通常情况下，你可能想访问pandas中的样本数据集来玩耍和练习不同的功能。
幸运的是，你可以通过使用内置的测试功能来建立样本pandas数据集。
下面的例子展示了如何使用这个功能。
例子1：创建带有所有数字列的pandas数据集
下面的代码展示了如何创建一个全部为数字列的pandas数据集：
import pandas as pd
#create sample dataset
df1 = pd.util.testing.makeDataFrame()
#view dimensions of dataset
print(df1.shape)
(30, 4)
#view first five rows of dataset
print(df1.head())
A B C D
s8tpz0W5mF -0.751223 0.956338 -0.441847 0.695612
CXQ9YhLhk8 -0.210881 -0.231347 -0.227672 -0.616171
KAbcor6sQK 0.727880 0.128638 -0.989993 1.094069
IH3bptMpdb -1.599723 1.570162 -0.221688 2.194936
gaR9ZxBTrH 0.025171 -0.446555 0.169873 -1.583553
默认情况下，makeDataFrame()函数会创建一个30行4列的pandas DataFrame，其中所有的列都是数字。
例2：创建混合列的pandas数据集
下面的代码展示了如何创建一个全部为数字列的pandas数据集：
import pandas as pd
#create sample dataset
df2 = pd.util.testing.makeMixedDataFrame()
#view dimensions of dataset
print(df2.shape)
(5, 4)
#view first five rows of dataset
print(df2.head())
A B C D
0 0.0 0.0 foo1 2009-01-01
1 1.0 1.0 foo2 2009-01-02
2 2.0 0.0 foo3 2009-01-05
3 3.0 1.0 foo4 2009-01-06
4 4.0 0.0 foo5 2009-01-07
默认情况下，makeMixedDataFrame()函数会创建一个5行4列的pandas DataFrame，其中的列是各种数据类型。
我们可以使用下面的代码来显示 每一列的数据类型：
#display data type of each column
df2.dtypes
A float64
B float64
C object
D datetime64[ns]
dtype: object
从输出结果中我们可以看到：
- A列是数字
- 列B是数字
- 列C是一个字符串
- D列是一个日期
例3：创建带有缺失值的潘达斯数据集
下面的代码展示了如何创建一个在不同列中有一些缺失值的pandas数据集：
import pandas as pd
#create sample dataset
df3 = pd.util.testing.makeMissingDataFrame()
#view dimensions of dataset
print(df3.shape)
(30, 4)
#view first five rows of dataset
print(df3.head())
A B C D
YgAQaNaGfG 0.444376 -2.264920 1.117377 -0.087507
JoT4KxJeHd 1.913939 1.287006 -0.331315 -0.392949
tyrA2P6wz3 NaN 2.988521 0.399583 0.095831
1qvPc9DU1t 0.028716 1.311452 -0.237756 -0.150362
3aAXYtXjIO -1.069339 0.332067 0.204074 NaN
默认情况下，makeMissingDataFrame()函数会创建一个有30行4列的pandas数据框，其中各列有一些缺失值（NaN）。
这个函数特别有用，因为它允许你处理有一些缺失值的数据集，这在现实世界的数据集中很常见。
其他资源
下面的教程解释了如何在pandas中执行其他常见任务：
