在使用Python進(jìn)行數(shù)據(jù)分析時(shí)，常常需要對(duì)數(shù)據(jù)進(jìn)行處理和轉(zhuǎn)換，其中新增列是操作中最常見(jiàn)的需求之一。本文將介紹如何在Pandas DataFrame中新建一列，以便為數(shù)據(jù)提供更多的上下文信息或計(jì)算相關(guān)內(nèi)容。

準(zhǔn)備工作

在開(kāi)始之前，請(qǐng)確保您已經(jīng)安裝了Pandas庫(kù)。如果尚未安裝，可以通過(guò)以下命令進(jìn)行安裝：

pip install pandas

接下來(lái)，您需要準(zhǔn)備一個(gè)DataFrame作為操作的基礎(chǔ)。下面是一個(gè)簡(jiǎn)單示例：

import pandas as pd


data = {
    '名稱': ['蘋(píng)果', '香蕉', '橙子'],
    '價(jià)格': [3, 2, 4]
}
df = pd.DataFrame(data)

操作步驟

步驟一：創(chuàng)建新列

您可以通過(guò)以下簡(jiǎn)單定義的方法向DataFrame添加新列。例如，假設(shè)我們想根據(jù)價(jià)格創(chuàng)建一列“是否貴”，即價(jià)格是否大于3：

df['是否貴'] = df['價(jià)格'] > 3

這會(huì)在DataFrame中添加一列“是否貴”，其值為布爾型，表示每個(gè)產(chǎn)品的價(jià)格是否超過(guò)3元。

步驟二：基于計(jì)算添加新列

假設(shè)您希望根據(jù)價(jià)格計(jì)算折扣后的價(jià)格，并將其存儲(chǔ)在新列“折后價(jià)格”中。您可以執(zhí)行以下操作：

df['折后價(jià)格'] = df['價(jià)格'] * 0.9

上述代碼將在數(shù)據(jù)集中添加一列“折后價(jià)格”，其值是原價(jià)格的90%。

步驟三：使用條件語(yǔ)句添加新列

您還可以結(jié)合復(fù)雜的邏輯來(lái)創(chuàng)建新列。使用apply函數(shù)與lambda表達(dá)式，可以將條件更靈活地應(yīng)用到每一行。例如，根據(jù)價(jià)格的高低將產(chǎn)品分類：

df['類別'] = df['價(jià)格'].apply(lambda x: '昂貴' if x > 3 else '便宜')

實(shí)用技巧與注意事項(xiàng)

在添加新列時(shí)，以下幾點(diǎn)值得注意：

• 數(shù)據(jù)類型：確保新列的數(shù)據(jù)類型符合預(yù)期，尤其是在進(jìn)行數(shù)值運(yùn)算時(shí)。
• 更新原始數(shù)據(jù)：如果需要更新現(xiàn)有列的值，直接指定該列名即可。
• 命名一致性：選擇語(yǔ)義明確且易于理解的列名，以提升代碼的可讀性。

在操作的過(guò)程中，您可能會(huì)遇到賦值的維度不匹配錯(cuò)誤，這通常發(fā)生在新列與DataFrame的行數(shù)不一致時(shí)?？梢允褂?strong>len()函數(shù)檢查行數(shù)，確保相同。

總結(jié)

在Pandas DataFrame中新增列是一項(xiàng)常見(jiàn)而有用的操作，不僅可以豐富數(shù)據(jù)，還能為后續(xù)分析提供更多線索。通過(guò)上述示例，您應(yīng)能快速掌握如何添加簡(jiǎn)單的或基于復(fù)雜邏輯的新列，希望對(duì)您的數(shù)據(jù)處理有所幫助。

源

在數(shù)據(jù)處理和分析中，遍歷和修改 DataFrame 和 Series 是一個(gè)常見(jiàn)且重要的任務(wù)。Python 的 Pandas 庫(kù)提供了強(qiáng)大的數(shù)據(jù)結(jié)構(gòu)和函數(shù)，可以幫助用戶高效地完成這一任務(wù)。本文將展示如何遍歷并修改 DataFrame 和 Series，并附上具體的操作步驟和代碼示例。

操作前的準(zhǔn)備

在開(kāi)始之前，我們需要確保已經(jīng)安裝了 Pandas 庫(kù)。如果尚未安裝，可以通過(guò)以下命令進(jìn)行安裝：

pip install pandas

以下是我們將使用的示例數(shù)據(jù)，用于展示遍歷和修改操作：

import pandas as pd


data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6],
}

df = pd.DataFrame(data)

遍歷 DataFrame 和 Series

遍歷 DataFrame

可以使用 iterrows() 方法遍歷 DataFrame 的行。iterrows() 返回一個(gè)包含索引和行數(shù)據(jù)的生成器。

for index, row in df.iterrows():

    print(f"Index: {index}, A: {row['A']}, B: {row['B']}")

