这两种方法都可以做到（df是DataFrame的名称）：

方法1：使用len函数：

len（df）将给出名为df的DataFrame中的行数。

方法2：使用计数函数：

df[col].count（）将计算给定列col中的行数。

df.count（）将给出所有列的行数。

对于dataframe df，在浏览数据时使用的打印逗号格式的行计数：

def nrow(df):
    print("{:,}".format(df.shape[0]))

例子：

nrow(my_df)
12,456,789

除了前面的答案之外，您还可以使用df.axes获取具有行和列索引的元组，然后使用len（）函数：

total_rows = len(df.axes[0])
total_cols = len(df.axes[1])

…建立在Jan Philip Gehrcke的答案之上。

len（df）或len（df.index）比df.shape[0]更快的原因是：

看看代码。df.shape是一个@属性，它运行两次调用len的DataFrame方法。

df.shape??
Type:        property
String form: <property object at 0x1127b33c0>
Source:
# df.shape.fget
@property
def shape(self):
    """
    Return a tuple representing the dimensionality of the DataFrame.
    """
    return len(self.index), len(self.columns)

在len（df）的罩下

df.__len__??
Signature: df.__len__()
Source:
    def __len__(self):
        """Returns length of info axis, but here we use the index """
        return len(self.index)
File:      ~/miniconda2/lib/python2.7/site-packages/pandas/core/frame.py
Type:      instancemethod

len（df.index）将比len（df）稍快，因为它少了一个函数调用，但这总是比df.shape[0]快

len（df.index）将是列出的所有方法中工作最快的

使用len（df）：-）。

__len__（）记录了“返回索引长度”。

计时信息，设置方式与root的答案相同：

In [7]: timeit len(df.index)
1000000 loops, best of 3: 248 ns per loop

In [8]: timeit len(df)
1000000 loops, best of 3: 573 ns per loop

由于有一个额外的函数调用，当然可以说它比直接调用len（df.index）慢一点。但在大多数情况下，这并不重要。我发现len（df）非常可读。