows x 5 columns]