我想创建一个默认值为零的数据帧，但一列是整数，另一列是浮点。我能够创建具有正确类型的numpy数组，请参见下面的值变量。但是，当我将其传递到dataframe构造函数时，它只返回NaN值（请参见下面的df）。我已经包含了返回浮点数组的非类型化代码（请参见df2）
将熊猫作为pd导入
将numpy作为np导入
value=np.zero（（2,3），dtype='int32，float32'）
索引=['x'，'y']
列=['a'、'b'、'c']
df=pd.DataFrame（数据=值，索引=索引，列=列）
df.values.dtype
值2=np.零（（2,3））
df2=pd.DataFrame（数据=值2，索引=索引，列=列）
df2.values.dtype
关于如何构建数据框架有什么建议吗
以下是您可以选择的几个选项：
将numpy导入为np
作为pd进口熊猫
索引=['x'，'y']
列=['a'、'b'、'c']
#选项1：在结构化数组的数据类型中设置列名
数据类型=[（'a'，'int32'），（'b'，'float32'），（'c'，'float32'）]
值=np.zero（2，dtype=dtype）
df=pd.DataFrame（值，索引=index）
#选项2：创建结构化数组后更改其列名
value=np.zero（2，dtype='int32，float32，float32'）
values.dtype.names=列
df2=pd.DataFrame（值，索引=索引，列=列）
#选项3：创建数据帧后更改其列名
value=np.zero（2，dtype='int32，float32，float32'）
df3=pd.DataFrame（值，索引=索引）
df3.columns=列
#选项4：使用数组的dict，每个数组都具有正确的数据类型：
df4=pd.DataFrame(
{'a'：np.zeros（2，dtype='int32'），
“b”：np.zero（2，dtype='float32'），
“c”：np.zero（2，dtype='float32'）}，index=index，columns=columns）
#选项5：连接简单数据类型的数据帧：
df5=pd.concat([
pd.DataFrame（np.zero（（2，），dtype='int32'），columns=['a']），
pd.DataFrame（np.zero（（2,2），dtype='float32'），columns=['b'，'c']）]，axis=1）
#选项6：在数据帧形成后更改数据类型。（这不是很有效）
值2=np.零（（2，3））
df6=pd.DataFrame（值2，索引=索引，列=列）
对于col，在zip中键入数据（df6.columns'int32 float32'.split（））：
df6[col]=df6[col].astype（数据类型）
上述每个选项都会产生相同的结果
a b c
x0 0
y 0 0 0
使用数据类型：
a int32
b浮动32
c.32
数据类型：对象
为什么pd.DataFrame（值，index=index，columns=columns）生成一个带有NAN的数据框：
values是一个结构化数组，列名称为f0，f1，f2：
[171]on
：值
Output[172]：
数组（[（0,0.0,0.0），（0,0.0,0.0）]，
数据类型=[（'f0'，'<；i4'），（'f1'，'<；f4'），（'f2'，'<；f4'））
如果将参数columns=['a'，'b'，'c']传递给pd.DataFrame，则Pandas将在结构化数组值中查找具有这些名称的列。如果找不到这些列，熊猫会将NaNs放在数据帧中以表示缺少的值