Penjelasan sintaks `df[&#column&#] = ungkapan` dalam panda

Pandas df['column'] = expression Penjelasan Terperinci Sintaks: Digunakan untuk membuat, ubah suai atau menetapkan lajur dalam Pandas DataFrame (df). Mari kita pecahkan langkah demi langkah, daripada asas kepada lanjutan.

---

Asas

1. Cipta lajur baharu

• Apabila lajur tidak wujud dalam DataFrame, memberikan nilai kepada df['column'] mencipta lajur baharu.

• Contoh:

  <code class="language-python">  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</code>

2. Ubah suai lajur sedia ada

• Jika lajur sudah wujud, tugasan menggantikan kandungannya.

• Contoh:

  <code class="language-python">  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</code>

---

Tahap pertengahan

3. Tugasan berasaskan ekspresi

• Boleh menetapkan nilai pada lajur berdasarkan pengiraan atau transformasi.

• Contoh:

  <code class="language-python">  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</code>

4. Gunakan tugasan bersyarat

• Anda boleh menggunakan pengindeksan boolean Pandas untuk tugasan bersyarat.

• Contoh:

  <code class="language-python">  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</code>

5. Gunakan berbilang lajur dalam ungkapan

• Anda boleh menggunakan berbilang lajur dalam satu ungkapan untuk pengiraan yang lebih kompleks.

• Contoh:

  <code class="language-python">  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</code>

---

Bab Lanjutan

6. Operasi pemvektoran

• Tugasan berangka boleh menggunakan operasi penvektoran untuk meningkatkan prestasi.

• Contoh:

  <code class="language-python">  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</code>

7. Gunakan np.where untuk tugasan logik bersyarat

• Anda boleh menggunakan NumPy untuk tugasan bersyarat.

• Contoh:

  <code class="language-python">  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</code>

8. Gunakan fungsi luaran untuk menetapkan nilai

• Tetapkan nilai pada lajur berdasarkan fungsi tersuai yang digunakan pada baris atau lajur.

• Contoh:

  <code class="language-python">  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</code>

9. Operasi rantai

• Berbilang operasi boleh dirantai bersama untuk menjadikan kod lebih ringkas.

• Contoh:

  <code class="language-python">  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</code>

10. Berikan berbilang lajur pada satu masa

• Gunakan assign() untuk membuat atau mengubah suai berbilang lajur dalam satu panggilan.

• Contoh:

  <code class="language-python">  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</code>

---

Pakar

11. Tugasan lajur dinamik

• Buat nama lajur secara dinamik berdasarkan input luaran.

• Contoh:

  <code class="language-python">  columns_to_add = ['L', 'M']
    for col in columns_to_add:
        df[col] = df['A'] + df['B']
    print(df)</code>

12. Gunakan tugasan data luaran

• Tetapkan nilai pada lajur berdasarkan DataFrame atau kamus luaran.

• Contoh:

  <code class="language-python">  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</code>

13. Pengoptimuman prestasi:

• Apabila memberikan nilai, menggunakan fungsi terbina dalam Pandas (apply, operasi vektor) mempunyai prestasi yang lebih baik daripada gelung Python.

---

Ringkasan

df['column'] = expression Sintaks ialah ciri teras Panda dan mempunyai pelbagai kegunaan. Ia membenarkan:

• Tambah, ubah suai dan manipulasi lajur dalam DataFrame.
• Lakukan pengiraan yang kompleks, termasuk logik berasaskan keadaan dan transformasi berbilang lajur.
• Operasi rantaian dan jana lajur baharu secara dinamik.

Ini menjadikan Pandas pustaka analisis dan manipulasi data yang berkuasa.

Atas ialah kandungan terperinci Penjelasan sintaks `df[&#column&#] = ungkapan` dalam panda. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!