나는 함께 다음 인덱스된 다테프라임 release. 열과 행으로 아냐 - 횡단면도 번호:
a b c d
2 0.671399 0.101208 -0.181532 0.241273
3 0.446172 -0.243316 0.051767 1.577318
5 0.614758 0.075793 -0.451460 -0.012493
& # 39, 새로운 열이 추가 싶다 ',', 기존 데이터 프레임을 e& # 39 의 데이터 프레임을 아무것도 바꾸지 않으려는 (즉, 새로운 열이 다테프라임 같은 길이의 항상 가지고 있다).
0 -0.335485
1 -1.166658
2 -0.385571
dtype: float64
다른 버전의 '찾았다', '병합', ',' 덮어쓰기/추가 참가하십시오 받지 않았고, 그 결과, 하지만 나는 내가 원하는 오류만 많아야. 위의 예제를 add column) 'e' 를 어떻게 해야 합니까?
당초 df1 인덱스를 사용하여 만듭다 시리즈:
df1['e'] = pd.Series(np.random.randn(sLength), index=df1.index)
>>> sLength = len(df1['a'])
>>> df1
a b c d
6 -0.269221 -0.026476 0.997517 1.294385
8 0.917438 0.847941 0.034235 -0.448948
>>> df1['e'] = pd.Series(np.random.randn(sLength), index=df1.index)
>>> df1
a b c d e
6 -0.269221 -0.026476 0.997517 1.294385 1.757167
8 0.917438 0.847941 0.034235 -0.448948 2.228131
>>> p.version.short_version
'0.16.1'
잘못된 것을 목표로 하고 있는 것 '이' 의 세팅비트코피워닝 할당에서는 복제본이므로 다테프라임. # 39, 반드시 이 doesn& t say you 그것을했다 잘못된 (포지티브 거짓값 트리거할 수 있습니다) 에서 이 같은 목적을 위한 적절한 방법을 0.13.0 알리는 것이 더 많다. 만일 확보하십시오 경고, 그냥 준수하십시오 권고하고 있다. 트로스 사용해 보고 [row_index, col_indexer] = value 대신
>>> df1.loc[:,'f'] = pd.Series(np.random.randn(sLength), index=df1.index)
>>> df1
a b c d e f
6 -0.269221 -0.026476 0.997517 1.294385 1.757167 -0.050927
8 0.917438 0.847941 0.034235 -0.448948 2.228131 0.006109
>>>
사실 이 현재 보다 효율적인 방법으로 [에 설명됨 판다 docs] [1]
현재 나와 있는 대로 추가 설명을 위한 가장 좋은 방법을 통해 @Alexander 값을 사용할 수 있는 일련의 새로운 열로 다테프라임 '' 할당할지:
df1 = df1.assign(e=pd.Series(np.random.randn(sLength)).values)
[1]: # 인덱스화를 대對 복제본에 보기 http://pandas.pydata.org/pandas-docs/stable/indexing.html
>. # 39, & # 39 e& 새 열을 추가하기에서는 싶다;;, 기존 데이터 프레임을 아무것도 바꾸지 벤자민에 데이터 프레임을. (이 시리즈는 항상 같은 길이의 잡을라는데 비호환성의 다테프라임.)
내가 '에서' 에서 'e' 인덱스 값이 일치하는 df1 가정합니다.
가장 쉬운 방법은 할당하고, 그 값은 새로운 열이 개시하려면 'e' 에서 'e' 시리즈.
df['e'] = e.values
판다 0.16.0 vmware. 사용할 수도 있습니다 새로운 열 수 있는 '할당할지' 와 (a copy) 를 새 객체를 되돌려줍니다 color_name 다테프라임 모든 원본 열 외에도 새로운 수준들과.
df1 = df1.assign(e=e.values)
따라 이 예 (이 역시 dm_ownerdm_owner 소스 코드 '의' 할당할지 기능), 둘 이상의 열을 포함할 수도 있습니다.
df = pd.DataFrame({'a': [1, 2], 'b': [3, 4]})
>>> df.assign(mean_a=df.a.mean(), mean_b=df.b.mean())
a b mean_a mean_b
0 1 3 1.5 3.5
1 2 4 1.5 3.5
상황에 맞게 예:
np.random.seed(0)
df1 = pd.DataFrame(np.random.randn(10, 4), columns=['a', 'b', 'c', 'd'])
mask = df1.applymap(lambda x: x <-0.7)
df1 = df1[-mask.any(axis=1)]
sLength = len(df1['a'])
e = pd.Series(np.random.randn(sLength))
>>> df1
a b c d
0 1.764052 0.400157 0.978738 2.240893
2 -0.103219 0.410599 0.144044 1.454274
3 0.761038 0.121675 0.443863 0.333674
7 1.532779 1.469359 0.154947 0.378163
9 1.230291 1.202380 -0.387327 -0.302303
>>> e
0 -1.048553
1 -1.420018
2 -1.706270
3 1.950775
4 -0.509652
dtype: float64
df1 = df1.assign(e=e.values)
>>> df1
a b c d e
0 1.764052 0.400157 0.978738 2.240893 -1.048553
2 -0.103219 0.410599 0.144044 1.454274 -1.420018
3 0.761038 0.121675 0.443863 0.333674 -1.706270
7 1.532779 1.469359 0.154947 0.378163 1.950775
9 1.230291 1.202380 -0.387327 -0.302303 -0.509652
이 새로운 기능에 대한 설명을 했을 때 가장 먼저 도입한 korea. [here] [3].
