从Python的数组生成pandas数据帧

我正在使用Python(3.6)开发一个项目,其中我有一个USA状态数组,我想从该数组生成一个具有列名状态的数据框.

以下是美国各州：

['NE', 'NY', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'WD', 'ID', 'ID', 'ID', `'ID', 'ID', 'ID', 'ID', 'ID', 'WD', 'ID', 'ID', 'ID', 'NY', 'NY', 'NY', 'NY', 'NY', 'ID', 'ID', 'ID', 'NY', 'NY', 'NY', 'ID', 'ID', 'NY', 'ID', 'NY', 'ID', 'ID', 'NY', 'NY', 'NY', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'NY', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'WD', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'NY', 'NY', 'ID', 'ID', 'ID', 'ID', 'NY', 'DE', 'DE', 'NY', 'NY', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'NY', 'DE', 'NY', 'NY', 'DE', 'DE', 'DE', 'DE', 'WD', 'NY', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'ID', 'NY', 'ID', 'WD', 'NY', 'NY', 'WD', 'NY', 'NY', 'LA', 'LA', 'DE', 'LA', 'LA', 'ID', 'LA', 'DE', 'LA', 'ID', 'LA', 'DE', 'LA', 'LA', 'ID', 'DE', 'LA', 'OK', 'OK', 'LA', 'LA', 'ID', 'WD', 'WD', 'LA', 'ID', 'LA', 'OK', 'OK', 'OK', 'LA', 'ID', 'ID', 'OK', 'ID', 'LA', 'ID', 'ID', 'LA', 'LA', 'LA', 'LA', 'LA', 'ID', 'LA', 'LA', 'LA', 'LA', 'LA', 'ID', 'LA', 'LA', 'LA', 'LA', 'LA', 'OK', 'ID', 'LA', 'LA', 'LA', 'ID', 'LA', 'LA', 'ID', 'ID', 'ID', 'ID', 'OK', 'ID', 'WD', 'ID', 'LA', 'LA', 'LA', 'LA', 'LA', 'OK', 'DE', 'WD', 'LA', 'WD', 'LA', 'WD', 'LA', 'LA', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'LA', 'NY', 'WD', 'NY', 'NY', 'NY', 'NY', 'LA', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'NY', 'WD', 'NY', 'WD', 'NY', 'WD', 'WD', 'WD', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'LA', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'NY', 'NY', 'NE', 'OK', 'NE', 'NE', 'NE', 'SD', 'NE', 'NY', 'NE', 'NE', 'NE', 'LA', 'LA', 'LA', 'LA', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'OK', 'NE', 'NE', 'OK', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'OK', 'NY', 'OK', 'NY', 'OK', 'UT', 'UT', 'UT', 'UT', 'UT', 'WD', 'OK', 'CO', 'OK', 'OK', 'OK', 'OK', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'CO', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'LA', 'ID', 'WD', 'ID\n', 'WD', 'LA', 'WD', 'WD', 'WD', 'WD', 'NY', 'WD', 'ID', 'NY', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'SD', 'ID', 'NY', 'NY', 'NY', 'NY', 'NY', 'ID', 'NY', 'ID', 'ID', 'NY', 'WD', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'NY', 'NY', 'ID', 'ID', 'ID', 'NY', 'NY', 'ID', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'ID', 'ID', 'NY', 'ID', 'NY', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'NY', 'ID', 'NY', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'NY', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'NY', 'NY', 'ID', 'ID', 'ID', 'DE', 'DE', 'DE', 'NY', 'NY', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'NY', 'NY', 'DE', 'DE', 'DE', 'DE', 'NY', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'WD', 'DE', 'DE', 'WD', 'DE', 'DE', 'NY', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'NY', 'DE', 'DE', 'DE', 'WD', 'ID', 'ID', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'NY', 'NY', 'ID', 'DE', 'DE', 'LA', 'LA', 'LA', 'ID', 'LA', 'ID', 'ID', 'LA', 'LA', 'LA', 'DE', 'ID', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'OK', 'LA', 'ID', 'OK', 'LA', 'ID', 'LA', 'LA', 'LA', 'LA', 'ID', 'ID', 'OK', 'LA', 'ID', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'ID', 'OK', 'WD', 'WD', 'WD', 'LA', 'LA', 'WD', 'WD', 'WD', 'ID', 'ID', 'LA', 'LA', 'LA', 'LA', 'DE', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'WD', 