脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → pandas删除行删除列增加行增加列

pandas删除行删除列增加行增加列的实现

 更新时间：2019年07月06日 09:52:56   作者：GUXH  
这篇文章主要介绍了pandas删除行删除列增加行增加列的实现,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

创建df：

>>> df = pd.DataFrame(np.arange(16).reshape(4, 4), columns=list('ABCD'), index=list('1234'))

>>> df

  A  B  C  D

1  0  1  2  3

2  4  5  6  7

3  8  9 10 11

4 12 13 14 15

1，删除行

1.1，drop

通过行名称删除：

df = df.drop(['1', '2'])      # 不指定axis默认为0

df.drop(['1', '3'], inplace=True)

通过行号删除：

df.drop(df.index[0], inplace=True)    # 删除第1行
df.drop(df.index[0:3], inplace=True)   # 删除前3行
df.drop(df.index[[0, 2]], inplace=True) # 删除第1第3行

1.2，通过各种筛选方法实现删除行

详见pandas“选择行单元格，选择行列“的笔记

举例，通过筛选可以实现很多功能，例如要对某行数据去重，可以获取去重后的index列表后，使用loc方法：

>>> df.loc['2','B']=9

>>> df

  A  B  C  D

1  0  1  2  3

2  4  9  6  7

3  8  9 10 11

4 12 13 14 15

>>> chooses = df['B'].drop_duplicates().index

>>> df.loc[chooses]

  A  B  C  D

1  0  1  2  3

2  4  9  6  7

4 12 13 14 15

2，删除列

2.1，del

del df['A'] # 删除A列，会就地修改

2.2，drop

通过列名称删除：

df = df.drop(['B', 'C'], axis=1)        # drop不会就地修改，创建副本返回

df.drop(['B', 'C'], axis=1, inplace=True)   # inplace=True会就地修改

使用列数删除，传入参数是int，列表，者切片： 

df.drop(df.columns[0], axis=1, inplace=True)    # 删除第1列

df.drop(df.columns[0:3], axis=1, inplace=True)   # 删除前3列

df.drop(df.columns[[0, 2]], axis=1, inplace=True) # 删除第1第3列

2.3，通过各种筛选方法实现删除列

详见pandas“选择行单元格，选择行列“的笔记

3，增加行

3.1，loc，at，set_value

想增加一行，行名称为‘5'，内容为[16, 17, 18, 19]

df.loc['5'] = [16, 17, 18, 19]  # 后面的序列是Iterable就行

df.at['5'] = [16, 17, 18, 19]

df.set_value('5', df.columns, [16, 17, 18, 19], takeable=False)  # warning，set_value会被取消

3.2，append

添加有name的Series：

s = pd.Series([16, 17, 18, 19], index=df.columns, name='5')

df = df.append(s)

添加没有name的Series，必须ignore_index：

s = pd.Series([16, 17, 18, 19], index=df.columns)

df = df.append(s, ignore_index=True)　

可以 append字典列表，同样需要必须ignore_index：

ls = [{'A': 16, 'B': 17, 'C': 18, 'D': 19}, {'A': 20, 'B': 21, 'C': 22, 'D': 23}]

df = df.append(ls, ignore_index=True)

3.3，逐行增加

简单的逐行添加内容，可以：

df.loc[len(df)] = [16, 17, 18, 19]

但需要注意：len(df)生成的是int，如果生成的int，df已经存在了，会覆盖该行数据，而不会新增

3.4，插入行

增加行没找到类似insert这种可以插入的方法，暂时替代方法可以先reindex，再赋值： 

df = df.reindex(index=df.index.insert(2, '5'))

df.loc['5'] = [16, 17, 18, 19]

4，df增加列

一般涉及到增加列项时，经常会对现有的数据进行遍历运算，获得新增列项的值，所以这里结合对DataFrame的遍历讨论增加列。

例如，想增加一列'E'，值等于'A'和'C'列对应值之和。

4.1，遍历DataFrame获取序列的方法

s = [a + c for a, c in zip(df['A'], df['C'])]     # 通过遍历获取序列

s = [row['A'] + row['C'] for i, row in df.iterrows()] # 通过iterrows()获取序列，s为list

s = df.apply(lambda row: row['A'] + row['C'], axis=1) # 通过apply获取序列，s为Series

s = df['A'] + df['C']                 # 通过Series矢量相加获取序列

s = df['A'].values + df['C'].values          # 通过Numpy矢量相加获取序列

4.2，[ ]，loc

通过df[]或者df.loc添加序列

df.loc[:, 'E'] = s

df['E'] = s

4.3，Insert

可以指定插入位置，和插入列名称

df.insert(0, 'E', s)

