原文链接：http://www.datastudy.cc/to/43
我们来看看如何高效地学习一门语言的数据结构，今天我们先看Python篇。
所谓数据结构，是指相互之间存在一种或多种特定关系的数据类型的集合。
Python在数据分析领域中，最常用的数据结构，莫过于DataFrame了，今天我们就介绍如何高效地学习DataFrame这种数据结构。
要学习好一种东西，最好给自己找一个目标，达到了这个目标，我们就是学好了。一般，我在学习一门新的语言的数据结构的时候，一般要求自己达到以下五个要求：
第一个问题：概念，这种数据结构的概念是什么呢？
第二个问题：定义，如何定义这种数据结构呢？
第三个问题：限制，使用这种数据结构，有什么限制呢？
第四个问题：访问，访问这种数据结构内的数据的方式是什么呢？
第五个问题：修改，如何对这种数据结构进行增加元素、删除元素以及修改元素呢？
好，今天我们就来回答一下以上五个问题。
第一个问题：概念，这种数据结构的概念是什么呢？
数据框是用于存储多行和多列的数据集合，下面我们使用一张图片，形象地讲解它的内部结构：
OK，这个就是数据框的概念了。
第二个问题：定义，如何定义这种数据结构呢？
DataFrame函数语法
DataFrame(columnsMap)
代码举例 ：
>>> df = DataFrame({
‘age‘: Series([21, 22, 23]),
‘name‘: Series([‘KEN‘, ‘John‘, ‘JIMI‘])
});
>>> df
age name
0 21 KEN
1 22 John
2 23 JIMI
OK，这个就是定义数据框DataFrame的方法了。
第三个问题：限制，使用这种数据结构，有什么限制呢？
一般而言，限制是对于这种数据结构是否只能存储某种数据类型，在Python的数据框中，允许存放多种数据类型，基本上对于默认的数据类型，没有任何限制。
第四个问题：访问，访问这种数据结构内的数据的方式是什么呢？
| 访问位置 | 方法 | 备注 |
| 访问列 | 变量名[列名] | 访问对应列 |
| 访问行 | 变量名[n:m] | 访问n行到m-1行的数据 |
| 访问行和列 | 变量名.iloc[n1:n2, m1:m2] | 访问n1到n2-1列，m1到m2-1行的数据 |
| 访问位置 | 变量名.at[n, 列名] | 访问n行，列位置 |
代码举例
>>> df[‘age‘]
0 21
1 22
2 23
Name: age, dtype: int64
>>> df[1:2]
age name
1 22 John
>>> df.iloc[0:1, 0:2]
age name
0 21 KEN
>>> df.at[0, ‘name‘]
‘KEN‘
>>> df[[‘age‘, ‘name‘]]
age name
0 21 KEN
1 22 John
2 23 JIMI
>>>
第五个问题：修改，如何对这种数据结构进行增加元素、删除元素以及修改元素呢？
这个问题，我并没有在课程中跟大家讨论过，主要是为了避免大家觉得学习起来很难。
也因此，这篇博文到了这里才是真正的干货，之前的那些都是课程中出现过的内容了，哈哈，
修改包括：
1、修改列名，行索引
2、增加/删除/修改 行
3、增加/删除/修改 列
好，下面我们上代码：
from pandas import Series;
from pandas import DataFrame;
df = DataFrame({
‘age‘: Series([21, 22, 23]),
‘name‘: Series([‘KEN‘, ‘John‘, ‘JIMI‘])
});
#1.1、修改列名
>>> df.columns
Index([‘age‘, ‘name‘], dtype=‘object‘)
>>> df.columns=[‘age2‘, ‘name2‘]
>>> df
age2 name2
0 21 KEN
1 22 John
2 23 JIMI
#1.2、修改行名
>>> df.index
Int64Index([0, 1, 2], dtype=‘int64‘)
>>> df.index = range(1,4)
>>> df.index
Int64Index([1, 2, 3], dtype=‘int64‘)
#2.1、删除行
>>> df.drop(1)
age2 name2
2 22 John
3 23 JIMI
>>> df
age2 name2
1 21 KEN
2 22 John
3 23 JIMI
#注意，删除后的DataFrame需要一个变量来接收，并不会直接修改原来的DataFrame.
>>> newdf = df.drop(1);
>>> newdf
age2 name2
2 22 John
3 23 JIMI
#2.2、删除列
>>> del newdf[‘age2‘]
>>> newdf
name2
2 John
3 JIMI
#3.1、增加行
>>> df.loc[len(df)+1] = [24, "KENKEN"];
>>> df
age2 name2
1 21 KEN
2 22 John
3 23 JIMI
4 24 KENKEN
#3.2、增加列
>>> df[‘newColumn‘] = [2, 4, 6, 8];
>>> df
age2 name2 newColumn
1 21 KEN 2
2 22 John 4
3 23 JIMI 6
4 24 KENKEN 8
以上就是全部五个问题的答案了，通过自问自答这五个问题，我们就可以高效地学习某种数据结构了。