4.Pandas新增数据列

文章目录

4.Pandas新增数据列
前言
一、直接赋值
二、df.apply方法
三、df.assign方法
四、按条件选择分组分别进行赋值
总结

前言

不知道怎么搞的，我放在CSDN上免费下载的资源，平台竟然给附加了积分的要求。我用百度网盘分享一下：
链接：https://pan.baidu.com/s/1njABjnXK9iIapwpdv9CaCA
提取码：6666

笔者最近正在学习Pandas数据分析，将自己的学习笔记做成一套系列文章。本节主要记录Pandas的新增数据列方法，如apply方法。
在进行数据分析的时候，经常需要按照一定条件创建新的数据列，然后进一步进行分析

一、直接赋值

import pandas as pd
fpath="./datas/600033.csv"
df=pd.read_csv(fpath)
df.head()

#其实，df["new_col"]就是一个Series，后面的减法返回的是Series
df.loc[:,"new_col"]=df["open"]-df["low"]
df.head()

二、df.apply方法

https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.apply.html
Apply a function along an axis of the DataFrame.

Objects passed to the function are Series objects whose index is either the DataFrame’s index (axis=0)
or the DataFrame’s columns (axis=1). By default (result_type=None), the final return type is inferred from
the return type of the applied function. Otherwise, it depends on the result_type argument.

用人话说就是在apply()参数中函数的参数来说，如果axis=0表示索引就是index，axis=1表示索引就是column

def get_type(x):if x["high"]>2.60:return "高价"if x["low"]<2.4:return "低价"return "正常"#注意需要设置axis=1，这是series的index是columns
df.loc[:,"price_type"]=df.apply(get_type,axis=1)
#本方法可以统计各个值的情况
df["price_type"].value_counts()

三、df.assign方法

官网： https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.assign.html

Assign new columns to a DataFrame.

Returns a new object with all original columns in addition to new ones. Existing columns that are re-assigned will be overwritten.

该方法是返回新的对象，对于原来的df不会做修改
可以同时添加多个新的列

df.assign(new_col1=lambda x:x["high"]*5+2,new_col2=lambda x:x["low"]*2+4
)

四、按条件选择分组分别进行赋值

df['new_col3']='嘻嘻~'
df.loc[df["high"]-df['low']<=0.05,'new_col3']="差距小"
df.loc[df["high"]-df['low']>=0.20,'new_col3']="差距大"
df['new_col3'].value_counts()

总结

这就是pandas增加新的列的基本用法了，希望可以帮助到你。

Pandas深入浅出相关推荐

【学习笔记】《深入浅出Pandas》第17章：Pandas实战案例
文章目录 17.1 实战思想 17.1.1 链式方法 17.1.2 代码思路 17.1.3 分析方法 17.1.4 分析流程 17.1.5 分析工具 17.2 数据处理案例 17.2.1剧组表格道具: ...
【学习笔记】《深入浅出Pandas》第14章：Pandas时序数据
文章目录 14.1 固定时间 14.1.1 时间的表示 14.1.2 创建时间点 14.1.3 属性 14.1.4 时间的方法 14.1.5 时间缺失值 14.2 时长数据 14.2.1 创建时间差 ...
《深入浅出Pandas：利用Python进行数据处理与分析》——第3部分数据形式变化_01分组聚合
文章目录分组聚合操作分组器分组对象查看 apply/pipe/transform 数据分箱(data binning),或离散组合或数据分桶分组可视化,pandas提供的简单的与分组相关的可视 ...
深入浅出Pandas：利用Python进行数据处理与分析 (李庆辉) 读书笔记
1. 读取数据 df = pd.read_excel("地址",io, sheet_name=0, header=0, names=None, index_col=None, us ...
Python --深入浅出Apriori关联分析算法（二） Apriori关联规则实战
上一篇我们讲了关联分析的几个概念,支持度,置信度,提升度.以及如何利用Apriori算法高效地根据物品的支持度找出所有物品的频繁项集. Python --深入浅出Apriori关联分析算法(一) 这次 ...
深入浅出统计学第四五章离散概率的计算与分布
离散概率计算与分布的应用在原书的这两章离散概率计算与分布的应用,重点在于概念的理解和公式的记忆. 而对于整本书而言,四五六章其实都作为第七章:三种离散概率分布,第八,九章,正态分布(连续概率分布之一 ...
深入浅出统计学第二三章量度
量度两类量度: (1) 集中趋势的量度->平均值,中位数,众数 (2) 分散性与变异性的亮度->全距(极值),四分位数(扩展:箱型图),方差与标准差,标准分获取数据 import pa ...
深入浅出统计学第一章数据的可视化
序言在深入浅出统计学的第一张中一共出现了4类图像: 1. 比较基本比例->饼图 2. 比较数值的高低条形图(基本条形图,堆积条形图,分段条形图) 3. 连续数据的对比(等距直方图->频数 ...
【Python】pandas 缺失数据处理大全（附代码）
之前一直在分享pandas的一些骚操作:pandas骚操作,根据大家反映还不错,但是很多技巧都混在了一起,没有细致的分类,这样不利于查找,也不成体系. 利用闲暇之余将有关数据清洗.数据分析的一些技能再 ...
盘点66个Pandas函数，轻松搞定“数据清洗”！
今天我们重新盘点66个Pandas函数合集,包括数据预览.数值数据操作.文本数据操作.行/列操作等等,涉及"数据清洗"的方方面面. Pandas 是基于NumPy的一种工具,该工具 ...

Pandas深入浅出