Python3快速入门（十三）——Pandas数据结构(pan,python pandas 数据结构,十三,编程语言)

Python3快速入门（十三）——Pandas数据结构

一、Pandas数据结构简介

Pandas有三种主要数据结构，Series、DataFrame、Panel。
Series是带有标签的一维数组，可以保存任何数据类型（整数，字符串，浮点数，Python对象等），轴标签统称为索引（index）。
DataFrame是带有标签的二维数据结构，具有index（行标签）和columns（列标签）。如果传递index或columns，则会用于生成的DataFrame的index或columns。
Panel是一个三维数据结构，由items、major_axis、minor_axis定义。items（条目），即轴0，每个条目对应一个DataFrame；major_axis（主轴），即轴1，是每个DataFrame的index（行）；minor_axis（副轴），即轴2，是每个DataFrame的columns（列）。

二、Series

1、Series简介

Series是能够保存任何类型数据(整数，字符串，浮点数，Python对象等)的一维标记数组，轴标签统称为index（索引）。
series是一种一维数据结构，每一个元素都带有一个索引，其中索引可以为数字或字符串。Series结构名称：

2、Series对象构造

Series构造函数如下：
pandas.Series( data, index, dtype, copy)
data：构建Series的数据，可以是ndarray，list，dict，constants。
index：索引值必须是唯一的和散列的，与数据的长度相同。 如果没有索引被传递，默认为np.arange(n)。
dtype：数据类型，如果没有，将推断数据类型。
copy：是否复制数据，默认为false。
（1）创建一个空的 Series

import pandas as pdif __name__ == "__main__": s = pd.Series() print(s)# output:# Series([], dtype: float64)

（2）使用ndarray创建Series
使用ndarray作为数据时，传递的索引必须与ndarray具有相同的长度。 如果没有传递索引值，那么默认的索引是range(n)，其中n是数组长度，即[0,1,2,3…. range(len(array))-1] - 1]。

import pandas as pdimport numpy as npif __name__ == "__main__": data = np.array(['a', 1, 2, 4, 6]) s = pd.Series(data,index=[101, 102, 103, 'hello', 'world']) print(s)# output:# 101 a# 102 1# 103 2# hello 4# world 6# dtype: object

不传递任何索引时，默认分配从0到len(data)-1的索引。

import pandas as pdimport numpy as npif __name__ == "__main__": data = np.array(['a', 1, 2, 4, 6]) s = pd.Series(data) print(s)# output:# 0 a# 1 1# 2 2# 3 4# 4 6# dtype: object

（3）使用字典创建Series
使用字典(dict)作为数据时，如果没有指定索引，则按排序顺序取得字典键以构造索引。 如果传递索引，索引中与标签对应的数据中的值将被取出。

import pandas as pdif __name__ == "__main__": data = {'a': 1, 2: 'hello', 'b': 'hello world'} s = pd.Series(data) print(s)# output:# a 1# 2 hello# b hello world# dtype: object

传递索引时，索引顺序保持不变，缺少的元素使用NaN(不是数字)填充。

import pandas as pdif __name__ == "__main__": data = {'a': 1, 2: 'hello', 'b': 'hello world', "hello": "world"} s = pd.Series(data, index=['a', 'b', "hello", 'd']) print(s)# output:# a 1# b hello world# hello world# d NaN# dtype: object

（4）使用标量创建Series
使用标量值作为数据，则必须提供索引，会重复标量值以匹配索引的长度。

import pandas as pdif __name__ == "__main__": s = pd.Series(100, index=[1, 2, 3]) print(s)# output:# 1 100# 2 100# 3 100# dtype: int64

（5）使用list、tuple创建Series
使用list、tuple作为数据时，传递的索引必须与list、tuple具有相同的长度。 如果没有传递索引值，那么默认的索引是range(n)，其中n是list的长度，即[0,1,2,3…. range(len(list))-1] - 1]。

import pandas as pdif __name__ == "__main__": s = pd.Series([1, 2, 3, "hello"]) print(s)# output:# 0 1# 1 2# 2 3# 3 hello# dtype: object

3、Series数据的访问

Series中的数据可以使用有序序列的方式进行访问。

import pandas as pdif __name__ == "__main__": s = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e']) print(s[0]) print(s[-1]) print(s[-3:])# output:# 1# 5# c 3# d 4# e 5# dtype: int64

