在Pandas中，当我选择一个索引中仅包含一个条目的标签时，我会得到一个系列，但是当我选择一个具有多于一个条目的条目时，我就会得到一个数据框。

这是为什么？有没有办法确保我总是取回数据帧？

In [1]: import pandas as pd

In [2]: df = pd.DataFrame(data=range(5), index=[1, 2, 3, 3, 3])

In [3]: type(df.loc[3])
Out[3]: pandas.core.frame.DataFrame

In [4]: type(df.loc[1])
Out[4]: pandas.core.series.Series

可以肯定的是，这种行为是不一致的，但是我认为很容易想到这种情况是方便的。无论如何，要每次获取一个DataFrame，只需将一个列表传递给即可loc。还有其他方法，但我认为这是最干净的方法。

In [2]: type(df.loc[[3]])
Out[2]: pandas.core.frame.DataFrame

In [3]: type(df.loc[[1]])
Out[3]: pandas.core.frame.DataFrame

您有一个包含三个索引项的索引3。因此，df.loc[3]将返回一个数据帧。

原因是您未指定列。因此，df.loc[3]选择所有列中的三个项目（即column 0），同时df.loc[3,0]将返回一个Series。例如df.loc[1:2]，由于对行进行了切片，因此它还会返回一个数据框。

选择单个行（如df.loc[1]）将返回一个以列名作为索引的Series。

如果要确保始终有一个DataFrame，可以像这样切片df.loc[1:1]。另一个选项是布尔索引（df.loc[df.index==1]）或take方法（df.take([0])，但是此使用的位置不是标签！）。

TLDR

使用时 loc

df.loc[:]=数据框

df.loc[int]=数据框（如果您有多于一列）和系列（如果您在数据框中只有一列）

df.loc[:, ["col_name"]]=数据框

df.loc[:, "col_name"]= 系列

不使用 loc

df["col_name"]= 系列

df[["col_name"]]=数据框

使用df['columnName']得到一个系列，并df[['columnName']]得到一个数据帧。

您在评论joris的答案中写道：

“我不理解将单行转换为系列的设计决策-为什么不将一行数据框呢？”

单行不会在系列中转换。
它是一个系列：No, I don't think so, in fact; see the edit

考虑熊猫数据结构的最佳方法是将其作为低维数据的灵活容器。例如，DataFrame是Series的容器，Panel是DataFrame对象的容器。我们希望能够以类似字典的方式从这些容器中插入和删除对象。

http://pandas.pydata.org/pandas-docs/stable/overview.html#why-more-than-1-data-structure

这样选择了Pandas对象的数据模型。原因当然在于它确保了一些我不知道的优势（我不完全理解引文的最后一句话，也许是原因）

。

编辑：我不同意

DataFrame不能由可能是 Series 的元素组成，因为以下代码为行和列提供相同的“ Series”类型：

import pandas as pd

df = pd.DataFrame(data=[11,12,13], index=[2, 3, 3])

print '-------- df -------------'
print df

print '\n------- df.loc[2] --------'
print df.loc[2]
print 'type(df.loc[1]) : ',type(df.loc[2])

print '\n--------- df[0] ----------'
print df[0]
print 'type(df[0]) : ',type(df[0])

结果

-------- df -------------
    0
2  11
3  12
3  13

------- df.loc[2] --------
0    11
Name: 2, dtype: int64
type(df.loc[1]) :  <class 'pandas.core.series.Series'>

--------- df[0] ----------
2    11
3    12
3    13
Name: 0, dtype: int64
type(df[0]) :  <class 'pandas.core.series.Series'>

因此，没有理由假装DataFrame由Series组成，因为这些Series应该是什么：列或行？愚蠢的问题和远见。

。

那么什么是DataFrame？

在此答案的先前版本中，我提出了这个问题，试图在他的评论之一中找到Why is that?OP问题部分的答案以及类似的审问single rows to get converted into a series - why not a data frame with one row?，
而Is there a way to ensure I always get back a data frame?Dan Allan 对此部分做了回答。

