本文介绍: df2 =df.reindex(columns=[‘a‘, ‘b‘, ‘c‘, ‘d‘, ‘e‘], fill_value=1) # 加入fill_value参数填充值为1。df1 =df.reindex(columns=[‘a‘, ‘b‘, ‘c‘, ‘d‘, ‘e‘]) # 不加fill_value参数默认值为Nan。上面的代码,对dataframe新增加一列名levellevel分数一列而来,如果小于60分为bad,60-80之间mid,80以上为good。必要字段新列插入的值。

前言

pandas为DataFrame格式数据添加新列方法非常简单,只需要新建一个索引,再为其赋值即可

以下总结了5种常见添加新列方法

首先,创建一个DataFrame结构数据,作为数据举例。

1

2

3

4

5

6

importpandas as pd

# 创建一个DataFrame结构数据

data ={‘a’: [‘a0’, ‘a1’, ‘a2’],

b‘: [‘b0′, ‘b1′, ‘b2′]}

df =pd.DataFrame(data)

print(‘举例数据情况:n‘, df)

添加新列方法如下

一、insert()函数

语法

DataFrame.insert(loc, column, value,allow_duplicates = False)

参数

说明

loc

必要字段int类型数据表示插入新列的列位置,原来在该位置的列将向右移

column

必要字段插入新列列名

value

必要字段新列插入的值。如果仅提供一个值,将为所有行设置相同的值。可以intstringfloat等,甚至可以series /值列表

allow_duplicates

布尔值用于检查是否存在具有相同名称的列。默认为False,不允许与已有的列名重复

实例插入c

1

2

df.insert(loc=2, column=’c‘, value=3) # 在最后一列后,插入值全为3的c

print(‘插入c列:n‘, df)

二、直接赋值

语法df[‘新列名’]=新列的值

实例:插入d

1

2

df[‘d‘] =[1, 2, 3] # 插入值为[1,2,3]的d

print(‘插入d列:n‘, df)

注:该方法不可选择插入新列的位置,默认为最后一列。如果新增的一列值相同直接为其赋值一个常量即可;如果插入值不同,为列表格式,需与已有列的行数长度一致,如举例中原来列为3行,新增列也必须有3个值。

三、reindex()函数

语法df.reindex(columns=[原来所有的列名,新增列名],fill_value=值)

df = df.reindex(columns=df.columns.tolist() + [‘新增列名‘]+[‘新增列名‘])

reindex()函数用法较多,此处只是针对添加新列的用法

实例:插入e列

1

2

3

4

df1 =df.reindex(columns=[‘a’, ‘b‘, ‘c‘, ‘d’, ‘e’]) # 不加fill_value参数默认值为Nan

df2 =df.reindex(columns=[‘a’, ‘b‘, ‘c‘, ‘d’, ‘e’], fill_value=1) # 加入fill_value参数填充值为1

print(‘插入e列(不加fill_value参数):n’, df1)

print(‘插入e列(加fill_value参数):n’, df2)

注:该方法需要把原有的列名和新列名都加上,如果列名过多,就比较麻烦。

四、concat()函数

原理利用拼接方式添加新的一列。好处是可以同时新增多个列名。

concat()函数用法较多,此处只是针对添加新列的用法

实例:插入f列

1

2

df1 =pd.concat([df1, pd.DataFrame(columns=[‘f’])])

print(‘插入f列:n’, df1)

五、loc()函数

原理利用loc行列索引标签实现

语法:df.loc[:,新列名]=值

实例:插入g

1

2

df1.loc[:, ‘g‘] =0

print(‘插入g列:n’, df1)

以上就是pandas添加新列的5种常见用法

附:pandas根据现有列新添加一列

pandas中一个Dataframe,经常需要根据其中一列再新建一列,比如一个常见例子需要根据分数确定等级范围,下面我们就来看一下怎么实现

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

defgetlevel(score):

ifscore < 60:

returnbad

elifscore < 80:

returnmid

else:

returngood

deftest():

data ={‘name‘: [‘lili‘, ‘lucy‘, ‘tracy’, ‘tony‘, ‘mike’],

‘score‘: [85, 61, 75, 49, 90]

}

df =pd.DataFrame(data=data)

# 两种方式可以

# df[‘level‘] = df.apply(lambda x: getlevel(x[‘score’]), axis=1)

df[‘level‘] =df.apply(lambdax: getlevel(x.score), axis=1)

print(df)

上面代码运行结果

name score level

0 lili 85 good

1 lucy 61 mid

2 tracy 75 mid

3 tony 49 bad

4 mike 90 good

实现上面的功能,主要是使用dataframe中的apply方法。

上面的代码,对dataframe新增加一列名为levellevel分数一列而来,如果小于60分为bad,60-80之间为mid,80以上为good

其中axis=1表示原有dataframe的行不变,列的维数发生改变。

总结

到此这篇关于pandas添加新列的5种常见方法的文章介绍到这了

原文地址:https://blog.csdn.net/lzjhyhf/article/details/129205949

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任

如若转载,请注明出处:http://www.7code.cn/show_44950.html

如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱suwngjj01@126.com进行投诉反馈,一经查实,立即删除

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注