注：安装pandas自行完成：pip install pandas！
一、Create（增加、创建DataFrame）
在pandas里，DataFrame是最经常用的数据结构，这里总结一下：
①、把其他格式的数据整理到DataFrame中；
②在已有的DataFrame中插入N列或者N行。
1. 字典类型读取到DataFrame（dict to DataFrame）
假如我们在做实验的时候得到的数据是dict类型，为了方便之后的数据统计和计算，我们想把它转换为DataFrame，存在很多写法，这里简单介绍常用的几种：
方法一：直接使用pd.DataFrame(data=test_dict)即可,括号中的data=写不写都可以，具体如下：
test_dict = {'id':[1,2,3,4,5,6],'name':['Alice','Bob','Cindy','Eric','Helen','Grace '],'math':[90,89,99,78,97,93],'english':[89,94,80,94,94,90]} #[1].直接写入参数test_dict test_dict_df = pd.DataFrame(test_dict) #[2].字典型赋值 test_dict_df = pd.DataFrame(data=test_dict)那么，我们就得到了一个DataFrame，如下：
应该就是这个样子了。
方法二：使用from_dict方法：
test_dict_df = pd.DataFrame.from_dict(test_dict)结果是一样的，不再重复贴图。
其他方法：如果你的dict变量很小，例如{'id':1,'name':'Alice'},你想直接写到括号里：
test_dict_df = pd.DataFrame({'id':1,'name':'Alice'}) # wrong style这样是不行的，会报错ValueError: If using all scalar values, you must pass an index,是因为如果你提供的是一个标量，必须还得提供一个索引Index，所以你可以这么写：
test_dict_df = pd.DataFrame({'id':1,'name':'Alice'},pd.Index(range(1)))后面的可以写多个pd.Index(range(3)，就会生成三行一样的，是因为前面的dict型变量只有一组值，如果有多个，后面的Index必须跟前面的数据组数一致，否则会报错：
pd.DataFrame({'id':[1,2],'name':['Alice','Bob']},pd.Index(range(2))) #must be 2 in range function.关于选择列，有些时候我们只需要选择dict中部分的键当做DataFrame的列，那么我们可以使用columns参数，例如我们只选择'id'，'name'列：
test_dict_df = pd.DataFrame(data=test_dict,columns=['id','name']) #only choose 'id' and 'name' columns这里就不在多写了，后续变更颜色添加内容。
2. csv文件构建DataFrame（csv to DataFrame）
我们实验的时候数据一般比较大，而csv文件是文本格式的数据，占用更少的存储，所以一般数据来源是csv文件，从csv文件中如何构建DataFrame呢？ txt文件一般也能用这种方法。
方法一：最常用的应该就是