Series像一个固定大小的字典，可以通过索引标签获取和设置值，使用索引标签值检索单个元素，使用索引标签值列表检索多个元素。如果使用不包含在索引内的标签，则会出现异常。

import pandas as pdif __name__ == "__main__": s = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e']) s['a'] = 101 print(s['a']) print(s[0]) print(s[['a', 'b', 'e']])# output:# 101# 101# a 101# b 2# e 5# dtype: int64

4、Series属性

Series对象的属性和方法如下：
Series.axes：返回行轴标签列表
Series.dtype：返回对象的数据类型
Series.empty：如果对象为空，返回True
Series.ndim：返回底层数据的维数，默认为1
Series.size：返回基础数据中的元素数
Series.values：将对象作为ndarray返回
Series.head()：返回前n行
Series.tail()：返回后n行

import pandas as pdif __name__ == "__main__": s = pd.Series(["Bauer", 30, 90], index=['Name', 'Age', 'Score']) print("Series=================") print(s) print("axes===================") print(s.axes) print("dtype==================") print(s.dtype) print("empty==================") print(s.empty) print("ndim===================") print(s.ndim) print("size===================") print(s.size) print("values=================") print(s.values) print("head()=================") print(s.head(2)) print("tail()=================") print(s.tail(2))# output:# Series=================# Name Bauer# Age 30# Score 90# dtype: object# axes===================# [Index(['Name', 'Age', 'Score'], dtype='object')]# dtype==================# object# empty==================# False# ndim===================# 1# size===================# 3# values=================# ['Bauer' 30 90]# head()=================# Name Bauer# Age 30# dtype: object# tail()=================# Age 30# Score 90# dtype: object

三、DataFrame

1、DataFrame简介

数据帧(DataFrame)是二维的表格型数据结构，即数据以行和列的表格方式排列，DataFrame是Series的容器。
DataFrame的结构名称如下：

2、DataFrame的特点

数据帧(DataFrame)的功能特点如下：
（1）底层数据列是不同的类型
（2）大小可变
（3）标记轴(行和列)
（4）可以对行和列执行算术运算

3、DataFrame对象构造

pandas.DataFrame( data, index, columns, dtype, copy)
data：构建DataFrame的数据，可以是ndarray，series，map，lists，dict，constant和其它DataFrame。
index：行索引标签，如果没有传递索引值，索引默认为np.arrange(n)。
columns：列索引标签，如果没有传递索列引值，默认列索引是np.arange(n)。
dtype：每列的数据类型。
copy：如果默认值为False，则此命令(或任何它)用于复制数据。
（1）创建空的DataFrame

import pandas as pdif __name__ == "__main__": df = pd.DataFrame() print(df)# output:# Empty DataFrame# Columns: []# Index: []

（2）使用list创建DataFrame
使用单个列表或嵌套列表作为数据创建DataFrame时，如果不指定index或columns，默认使用range(len(list))作为index，对于单列表，默认columns=[0]，对于嵌套列表，默认columns为内层列表的长度的range。

import pandas as pdif __name__ == "__main__": data = [1, 2, 3, 4, 5] df = pd.DataFrame(data) print(df) df = pd.DataFrame(data, index=['a', 'b', 'c', 'h', 'e'], columns=['A']) print(df)# output:# 0# 0 1# 1 2# 2 3# 3 4# 4 5# A# a 1# b 2# c 3# h 4# e 5

指定index或columns时，index的长度必须与list长度匹配，columns的长度必须与list的内层列表长度匹配，否则将报错。

import pandas as pdif __name__ == "__main__": data = [['Alex', 25], ['Bob', 26], ['Bauer', 24]] df = pd.DataFrame(data, columns=['Name', 'Age']) print(df) df = pd.DataFrame(data, columns=['Name', 'Age'], dtype=float) print(df)# output:# Name Age# 0 Alex 25# 1 Bob 26# 2 Bauer 24# Name Age# 0 Alex 25.0# 1 Bob 26.0# 2 Bauer 24.0