'WD', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'NY', 'NY', 'NY', 'WD', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'WD', 'WD', 'WD', 'WD', 'NY', 'NY', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'SD', 'NY', 'NY', 'SD', 'NE', 'WD', 'NY', 'NE', 'OK', 'SD', 'NE', 'NE', 'NY', 'NE', 'OK', 'OK', 'NE', 'ID', 'NE', 'LA', 'LA', 'LA', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'OK', 'NE', 'OK', 'NE', 'NE', 'WD', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'LA', 'OK', 'OK', 'UT', 'UT', 'UT', 'UT', 'OK', 'OK', 'OK', 'OK', 'OK', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'WD', 'ID\n', 'LA', 'ID', 'ID', 'WD', 'NY', 'LA', 'ID\n', 'ID\n', 'LA', 'LA', 'ID', 'WD', 'LA', 'WD', 'LA', 'LA', 'LA', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'DE', 'DE', 'ID', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'NY', 'ID', 'NY', 'NY', 'ID', 'ID', 'ID', 'NY', 'ID', 'NY', 'NY', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'ID', 'NY', 'ID', 'ID', 'NY', 'ID', 'ID', 'NY', 'NY', 'ID', 'ID', 'NY', 'NY', 'NY', 'ID', 'ID', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'NY', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'WD', 'DE', 'DE', 'DE', 'NY', 'DE', 'DE', 'DE', 'DE', 'NY', 'DE', 'DE', 'DE', 'NY', 'WD', 'NY', 'DE', 'DE', 'DE', 'NY', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'WD', 'DE', 'DE', 'DE', 'DE', 'DE', 'NY', 'NY', 'NY', 'WD', 'WD', 'ID', 'WD', 'LA', 'LA', 'ID', 'LA', 'LA', 'ID', 'LA', 'ID', 'ID', 'LA', 'LA', 'DE', 'LA', 'ID', 'LA', 'LA', 'LA', 'DE', 'DE', 'LA', 'LA', 'DE', 'ID', 'ID', 'LA', 'LA', 'ID', 'LA', 'LA', 'LA', 'LA', 'WD', 'ID', 'LA', 'OK', 'OK', 'ID', 'LA', 'LA', 'ID', 'ID', 'OK', 'ID', 'LA', 'LA', 'ID', 'LA', 'ID', 'LA', 'LA', 'ID', 'OK', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'OK', 'LA', 'LA', 'WD', 'WD', 'OK', 'WD', 'WD', 'ID', 'LA', 'LA', 'ID', 'ID', 'LA', 'LA', 'LA', 'LA', 'OK', 'WD', 'LA', 'LA', 'WD', 'WD', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'NY', 'NY', 'NY', 'NY', 'WD', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'NY', 'NY', 'NY', 'WD', 'WD', 'NY', 'NY', 'NY', 'WD', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'NY', 'NY', 'OK', 'NY', 'NE', 'NY', 'NY', 'NE', 'NE', 'NE', 'NY', 'NE', 'NE', 'NE', 'NE', 'OK', 'NE', 'NE', 'NE', 'NE', 'NE', 'LA', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'ID', 'NE', 'NE', 'NE', 'OK', 'NE', 'NE', 'NE', 'NE', 'WD', 'NE', 'NE', 'NE', 'NE', 'OK', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'LA', 'LA', 'LA', 'LA', 'UT', 'UT', 'OK', 'UT', 'UT', 'UT', 'UT', 'UT', 'OK', 'OK', 'WD', 'OK', 'OK', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'NY', 'LA', 'ID\n', 'WD', 'WD', 'WD', 'ID\n', 'WD', 'LA', 'ID', 'NY', 'WD', 'SD', 'WD', 'WD', 'ID\n', 'LA', 'WD', 'WD', 'WD', 'NY', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'SD', 'DE', 'DE', 'ID', 'ID', 'ID', 'NY', 'NY', 'ID', 'NY', 'NY', 'NY', 'NY', 'ID', 'ID', 'NY', 'NY', 'NY', 'ID', 'NY', 'NY', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'ID', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'WD', 'ID', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'NY', 'NY', 'ID', 'NY', 'ID', 'ID', 'NY', 'ID', 'ID', 'NY', 'NY', 'DE', 'DE', 'NY', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'NY', 'DE', 'NY', 'DE', 'DE', 'DE', 'NY', 'WD', 'NY', 'NY', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'WD', 'NY', 'ID', 'WD', 'NY', 'ID', 'NY', 'NY', 'NY', 'NY', 'LA', 'DE', 'LA', 'LA', 'LA', 'LA', 'ID', 'LA', 'DE', 'ID', 'DE', 'LA', 'LA', 'DE', 