Pandas DataFrame Python: Construir e Filtrar Linhas

Crie um pandas DataFrame em Python com pd.DataFrame(data), usando um dicionário de listas de comprimento igual para colunas e valores. Use um DataFrame quando os registros precisarem de linhas e colunas rotuladas, seleção de colunas ou filtragem vetorizada. Uma máscara booleana filtra dados tabulares sem escrever um laço Python. O resultado mantém os rótulos de índice originais a menos que você os redefina explicitamente.

Exemplo Python Pandas DataFrame Para Filtrar Linhas

Saída:

product  units
Keyboard     12
 Monitor     15

Como Este Exemplo Funciona

1. import pandas as pd dá ao pacote seu alias convencional pd.
2. O construtor pandas DataFrame transforma cada chave de dicionário em um rótulo de coluna. Como ambas as listas contêm três valores, o pandas cria três linhas e atribui um RangeIndex padrão com 0, 1 e 2.
3. sales["units"] >= 10 produz uma Series booleana alinhada com esse índice. Passar a máscara de volta para sales[...] mantém apenas as linhas cujo valor é True.
4. to_string(index=False) oculta o índice na tabela impressa; não remove nem renumera os rótulos armazenados.

Provar o que a Execução do DataFrame Realmente Fez

Execute o programa duas vezes na mesma página, abrindo o Run Details após cada conclusão. Isso transforma o painel em um experimento de dependências em vez de confundir a duração da execução a frio com um benchmark do DataFrame.

O web.run detecta import pandas e carrega os pacotes compatíveis antes de o Python do usuário iniciar. O Run Details reporta a diferença entre os pacotes disponíveis antes e depois dessa execução; uma lista de Packages vazia na execução quente significa “nada carregado de novo”, não “pandas não foi usado.”

A duração total da primeira execução inclui o bootstrap do pacote e a execução do Python. Compare-a com a execução quente antes de culpar pd.DataFrame(...); os tempos variam por máquina e estado de cache, então use a lista de Packages para identificar o trabalho de bootstrap.

Ambas as execuções reportam zero requisições de usuário porque o dicionário e a filtragem permanecem locais. A execução a frio ainda baixa arquivos de pacote como atividade de runtime. Portanto, “sem requisições de usuário” prova que o trecho não fez requisições externas, não que o navegador transferiu zero bytes.

A Armadilha do Índice Filtrado: loc Não É iloc

Filtrar preserva os rótulos. Aqui ready.index.tolist() é [0, 2], embora index=False faça a saída parecer uma tabela nova de duas linhas. O código que trata a segunda linha exibida como o rótulo 1 falha:

Incorreto:

second_product = ready.loc[1, "product"]  # KeyError: 1

Correto para a segunda linha por posição:

second_product = ready.iloc[1]["product"]

Correto quando o código posterior precisa de rótulos sequenciais:

ready = ready.reset_index(drop=True)
second_product = ready.loc[1, "product"]

Use .loc para rótulos de índice e .iloc para posições com base zero. Redefina o índice apenas quando os novos rótulos forem parte do resultado pretendido; caso contrário, preservar os rótulos de origem ajuda a rastrear as linhas filtradas de volta aos dados originais.

Erros de Comprimento no Construtor DataFrame

Um dicionário de listas deve descrever uma tabela retangular. O pandas lança ValueError: All arrays must be of the same length em vez de adivinhar como preencher uma coluna curta.

Incorreto:

pd.DataFrame({"product": ["Keyboard", "Mouse"], "units": [12]})

Correto:

pd.DataFrame({"product": ["Keyboard", "Mouse"], "units": [12, None]})

Adicione um valor ausente explícito apenas quando ele representar os dados honestamente; caso contrário, corrija os registros de origem antes de construir a tabela.

Quando um DataFrame É o Contêiner Certo

Um DataFrame justifica seu custo em pacote e memória quando rótulos e operações vetorizadas simplificam transformações reais. Use uma lista de dicionários quando os registros são pequenos e precisam apenas de iteração Python comum.