[3]: # 다테프라임 할당할지 http://pandas.pydata.org/pandas-docs/stable/whatsnew/v0.16.0.html
최근 버전을 사용할 수 있는 길을 갈 것 같다고 판다 [드f.라시니] (http://pandas.pydata.org/pandas-docs/stable/dsintro.html # 의 새 열 지정 방법은 체인을):
'df1 = df1.assign (e = np.란도메이휴란트너 (슬래스)'
이렇게 하면 누마피 을 통해 직접 적용될 수 있는 가장 효율적인:
df1['e'] = np.random.randn(sLength)
내 원래 (매우 오래된) 는 '추천' 매핑해야 알아두십시오 사용할 수 있는 훨씬 느린):
df1['e'] = df1['a'].map(lambda x: np.random.random())
단 한 마리의 다테프라임 순서화된 딕트 구현됩니다.
즉, 'getitem' ' []' 가 아니라 '특정 열을 얻기 위해 사용될 수 있지만,' ' [] =' 새 열을 할당하십시오 setitem 사용할 수 있습니다.
예를 들어, 추가된 이 다테프라임 사용하기만 하면 ' []' 액세서의 열 수 있습니다.
size name color
0 big rose red
1 small violet blue
2 small tulip red
3 small harebell blue
df['protected'] = ['no', 'no', 'no', 'yes']
size name color protected
0 big rose red no
1 small violet blue no
2 small tulip red no
3 small harebell blue yes
참고로 이 경우에도 이 작동됨 색인입니다 다테프라임 꺼졌기.
df.index = [3,2,1,0]
df['protected'] = ['no', 'no', 'no', 'yes']
size name color protected
3 big rose red no
2 small violet blue no
1 small tulip red no
0 small harebell blue yes
그러나 '와' 할 경우 파트리시리스 할당하십시오 다테프라임 indexe 꺼져 있는 한, 실행할 수 있는 문제입니다. 예제:
df['protected'] = pd.Series(['no', 'no', 'no', 'yes'])
size name color protected
3 big rose red yes
2 small violet blue no
1 small tulip red no
0 small harebell blue no
기본적으로 파트리시리스 때문이다 '' 는 0 에서 n = '판다' [] 열거됩니다 인덱스화할 등 할 수 있는 방법을 " smart" , ,
[] = '판다' 는 조용히 수행 방법을 사용할 때 외부 조인 또는 외부 병합해야 색인입니다 다테프라임 오른쪽 및 왼쪽 손을 사용하여 색인입니다 시리즈. df ' [& # 39, column& # 39;] = 시리즈 '
이 때문에 [] = '인지부조화' 가 빠르게 하는 방법을 많이 할 다른 입력에 따라 그 결과는 예측할 수 없는 것을 알고 그냥 않으면 얼마나 판다 "고 답했다. 따라서 나는 ' [] =' 에 대한 조언을 하였을 때는 탐험이요 data-in 노트북 코드 기반을 것이 좋다.
필요할 경우 '와' 파트리시리스 위에서 아래로 지정받습니다 경우, 또는 코딩 생산적인 코드와 확실하지 않은 것은 그만한 가치가 오더할 인덱스화할 보호하기 위해 이러한 형태의 배정됩니다.
이 '또는' 목록 '을' np. 드라이 파트리시리스 돌아가도 록 하여주소서 수 있습니다 '트릭', 이렇게 하면 됩니다.
df['protected'] = pd.Series(['no', 'no', 'no', 'yes']).values
또는
df['protected'] = list(pd.Series(['no', 'no', 'no', 'yes']))
그러나 이는 별로 없는 explicit.
이봐, 이 모양을 따라 일부 기반 부호화 올 수도 있다. # 39 라고 " 패브릭용 I&, ll, 그냥 이 away" 최적화합니다.