（3）使用ndarray和list的字典创建DataFrame
使用ndarray、list组成的字典作为数据创建DataFrame时，所有的ndarray、list必须具有相同的长度。如果传递index，则index的长度必须等于ndarray、list的长度，columns为字典的key组成的集合。如果没有传递index，则默认情况下，index将为range(n)，其中n为list或ndarray长度。

import pandas as pdif __name__ == "__main__": data = {'Name': ['Tom', 'Jack', 'Steve', 'Ricky'], 'Age': [28, 34, 29, 42]} df = pd.DataFrame(data) print(df) df = pd.DataFrame(data, index=['rank1', 'rank2', 'rank3', 'rank4']) print(df)# output:# Name Age# 0 Tom 28# 1 Jack 34# 2 Steve 29# 3 Ricky 42# Name Age# rank1 Tom 28# rank2 Jack 34# rank3 Steve 29# rank4 Ricky 42

（4）使用字典列表创建DataFrame
使用字典列表作为数据创建DataFrame时，默认使用range（len（list））作为index，字典键的集合作为columns，如果字典没有相应键值对，其值使用NaN填充。当指定columns时，如果columns使用字典键集合以外元素作为columns的元素，则使用NaN进行填充，并提取出columns指定的数据源字典中相应的键值对。

import pandas as pdif __name__ == "__main__": data = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}] df = pd.DataFrame(data) print(df) df = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b', 'c', 'A', 'B']) print(df)# output:# a b c# 0 1 2 NaN# 1 5 10 20.0# a b c A B# first 1 2 NaN NaN NaN# second 5 10 20.0 NaN NaN

（5）使用Series字典创建DataFrame
使用Series字典作为数据创建DataFrame时，得到的DataFrame的index是所有Series的index的并集，字典键的集合作为columns。

import pandas as pdif __name__ == "__main__": data = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])} df = pd.DataFrame(data, columns=['one', 'two']) print(df) df = pd.DataFrame(data, columns=['one', 'two', 'three']) print(df) df = pd.DataFrame(data, index=['a', 'b', 'c', 'A'], columns=['one', 'two', 'three']) print(df)# output:# one two# a 1.0 1# b 2.0 2# c 3.0 3# d NaN 4# one two three# a 1.0 1 NaN# b 2.0 2 NaN# c 3.0 3 NaN# d NaN 4 NaN# one two three# a 1.0 1.0 NaN# b 2.0 2.0 NaN# c 3.0 3.0 NaN# A NaN NaN NaN

4、DataFrame列操作

通过字典键可以进行列选择，获取DataFrame中的一列数据。

import pandas as pdif __name__ == "__main__": data = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])} df = pd.DataFrame(data, columns=['one', 'two']) print(df) print(df['one'])# output:# one two# a 1.0 1# b 2.0 2# c 3.0 3# d NaN 4# a 1.0# b 2.0# c 3.0# d NaN# Name: one, dtype: float64

通过向DataFrame增加相应的键和Series值，可以为DataFrame增加一列。

import pandas as pdif __name__ == "__main__": data = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])} df = pd.DataFrame(data, columns=['one', 'two']) print(df) df['three'] = pd.Series([10, 20, 30], index=['a', 'b', 'c']) print(df) df['four'] = df['one'] + df['three'] print(df)# output:# one two# a 1.0 1# b 2.0 2# c 3.0 3# d NaN 4# one two three# a 1.0 1 10.0# b 2.0 2 20.0# c 3.0 3 30.0# d NaN 4 NaN# one two three four# a 1.0 1 10.0 11.0# b 2.0 2 20.0 22.0# c 3.0 3 30.0 33.0# d NaN 4 NaN NaN

通过del可以删除DataFrame的列。

import pandas as pdif __name__ == "__main__": data = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']), 'three': pd.Series([10, 20, 30], index=['a', 'b', 'c'])} df = pd.DataFrame(data, columns=['one', 'two', 'three']) print(df) del(df['two']) print(df)# output:# one two three# a 1.0 1 10.0# b 2.0 2 20.0# c 3.0 3 30.0# d NaN 4 NaN# one three# a 1.0 10.0# b 2.0 20.0# c 3.0 30.0# d NaN NaN

