Pandas DataFrame是带标签的二维表格，列顺序由字典键序或显式columns参数决定；from_records()按行优先结构建表并自动推断字段；空DataFrame需显式声明columns才可安全赋值。
Pandas DataFrame 就是 Python 里的“带标签的二维表格”，不是 Excel，也不是数据库表，但用起来像——关键在于它把行索引、列名、数据类型全包进一个对象里，操作时不用反复手动对齐。
为什么 pd.DataFrame() 构造后列顺序和你传的不一致
常见错误现象：用字典构造时，{'b': [1], 'a': [2]} 得到的 DataFrame 列却是 a 在前、b 在后；或者用 pd.DataFrame(data, columns=['x', 'y']) 却发现列名被忽略。
这是因为：pd.DataFrame() 默认按字典键的插入顺序（Python 3.7+）或哈希顺序（旧版）排，但显式传 columns 参数时，它只做筛选和重排，不补全缺失列；如果 data 是字典且没给 columns，就按字典键顺序来。
- 想严格控制列顺序？必须显式传
columns参数，比如pd.DataFrame({'b': [1], 'a': [2]}, columns=['b', 'a']) - 用列表套字典（每条记录为 dict）时，
columns同样生效，且会把没出现的字段填NaN - 传
numpy.ndarray或纯列表时，columns必须长度匹配，否则报ValueError: Shape of passed values is X, indices imply Y
pd.DataFrame.from_records() 和直接构造的区别在哪
使用场景：从数据库 fetchall() 结果、JSON 数组、CSV 行迭代器等“行优先”的结构建表时，from_records() 比手写循环 + append 更稳。
核心差异在字段推断逻辑：
-
pd.DataFrame(records)把每行当一个序列，自动设列名为0, 1, 2...，除非 records 是字典列表 -
pd.DataFrame.from_records(records)默认把第一行当字段名（如果 records 是元组/列表），支持exclude、coerce_float等清洗参数 - 性能上，
from_records()内部做了批量类型推断，比逐行构造快；但若 records 已含完整字段名（如字典列表），两者差别不大 - 容易踩的坑：
from_records([{'a': 1}, {'b': 2}])会生成两列a、b，但首行a对应值是1，第二行a是NaN—— 它按所有键并集建列，不是按首行
空 DataFrame 怎么安全初始化
常见错误现象：用 pd.DataFrame() 直接创建，后续 df['col'] = [...] 报 KeyError；或用 pd.DataFrame(columns=['a','b']) 后调 len(df) 是 0，但 df.shape 显示 (0, 2)，让人困惑。
空 DataFrame 的行为取决于你是否声明了列：
- 只写
pd.DataFrame()→ 列和索引都为空，df.columns是Index([])，此时赋值df['x'] = [1]会失败 - 写
pd.DataFrame(columns=['a', 'b'])→ 列存在但无行，可安全新增列：df['c'] = [1, 2]会自动扩行数（变成 2 行），但通常这不是你想要的 - 真正“带结构无数据”的做法：
pd.DataFrame({c: pd.Series(dtype='object') for c in ['a', 'b']})，这样列类型明确，追加数据时不会隐式转换 - 兼容性注意：旧版 pandas（dtypes 推断不稳定，建议显式指定
dtype或用pd.Series(dtype=...)
DataFrame 的“二维”不是数学意义上的矩阵，它的每列可以是不同 dtype，索引可以重复，缺失值处理逻辑嵌在底层——所以别把它当 numpy array 用 + 或切片，也别假设 .values 总是二维 ndarray。
