df在python数据处理中指pandas的dataframe对象，常被命名为df因它是“dataframe”缩写且通用。dataframe是二维表格型数据结构，具行标签和列标签，每列可存不同数据类型。常见操作包括：1.查看前几行用df.head()；2.查看形状用df.shape；3.获取列名用df.columns；4.查看数据类型用df.dtypes；5.筛选列用df['列名']；6.筛选行用df.loc[索引]；7.添加新列直接赋值；8.删除列用df.drop()。注意df为可变对象，修改时常需拷贝以保留原数据，使用df.info()可快速查看数据信息。
在Python的数据处理中，df 通常是指 pandas 库中的 DataFrame 对象。很多使用 pandas 的人习惯把变量命名为 df，比如：
import pandas as pd
df = pd.read_csv('data.csv')这其实就是把一个 DataFrame 赋值给变量 df。虽然也可以起别的名字，但 df 是最常见、最通用的写法。
什么是DataFrame？
DataFrame 是 pandas 中最重要的数据结构之一，可以理解为一个二维表格型数据容器，有点像 Excel 表格或者数据库中的一张表。它有行标签和列标签，每一列可以是不同的数据类型（比如整数、字符串、浮点数等）。
举个例子，你可以用下面的方式创建一个简单的 DataFrame：
立即学习“Python免费学习笔记（深入）”；
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
data = {
'姓名': ['张三', '李四', '王五'],
'年龄': [25, 30, 28],
'城市': ['北京', '上海', '广州']
}
df = pd.DataFrame(data)这样你就得到了一个包含姓名、年龄和城市的表格数据。
为什么大家都叫它 df？
-
df是 “DataFrame” 的缩写，简洁又直观； - 在教学、博客、论坛中，大家普遍都这么用，已经形成了一种约定俗成的习惯；
- 数据分析脚本中经常会有多个 DataFrame，用
df1,df2这样区分也很方便。
不过要注意的是，在实际项目或复杂代码中，建议使用更有意义的变量名，比如 sales_data、user_info 等，这样别人看你的代码更容易理解。
常见的 df 操作有哪些？
以下是一些你经常会看到的 df 操作方式：
- 查看前几行数据：
df.head() - 查看数据形状：
df.shape - 查看列名：
df.columns - 查看数据类型：
df.dtypes - 筛选某列数据：
df['年龄'] - 筛选某行数据：
df.loc[0] - 添加新列：
df['新列名'] = 新数据 - 删除列：
df.drop('列名', axis=1, inplace=True)
这些操作构成了数据分析的基础，熟悉它们之后你会发现用 df 处理数据非常高效。
小细节别忽略
-
df默认是可变对象，也就是说很多操作会直接修改原数据，比如inplace=True参数。 - 如果你不希望原始数据被改动，记得先做拷贝：
df_copy = df.copy() - 使用
df.info()可以快速查看是否有缺失值、各列的数据类型等信息。
基本上就这些了。虽然 df 只是一个变量名，但它背后承载的是整个 pandas 的核心能力。只要掌握了常用操作，日常的数据清洗、分析、可视化都能轻松应对。