5、DataFrame行选择

DataFrame行选择可以通过将行标签传递给loc函数来选择行，也可以通过将整数位置传递给iloc()函数来选择行，返回Series，Series的名称是检索的标签，Series的index为DataFrame的columns。

import pandas as pdif __name__ == "__main__": data = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']), 'three': pd.Series([10, 20, 30], index=['a', 'b', 'c'])} df = pd.DataFrame(data, columns=['one', 'two', 'three']) print(df.loc['a']) print(df.iloc[0])# output:# one 1.0# two 1.0# three 10.0# Name: a, dtype: float64# one 1.0# two 1.0# three 10.0# Name: a, dtype: float64

DataFrame多行选择可以通过使用:运算符对DataFrame进行行切片操作，选择多行。

import pandas as pdif __name__ == "__main__": data = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']), 'three': pd.Series([10, 20, 30], index=['a', 'b', 'c'])} df = pd.DataFrame(data, columns=['one', 'two', 'three']) print(df) print(df[2:4])# output:# one two three# a 1.0 1 10.0# b 2.0 2 20.0# c 3.0 3 30.0# d NaN 4 NaN# one two three# c 3.0 3 30.0# d NaN 4 NaN

DataFrame的行追加通过append函数实现。

import pandas as pdif __name__ == "__main__": df = pd.DataFrame([["Bauer", 20], ["Jack", 30]], index=["rank1", "rank2"], columns=['Name', 'Age']) df2 = pd.DataFrame([["Alex", 18], ["Bob", 28]], index=["rank3", "rank3"], columns=['Name', 'Age']) df = df.append(df2) print(df)# output:# Name Age# rank1 Bauer 20# rank2 Jack 30# rank3 Alex 18# rank3 Bob 28

DataFrame的行删除通过将索引标签传递给drop函数进行行删除， 如果标签重复，则会删除多行。

import pandas as pdif __name__ == "__main__": df = pd.DataFrame([["Bauer", 20], ["Jack", 30]], index=["rank1", "rank2"], columns=['Name', 'Age']) df2 = pd.DataFrame([["Alex", 18], ["Bob", 28]], index=["rank3", "rank3"], columns=['Name', 'Age']) df = df.append(df2) print(df) df = df.drop("rank2") print(df)# output:# Name Age# rank1 Bauer 20# rank2 Jack 30# rank3 Alex 18# rank3 Bob 28# Name Age# rank1 Bauer 20# rank3 Alex 18# rank3 Bob 28

6、DataFrame属性

DataFrame对象的属性和方法如下：
DataFrame.T：转置行和列
DataFrame.axes：返回一个列，行轴标签和列轴标签作为唯一的成员。
DataFrame.dtypes：返回对象的数据类型
DataFrame.empty：如果NDFrame完全为空，返回True
DataFrame.ndim：返回轴/数组维度的大小
DataFrame.shape：返回表示DataFrame维度的元组
DataFrame.size：返回DataFrame的元素数
DataFrame.values：将对象作为ndarray返回
DataFrame.head()：返回前n行
DataFrame.tail()：返回后n行

import pandas as pdif __name__ == "__main__": df = pd.DataFrame([["Bauer", 30, 90], ['Jack', 32, 98], ['Bob', 28, 78]], columns=['Name', 'Age', 'Score']) print("DataFrame=================") print(df) print("T======================") print(df.T) print("axes===================") print(df.axes) print("dtypes==================") print(df.dtypes) print("empty==================") print(df.empty) print("ndim===================") print(df.ndim) print("shape==================") print(df.shape) print("size===================") print(df.size) print("values=================") print(df.values) print("head()=================") print(df.head(2)) print("tail()=================") print(df.tail(2))# output:# DataFrame=================# Name Age Score# 0 Bauer 30 90# 1 Jack 32 98# 2 Bob 28 78# T======================# 0 1 2# Name Bauer Jack Bob# Age 30 32 28# Score 90 98 78# axes===================# [RangeIndex(start=0, stop=3, step=1), Index(['Name', 'Age', 'Score'], dtype='object')]# dtypes==================# Name object# Age int64# Score int64# dtype: object# empty==================# False# ndim===================# 2# shape==================# (3, 3)# size===================# 9# values=================# [['Bauer' 30 90]# ['Jack' 32 98]# ['Bob' 28 78]]# head()=================# Name Age Score# 0 Bauer 30 90# 1 Jack 32 98# tail()=================# Name Age Score# 1 Jack 32 98# 2 Bob 28 78

