Erklärung der Syntax „df[&#column&#] = expression' in Pandas

Detaillierte Erläuterung der

Pandas df['column'] = expression-Syntax: Wird zum Erstellen, Ändern oder Zuweisen von Spalten in Pandas DataFrame (df) verwendet. Lassen Sie uns es Schritt für Schritt aufschlüsseln, von einfach bis fortgeschritten.

---

Grundlagen

1. Neue Spalte erstellen

• Wenn eine Spalte im DataFrame nicht vorhanden ist, wird durch Zuweisen eines Werts zu df['column'] eine neue Spalte erstellt.

• Beispiel:

    import pandas as pd
    df = pd.DataFrame({'A': [1, 2, 3]})
    print(df)
    # 输出：
    #    A
    # 0  1
    # 1  2
    # 2  3
  
    # 创建一个新列 'B'，所有值都设置为 0
    df['B'] = 0
    print(df)
    # 输出：
    #    A  B
    # 0  1  0
    # 1  2  0
    # 2  3  0

2. Vorhandene Spalten ändern

• Wenn die Spalte bereits vorhanden ist, ersetzt die Zuweisung ihren Inhalt.

• Beispiel:

    df['B'] = [4, 5, 6]  # 替换列 'B' 中的值
    print(df)
    # 输出：
    #    A  B
    # 0  1  4
    # 1  2  5
    # 2  3  6

---

Mittelstufe

3. Ausdrucksbasierte Zuordnung

• Kann Spalten basierend auf Berechnungen oder Transformationen Werte zuweisen.

• Beispiel:

    df['C'] = df['A'] + df['B']  # 创建列 'C' 为 'A' 和 'B' 的和
    print(df)
    # 输出：
    #    A  B   C
    # 0  1  4   5
    # 1  2  5   7
    # 2  3  6   9

4. Bedingte Zuweisung verwenden

• Sie können die boolesche Indizierung von Pandas für die bedingte Zuweisung verwenden.

• Beispiel:

    df['D'] = df['A'].apply(lambda x: 'Even' if x % 2 == 0 else 'Odd')
    print(df)
    # 输出：
    #    A  B   C     D
    # 0  1  4   5   Odd
    # 1  2  5   7  Even
    # 2  3  6   9   Odd

5. Verwenden Sie mehrere Spalten in Ausdrücken

• Für komplexere Berechnungen können Sie mehrere Spalten in einem Ausdruck verwenden.

• Beispiel:

    df['E'] = (df['A'] + df['B']) * df['C']
    print(df)
    # 输出：
    #    A  B   C     D    E
    # 0  1  4   5   Odd   25
    # 1  2  5   7  Even   49
    # 2  3  6   9   Odd   81

---

Erweitertes Kapitel

6. Vektorisierungsvorgang

• Numerische Zuweisungen können Vektorisierungsoperationen verwenden, um die Leistung zu verbessern.

• Beispiel:

    df['F'] = df['A'] ** 2 + df['B'] ** 2  # 快速向量化计算
    print(df)
    # 输出：
    #    A  B   C     D    E   F
    # 0  1  4   5   Odd   25  17
    # 1  2  5   7  Even   49  29
    # 2  3  6   9   Odd   81  45

7. Verwenden Sie np.where für bedingte logische Zuweisung

• Sie können NumPy für die bedingte Zuweisung verwenden.

• Beispiel:

    import numpy as np
    df['G'] = np.where(df['A'] > 2, 'High', 'Low')
    print(df)
    # 输出：
    #    A  B   C     D    E   F     G
    # 0  1  4   5   Odd   25  17   Low
    # 1  2  5   7  Even   49  29   Low
    # 2  3  6   9   Odd   81  45  High

8. Verwenden Sie externe Funktionen, um Werte zuzuweisen

• Weisen Sie Spalten Werte zu, basierend auf einer benutzerdefinierten Funktion, die auf die Zeile oder Spalte angewendet wird.

• Beispiel:

    def custom_function(row):
        return row['A'] * row['B']
  
    df['H'] = df.apply(custom_function, axis=1)
    print(df)
    # 输出：
    #    A  B   C     D    E   F     G   H
    # 0  1  4   5   Odd   25  17   Low   4
    # 1  2  5   7  Even   49  29   Low  10
    # 2  3  6   9   Odd   81  45  High  18

9. Kettenbetrieb

• Mehrere Vorgänge können miteinander verkettet werden, um den Code prägnanter zu gestalten.

• Beispiel:

    df['I'] = df['A'].add(df['B']).mul(df['C'])
    print(df)
    # 输出：
    #    A  B   C     D    E   F     G   H    I
    # 0  1  4   5   Odd   25  17   Low   4   25
    # 1  2  5   7  Even   49  29   Low  10   49
    # 2  3  6   9   Odd   81  45  High  18   81

10. Weisen Sie mehrere Spalten gleichzeitig zu

• Verwenden Sie assign(), um mehrere Spalten in einem Aufruf zu erstellen oder zu ändern.

• Beispiel:

    df = df.assign(
        J=df['A'] + df['B'],
        K=lambda x: x['J'] * 2
    )
    print(df)
    # 输出：
    #    A  B   C     D    E   F     G   H    I   J   K
    # 0  1  4   5   Odd   25  17   Low   4   25   5  10
    # 1  2  5   7  Even   49  29   Low  10   49   7  14
    # 2  3  6   9   Odd   81  45  High  18   81   9  18

---

Experten

11. Dynamische Spaltenzuweisung

• Erstellen Sie Spaltennamen dynamisch basierend auf externen Eingaben.

• Beispiel:

    columns_to_add = ['L', 'M']
    for col in columns_to_add:
        df[col] = df['A'] + df['B']
    print(df)

12. Externe Datenzuweisung verwenden

• Weisen Sie Spalten Werte basierend auf einem externen DataFrame oder Wörterbuch zu.

• Beispiel:

    mapping = {1: 'Low', 2: 'Medium', 3: 'High'}
    df['N'] = df['A'].map(mapping)
    print(df)
    # 输出：
    #    A  B   C     D    E   F     G   H    I   J   K      N
    # 0  1  4   5   Odd   25  17   Low   4   25   5  10    Low
    # 1  2  5   7  Even   49  29   Low  10   49   7  14  Medium
    # 2  3  6   9   Odd   81  45  High  18   81   9  18   High

13. Leistungsoptimierung:

• Beim Zuweisen von Werten bietet die Verwendung der integrierten Funktionen von Pandas (apply, vektorisierte Operationen) eine bessere Leistung als Python-Schleifen.

---

Zusammenfassung

df['column'] = expression Die Syntax ist das Kernmerkmal von Pandas und hat ein breites Anwendungsspektrum. Es erlaubt:

• Spalten in einem DataFrame hinzufügen, ändern und manipulieren.
• Führen Sie komplexe Berechnungen durch, einschließlich bedingungsbasierter Logik und mehrspaltiger Transformationen.
• Verketten Sie Vorgänge und generieren Sie dynamisch neue Spalten.

Dies macht Pandas zu einer leistungsstarken Datenmanipulations- und Analysebibliothek.

Das obige ist der detaillierte Inhalt vonErklärung der Syntax „df[&#column&#] = expression' in Pandas. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!