然后，正如上面引用的Pandas的文档所述，最好将Pandas的数据结构看作是低维数据的容器，在我看来，对为什么的理解可以从DataFrame结构的性质中找到。

但是，我意识到，不应将引用的建议作为对熊猫数据结构本质的精确描述。
此建议并不意味着DataFrame是Series的容器。
它表示，将DataFrame作为Series的容器的心理表示形式（根据推理的某个时刻考虑的选项是行还是列）是考虑DataFrame的一种好方法，即使实际上并非严格如此。“良好”意味着该愿景可以高效地使用DataFrame。就这样。

。

那么什么是DataFrame对象？

所述数据帧类产生具有特定结构起源于实例NDFrame基类，本身从派生 PandasContainer基类，也是一个父类的系列类。
请注意，这对于0.12版之前的Pandas才是正确的。在即将发布的0.13版本中，Series也将仅从NDFrame类派生。

# with pandas 0.12

from pandas import Series
print 'Series  :\n',Series
print 'Series.__bases__  :\n',Series.__bases__

from pandas import DataFrame
print '\nDataFrame  :\n',DataFrame
print 'DataFrame.__bases__  :\n',DataFrame.__bases__

print '\n-------------------'

from pandas.core.generic import NDFrame
print '\nNDFrame.__bases__  :\n',NDFrame.__bases__

from pandas.core.generic import PandasContainer
print '\nPandasContainer.__bases__  :\n',PandasContainer.__bases__

from pandas.core.base import PandasObject
print '\nPandasObject.__bases__  :\n',PandasObject.__bases__

from pandas.core.base import StringMixin
print '\nStringMixin.__bases__  :\n',StringMixin.__bases__

结果

Series  :
<class 'pandas.core.series.Series'>
Series.__bases__  :
(<class 'pandas.core.generic.PandasContainer'>, <type 'numpy.ndarray'>)

DataFrame  :
<class 'pandas.core.frame.DataFrame'>
DataFrame.__bases__  :
(<class 'pandas.core.generic.NDFrame'>,)

-------------------

NDFrame.__bases__  :
(<class 'pandas.core.generic.PandasContainer'>,)

PandasContainer.__bases__  :
(<class 'pandas.core.base.PandasObject'>,)

PandasObject.__bases__  :
(<class 'pandas.core.base.StringMixin'>,)

StringMixin.__bases__  :
(<type 'object'>,)

因此，我的理解是，DataFrame实例具有精心设计的某些方法，以控制从行和列中提取数据的方式。

本页介绍了这些提取方法的工作方式：http : //pandas.pydata.org/pandas-docs/stable/indexing.html#indexing
我们在其中找到了Dan Allan给出的方法和其他方法。

为什么这些提取方法是照原样制作的？
当然，这是因为它们被认为是提供更好的可能性和简化数据分析的方法。
这句话正是这样表达的：

考虑熊猫数据结构的最佳方法是将其作为低维数据的灵活容器。

该为什么数据从数据帧的实例提取的不在于它的结构，它位于为什么这种结构。我猜想，Pandas数据结构的结构和功能已经过精心设计，以便尽可能地提高智力上的直观性，并且要了解详细信息，必须阅读Wes McKinney的博客。

如果目标是使用索引获取数据集的子集，则最好避免使用loc或iloc。相反，您应该使用类似于以下的语法：

df = pd.DataFrame(data=range(5), index=[1, 2, 3, 3, 3])
result = df[df.index == 3] 
isinstance(result, pd.DataFrame) # True

result = df[df.index == 1]
isinstance(result, pd.DataFrame) # True

如果您还选择数据框的索引，则结果可以是DataFrame或Series ，也可以是Series或标量（单个值）。

此函数可确保您始终从选择中获得列表（如果df，index和column有效）：

def get_list_from_df_column(df, index, column):
    df_or_series = df.loc[index,[column]] 
    # df.loc[index,column] is also possible and returns a series or a scalar
    if isinstance(df_or_series, pd.Series):
        resulting_list = df_or_series.tolist() #get list from series
    else:
        resulting_list = df_or_series[column].tolist() 
        # use the column key to get a series from the dataframe
    return(resulting_list)