四、Panel

1、Panel简介

Panel 是三维的数据结构，是DataFrame的容器，Panel的3个轴如下：
items - axis 0，每个项目对应于内部包含的数据帧(DataFrame)。
major_axis - axis 1，是每个数据帧(DataFrame)的索引(行)。
minor_axis - axis 2，是每个数据帧(DataFrame)的列。

2、Panel对象构建

pandas.Panel(data, items, major_axis, minor_axis, dtype, copy)
data：构建Panel的数据，采取各种形式，如：ndarray，series，map，lists，dict，constant和另一个数据帧(DataFrame)。
items：axis=0
major_axis：axis=1
minor_axis：axis=2
dtype：每列的数据类型
copy：复制数据，默认 - false
（1）创建空Panel

import pandas as pdif __name__ == "__main__": p = pd.Panel() print(p)# output:# class 'pandas.core.panel.Panel'># Dimensions: 0 (items) x 0 (major_axis) x 0 (minor_axis)# Items axis: None# Major_axis axis: None# Minor_axis axis: None

（2）使用3D ndarray创建Panel

import pandas as pdimport numpy as npif __name__ == "__main__": data = np.random.rand(2, 4, 5) p = pd.Panel(data, items=["item1", "item2"], major_axis=[1, 2, 3, 4], minor_axis=['a', 'b', 'c', 'd', 'e']) print(p) print("item1") print(p["item1"]) print(p.major_xs(2)) print(p.minor_xs('b'))# output:# <class 'pandas.core.panel.Panel'># Dimensions: 2 (items) x 4 (major_axis) x 5 (minor_axis)# Items axis: item1 to item2# Major_axis axis: 1 to 4# Minor_axis axis: a to e# item1# a b c d e# 1 0.185626 0.976123 0.566263 0.273208 0.675442# 2 0.209664 0.205190 0.217200 0.158447 0.400683# 3 0.499591 0.963321 0.759330 0.089930 0.362824# 4 0.723158 0.585642 0.629246 0.886086 0.493039# item1 item2# a 0.209664 0.592154# b 0.205190 0.661562# c 0.217200 0.743716# d 0.158447 0.055882# e 0.400683 0.245760# item1 item2# 1 0.976123 0.630320# 2 0.205190 0.661562# 3 0.963321 0.741791# 4 0.585642 0.729366

（3）使用DataFrame字典创建Panel

import pandas as pdimport numpy as npif __name__ == "__main__": data = {'Table1': pd.DataFrame(np.random.randn(4, 3), index=['rank1', 'rank2', 'rank3', 'rank4'], columns=['Name', 'Age', 'Score']), 'Table2': pd.DataFrame(np.random.randn(4, 3), index=['rank1', 'rank2', 'rank3', 'rank4'], columns=['Name', 'Age', 'Score'] ) } p = pd.Panel(data) print(p)# output:# <class 'pandas.core.panel.Panel'># Dimensions: 2 (items) x 4 (major_axis) x 3 (minor_axis)# Items axis: Table1 to Table2# Major_axis axis: rank1 to rank4# Minor_axis axis: Name to Score

3、Panel数据索引

使用Items访问Panel可以获取相应的DataFrame。

import pandas as pdimport numpy as npif __name__ == "__main__": data = {'Table1': pd.DataFrame(np.random.randn(4, 3), index=['rank1', 'rank2', 'rank3', 'rank4'], columns=['Name', 'Age', 'Score']), 'Table2': pd.DataFrame(np.random.randn(4, 3), index=['rank1', 'rank2', 'rank3', 'rank4'], columns=['Name', 'Age', 'Score'] ) } p = pd.Panel(data) print(p['Table1'])# output:# Name Age Score# rank1 -1.240644 -0.820041 1.656150# rank2 1.830655 -0.258068 -0.728560# rank3 1.268695 1.259693 -1.005151# rank4 -0.139876 0.611589 2.343394