逐行修改

在遍歷過(guò)程中，我們可以修改行數(shù)據(jù)。以下示例將每一行的 A 列的值乘以 2：

for index, row in df.iterrows():

    df.at[index, 'A'] = row['A'] * 2

注意：雖然這種方法簡(jiǎn)單易懂，但它在性能上并不高效。

遍歷 Series

可以直接通過(guò) iteritems() 方法遍歷 Series 的每一項(xiàng)。

s = df['A']

for index, value in s.iteritems():
    print(f"Index: {index}, Value: {value}")

修改 Series

如果需要根據(jù)條件修改 Series 的某些值，可以使用布爾索引。例如，將所有大于 4 的值增加 10：

df['B'] = df['B'].apply(lambda x: x + 10 if x > 4 else x)

注意事項(xiàng)及技巧

• 避免在循環(huán)中修改 DataFrame 的結(jié)構(gòu)，比如添加或刪除行，這可能會(huì)導(dǎo)致意外結(jié)果。
• 如果操作需要高性能，考慮使用 Pandas 的向量化操作，而不是使用 iterrows()。
• 在數(shù)據(jù)處理時(shí)，始終留意數(shù)據(jù)的原始格式，避免在不知情的情況下修改重要數(shù)據(jù)。

通過(guò)以上步驟和示例，您現(xiàn)在應(yīng)該能夠高效地遍歷和修改 Pandas 中的 DataFrame 和 Series。在實(shí)際的項(xiàng)目中，記得根據(jù)具體情況選擇合適的方法，以優(yōu)化性能和可讀性。

源

遍歷 pandas group

概述

在數(shù)據(jù)分析中，使用 pandas 進(jìn)行分組操作是非常常見(jiàn)的。通過(guò)對(duì)數(shù)據(jù)進(jìn)行分組，可以方便地進(jìn)行聚合、轉(zhuǎn)化和過(guò)濾等操作。本文將介紹如何遍歷 pandas 分組對(duì)象，并提供詳細(xì)的操作步驟、命令示例及注意事項(xiàng)。

1. 創(chuàng)建示例數(shù)據(jù)

首先，我們需要?jiǎng)?chuàng)建一個(gè)示例 DataFrame 來(lái)演示分組的操作：

import pandas as pd


data = {
    '團(tuán)隊(duì)': ['A', 'A', 'B', 'B', 'C', 'C'],
    '分?jǐn)?shù)': [88, 92, 85, 95, 80, 82]
}

df = pd.DataFrame(data)

2. 按照某一列進(jìn)行分組

接下來(lái)，使用 `groupby` 方法按照 “團(tuán)隊(duì)” 列進(jìn)行分組：

grouped = df.groupby('團(tuán)隊(duì)')

3. 遍歷分組對(duì)象

使用 `for` 循環(huán)可以遍歷分組對(duì)象，分組對(duì)象會(huì)返回每個(gè)組的鍵和值：

for name, group in grouped:

    print(f"組名: {name}")
    print(group)

在這個(gè)示例中，`name` 是組的名稱，`group` 是與該組相關(guān)的 DataFrame。

4. 進(jìn)行計(jì)算和聚合

在遍歷每個(gè)分組時(shí)，可以對(duì)組進(jìn)行計(jì)算，例如計(jì)算每個(gè)組的平均分?jǐn)?shù)：

for name, group in grouped:

    avg_score = group['分?jǐn)?shù)'].mean()
    print(f"團(tuán)隊(duì) {name} 的平均分?jǐn)?shù): {avg_score}")

5. 注意事項(xiàng)

• 分組鍵的選擇：確保分組鍵是合適的，這影響到后續(xù)的分析結(jié)果。
• 數(shù)據(jù)類型：在進(jìn)行聚合之前檢查數(shù)據(jù)類型，確保數(shù)值列是整數(shù)或浮點(diǎn)數(shù)。
• 空值處理：注意分組數(shù)據(jù)中的空值，可能需要使用 `fillna()` 方法進(jìn)行處理。

6. 實(shí)用技巧

• 使用 agg() 方法：可以在分組上同時(shí)進(jìn)行多種聚合操作，例如：

result = grouped.agg({'分?jǐn)?shù)': ['mean', 'max', 'min']})

    print(result)

• 過(guò)濾不需要的組：使用 `filter()` 方法可以過(guò)濾出符合條件的組，例如只保留平均分?jǐn)?shù)大于 85 的團(tuán)隊(duì)。

filtered = grouped.filter(lambda x: x['分?jǐn)?shù)'].mean() > 85)

    print(filtered)

源