'OK', 'ID', 'LA', 'ID', 'ID', 'ID', 'OK', 'LA', 'WD', 'ID', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'ID', 'LA', 'LA', 'ID', 'ID', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'ID', 'ID', 'ID', 'LA', 'WD', 'LA', 'ID', 'WD', 'ID', 'LA', 'WD', 'OK', 'ID', 'LA', 'ID', 'DE', 'OK', 'OK', 'LA', 'OK', 'LA', 'WD', 'LA', 'WD', 'LA', 'WD', 'WD', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'WD', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'WD', 'WD', 'NY', 'WD', 'WD', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'WD', 'WD', 'WD', 'NY', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'NY', 'NY', 'NY', 'SD', 'NY', 'SD', 'NE', 'SD', 'NE', 'NY', 'NE', 'CO', 'NE', 'NE', 'NE', 'NE', 'NE', 'WD', 'WD', 'LA', 'LA', 'NE', 'NE', 'NE', 'UT', 'NE', 'NE', 'NE', 'NE', 'OK', 'NE', 'NE', 'NE', 'NE', 'LA', 'NE', 'NE', 'OK', 'OK', 'OK', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'NE', 'LA', 'LA', 'LA', 'OK', 'UT', 'UT', 'UT', 'UT', 'UT', 'OK', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'WD', 'WD', 'LA', 'WD', 'WD', 'LA', 'WD', 'ID', 'LA', 'ID', 'WD', 'LA', 'WD', 'LA', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'ID', 'SD', 'ID', 'NY', 'NY', 'NY', 'ID', 'NY', 'ID', 'ID', 'NY', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'NY', 'ID', 'NY', 'NY', 'NY', 'NY', 'NY', 'ID', 'WD', 'ID', 'ID', 'NY', 'NY', 'ID', 'WD', 'NY', 'NY', 'NY', 'ID', 'NY', 'NY', 'NY', 'ID', 'ID', 'NY', 'NY', 'NY', 'ID', 'WD', 'NY', 'ID', 'ID', 'ID', 'WD', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'WD', 'NY', 'ID', 'NY', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'ID', 'NY', 'ID', 'ID', 'ID', 'ID', 'NY', 'NY', 'NY', 'ID', 'ID', 'ID', 'WD', 'DE', 'NY', 'DE', 'DE', 'WD', 'NY', 'DE', 'NY', 'DE', 'NY', 'DE', 'DE', 'DE', 'NY', 'DE', 'NY', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'DE', 'NY', 'DE', 'DE', 'DE', 'DE', 'NY', 'DE', 'WD', 'WD', 'WD', 'WD', 'NY', 'NY', 'WD', 'NY', 'NY', 'LA', 'ID', 'LA', 'LA', 'LA', 'DE', 'ID', 'DE', 'DE', 'LA', 'LA', 'OK', 'ID', 'OK', 'LA', 'LA', 'ID', 'WD', 'ID', 'LA', 'OK', 'ID', 'LA', 'LA', 'LA', 'WD', 'WD', 'ID', 'OK', 'OK', 'OK', 'LA', 'ID', 'ID', 'LA', 'ID', 'LA', 'LA', 'LA', 'LA', 'LA', 'ID', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'ID', 'WD', 'LA', 'ID', 'ID', 'WD', 'WD', 'LA', 'LA', 'DE', 'LA', 'LA', 'LA', 'DE', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'LA', 'WD', 'WD', 'WD', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'LA', 'WD', 'LA', 'LA', 'NY', 'NY', 'NY', 'NY', 'WD', 'WD', 'WD', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'WD', 'NY', 'NY', 'WD', 'WD', 'WD', 'NY', 'NY', 'NY', 'NY', 'WD', 'WD', 'WD', 'NY', 'NY', 'WD', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'NY', 'LA', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'NY', 'OK', 'NY', 'OK', 'CO', 'OK', 'OK', 'NE', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'LA', 'NE', 'NE','WD', 'WD', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'CO', 'WD', 'ID\n', 'ID', 'NY', 'SD', 'LA', 'LA', 'LA', 'NY', 'NY', 'LA', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD', 'WD']`

问题：
如何从这个数组生成熊猫的数据框,因为我需要计算这个数组中每个状态的百分比,我该如何实现呢？

提前致谢！

解决方法:

像value_counts一样规范化

pd.DataFrame({'State':l}).State.value_counts(normalize=True)
Out[893]: 
WD      0.206635
NY      0.186256
LA      0.178199
ID      0.160190
DE      0.075829
CO      0.074882
NE      0.063033
OK      0.035071
UT      0.010427
SD      0.005687
ID\n    0.003791
Name: State, dtype: float64

来源：https://www./content-1-417501.html