使用panel.major_axis(key)函数访问Panel数据，需要传递Major_axis的值作为key，返回DataFrame，DataFrame的index为Minor_axis，columns为Items。

import pandas as pdimport numpy as npif __name__ == "__main__": data = {'Table1': pd.DataFrame(np.random.randn(4, 3), index=['rank1', 'rank2', 'rank3', 'rank4'], columns=['Name', 'Age', 'Score']), 'Table2': pd.DataFrame(np.random.randn(4, 3), index=['rank1', 'rank2', 'rank3', 'rank4'], columns=['Name', 'Age', 'Score'] ) } p = pd.Panel(data) print(p.major_xs('rank2'))# output:# Table1 Table2# Name 1.664996 0.326820# Age 0.952639 0.686095# Score -0.473985 -0.343404

使用panel.minor_axis(key)函数访问Panel数据，需要传递Minor_axis的值作为key，返回DataFrame，DataFrame的index为Major_axis，columns为Items。

import pandas as pdimport numpy as npif __name__ == "__main__": data = {'Table1': pd.DataFrame(np.random.randn(4, 3), index=['rank1', 'rank2', 'rank3', 'rank4'], columns=['Name', 'Age', 'Score']), 'Table2': pd.DataFrame(np.random.randn(4, 3), index=['rank1', 'rank2', 'rank3', 'rank4'], columns=['Name', 'Age', 'Score'] ) } p = pd.Panel(data) print(p.minor_xs('Name'))# output:# Table1 Table2# rank1 -1.314702 -0.198485# rank2 0.055324 0.295646# rank3 -0.352192 -0.523549# rank4 -4.002903 -0.577389

4、Panel属性

Panel对象的属性和方法如下：
Panel.T：转置行和列
Panel.axes：返回一个列，行轴标签和列轴标签作为唯一的成员。
Panel.dtypes：返回对象的数据类型
Panel.empty：如果NDFrame完全为空，返回True
Panel.ndim：返回轴/数组维度的大小
Panel.shape：返回表示DataFrame维度的元组
Panel.size：返回DataFrame的元素数
Panel.values：将对象作为ndarray返回

import pandas as pdimport numpy as npif __name__ == "__main__": array1 = np.random.randn(4, 3) array2 = np.random.randn(4, 3) data = {'Table1': pd.DataFrame(array1, index=['rank1', 'rank2', 'rank3', 'rank4'], columns=['Name', 'Age', 'Score']), 'Table2': pd.DataFrame(array2, index=['rank1', 'rank2', 'rank3', 'rank4'], columns=['Name', 'Age', 'Score'] ) } p = pd.Panel(data) print("panel=================") print(p) print("axes===================") print(p.axes) print("dtypes==================") print(p.dtypes) print("empty==================") print(p.empty) print("ndim===================") print(p.ndim) print("shape==================") print(p.shape) print("size===================") print(p.size) print("values=================") print(p.values) print(p["Table1"]) print(array1)# output:# panel=================# <class 'pandas.core.panel.Panel'># Dimensions: 2 (items) x 4 (major_axis) x 3 (minor_axis)# Items axis: Table1 to Table2# Major_axis axis: rank1 to rank4# Minor_axis axis: Name to Score# axes===================# [Index(['Table1', 'Table2'], dtype='object'), Index(['rank1', 'rank2', 'rank3', 'rank4'], dtype='object'), Index(['Name', 'Age', 'Score'], dtype='object')]# dtypes==================# Table1 float64# Table2 float64# dtype: object# empty==================# False# ndim===================# 3# shape==================# (2, 4, 3)# size===================# 24# values=================# [[[ 0.22914664 -0.88176603 0.48050365]# [-0.15099586 0.23380446 0.20165317]# [-0.13652604 1.08191771 0.60361811]# [-0.81742392 -0.09018878 1.62892609]]# # [[-0.72965894 0.58207009 0.15309812]# [ 0.06467707 1.13494668 -0.19074456]# [-0.53869056 1.28244925 -0.01832724]# [-0.26831567 0.65912009 0.38607594]]]# Name Age Score# rank1 0.229147 -0.881766 0.480504# rank2 -0.150996 0.233804 0.201653# rank3 -0.136526 1.081918 0.603618# rank4 -0.817424 -0.090189 1.628926# [[ 0.22914664 -0.88176603 0.48050365]# [-0.15099586 0.23380446 0.20165317]# [-0.13652604 1.08191771 0.60361811]# [-0.81742392 -0.09018878 1.62892609]]