4.4，concat

s = pd.Series([16, 17, 18, 19], name='E', index=df.index)
df = pd.concat([df, s], axis=1)

4.5，iloc和loc遍历过程中给列赋值

效率比较低

df['E']是DataFrame的一个Series，是引用，对其修改也能改变DataFrame，但运行时报了Warning

df['E'] = None # 需事先创建e列，否则iloc遍历会报错，loc遍历无需事先创建

for i in range(len(df)):

  df['E'].iloc[i] = df['A'].iloc[i] + df['C'].iloc[i] 

# SettingWithCopyWarning:　A value is trying to be set on a copy of a slice from a DataFrame

不用Series不会报Warning：

df['E'] = None

col_no = [i for i in df.columns].index('E') 

for i in range(len(df)):

  df.iloc[i, col_no] = df['A'].iloc[i] + df['C'].iloc[i]

用loc无需先给E列赋空值：

for i in df.index:

  df.loc[i, 'E'] = df.loc[i, 'A'] + df.loc[i, 'C']

4.6，逐列增加

简单的逐列添加内容，可以：

df[len(df)] = [16, 17, 18, 19]

但需要注意：len(df)生成的是int，如果生成的int，df已经存在了，会覆盖该列数据，而不会新增

4.7，其他方法

增加3列，EFG，value默认为np.NaN

df = pd.concat([df, pd.DataFrame(columns=list('EFG'))])  # 列的次序无法指定，并且fillna时会对整个df做出调整

df = df.reindex(columns=list('ABCDEFG'), fill_value=0)  # 列的次序按照list指定，并且fill_value只对新增列做出调整，推荐！

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

您可能感兴趣的文章:

相关文章

  • python交易记录整合交易类详解

    python交易记录整合交易类详解

    这篇文章主要介绍了python交易记录整合交易类详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2019-07-07
  • Python3.0中普通方法、类方法和静态方法的比较

    Python3.0中普通方法、类方法和静态方法的比较

    本文主要讲解了Python3中普通方法、类方法和静态方法的区别与比较，费了作者可大的劲整理了，希望对大家有用
    2019-05-05
  • Python实现简单的2048小游戏

    Python实现简单的2048小游戏

    这篇文章主要为大家详细介绍了Python实现简单的2048小游戏，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2021-03-03
  • OpenCV-Python实现人脸磨皮算法

    OpenCV-Python实现人脸磨皮算法

    人脸磨皮是最基础的人脸美颜效果。本文介绍了OpenCV-Python实现人脸磨皮算法，主要包括图像滤波，图像融合和图像锐化，感兴趣的可以了解一下
    2021-06-06
  • python 实现

    python 实现"神经衰弱"翻牌游戏

    这篇文章主要介绍了python 实现"神经衰弱"游戏，帮助大家更好的理解和使用python的pygame库，感兴趣的朋友可以了解下
    2020-11-11
  • pytorch建立mobilenetV3-ssd网络并进行训练与预测方式

    pytorch建立mobilenetV3-ssd网络并进行训练与预测方式

    这篇文章主要介绍了pytorch建立mobilenetV3-ssd网络并进行训练与预测方式，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
    2023-02-02
  • 大数据分析用java还是Python

    大数据分析用java还是Python

    在本篇文章里小编给大家分享了关于java和Python哪个适合大数据分析的相关知识点文章，有需要的朋友们可以学习下。
    2020-07-07
  • 在vscode中启动conda虚拟环境的思路详解

    在vscode中启动conda虚拟环境的思路详解

    这篇文章主要介绍了在vscode中启动conda虚拟环境的思路详解,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
    2020-12-12
  • python 实现汉诺塔游戏

    python 实现汉诺塔游戏

    这篇文章主要介绍了python 实现汉诺塔游戏的示例，帮助大家更好的理解和学习python，感兴趣的朋友可以了解下
    2020-11-11
  • Pandas剔除混合数据中非数字的数据操作

    Pandas剔除混合数据中非数字的数据操作

    这篇文章主要介绍了Pandas剔除混合数据中非数字的数据操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2021-03-03

最新评论