'설정' 이 'df' 가 될 수 있는 색인입니다 파트리시리스 색인입니다 명시성.
df['protected'] = pd.Series(['no', 'no', 'no', 'yes'], index=df.index)
좀더 현실적으로, 있을 수 있습니다 '또는' a '파트리시리스 이미 사용할 수 있습니다.
protected_series = pd.Series(['no', 'no', 'no', 'yes'])
protected_series.index = df.index
3 no
2 no
1 no
0 yes
지정할 수 있습니다.
df['protected'] = protected_series
size name color protected
3 big rose red no
2 small violet blue no
1 small tulip red no
0 small harebell blue yes
Index 불협화음 느낄 경우, 이 문제가 있다는 것을 안 됩니다 색인입니다 다테프라임 한다고 하는 것은 매우 빠르지만 인덱스화하여 드롭합니다 되어야 합니다 지금 , 는 아마도 함수은 청소하십시오 있으므로 두 가지입니다.
df.reset_index(drop=True)
protected_series.reset_index(drop=True)
df['protected'] = protected_series
size name color protected
0 big rose red no
1 small violet blue no
2 small tulip red no
3 small harebell blue yes
'동시에' 드f.라시니 보다 적합한 명시성 너희는너희가, 실제로는 위의 ' [] 로 하고 있다' 는 모두 같은 문제 =
df.assign(protected=pd.Series(['no', 'no', 'no', 'yes']))
size name color protected
3 big rose red yes
2 small violet blue no
1 small tulip red no
0 small harebell blue no
Watch out with '그냥' 드f.라시니 해당 열이 없는 '라는 자체'. 이 오류가 발생합니다. 따라서 '냄새나는 , 있기 때문에 이 같은 가공물은 드f.라시니' 의 특징이다.
df.assign(self=pd.Series(['no', 'no', 'no', 'yes'])
TypeError: assign() got multiple values for keyword argument 'self'
df.insert(len(df.columns), 'e', pd.Series(np.random.randn(sLength), index=df.index))
이 미세한 협력했습니다 삽입하려면 열 끝에. 내가 don& # 39, t, t, but I don& # 39 와 같은 것이 가장 효율적인 다운로드되었는지 경고 메시지. 하지만 난 찾을 수 있을 것 같아 더 나은 것 같은데, t # 39 솔루션이므로 can& 달려 있으며, 이를 일부 부분을 색인입니다.
df.loc[:, 'NewCol'] = 'New_Val'
예:
df = pd.DataFrame(data=np.random.randn(20, 4), columns=['A', 'B', 'C', 'D'])
df
A B C D
0 -0.761269 0.477348 1.170614 0.752714
1 1.217250 -0.930860 -0.769324 -0.408642
2 -0.619679 -1.227659 -0.259135 1.700294
3 -0.147354 0.778707 0.479145 2.284143
4 -0.529529 0.000571 0.913779 1.395894
5 2.592400 0.637253 1.441096 -0.631468
6 0.757178 0.240012 -0.553820 1.177202
7 -0.986128 -1.313843 0.788589 -0.707836
8 0.606985 -2.232903 -1.358107 -2.855494
9 -0.692013 0.671866 1.179466 -1.180351
10 -1.093707 -0.530600 0.182926 -1.296494
11 -0.143273 -0.503199 -1.328728 0.610552
12 -0.923110 -1.365890 -1.366202 -1.185999
13 -2.026832 0.273593 -0.440426 -0.627423
14 -0.054503 -0.788866 -0.228088 -0.404783
15 0.955298 -1.430019 1.434071 -0.088215
16 -0.227946 0.047462 0.373573 -0.111675
17 1.627912 0.043611 1.743403 -0.012714
18 0.693458 0.144327 0.329500 -0.655045
19 0.104425 0.037412 0.450598 -0.923387
df.drop([3, 5, 8, 10, 18], inplace=True)
df
A B C D
0 -0.761269 0.477348 1.170614 0.752714
1 1.217250 -0.930860 -0.769324 -0.408642
2 -0.619679 -1.227659 -0.259135 1.700294
4 -0.529529 0.000571 0.913779 1.395894
6 0.757178 0.240012 -0.553820 1.177202
7 -0.986128 -1.313843 0.788589 -0.707836
9 -0.692013 0.671866 1.179466 -1.180351
11 -0.143273 -0.503199 -1.328728 0.610552
12 -0.923110 -1.365890 -1.366202 -1.185999
13 -2.026832 0.273593 -0.440426 -0.627423
14 -0.054503 -0.788866 -0.228088 -0.404783
15 0.955298 -1.430019 1.434071 -0.088215
16 -0.227946 0.047462 0.373573 -0.111675
17 1.627912 0.043611 1.743403 -0.012714
19 0.104425 0.037412 0.450598 -0.923387
df.loc[:, 'NewCol'] = 0
df
A B C D NewCol
0 -0.761269 0.477348 1.170614 0.752714 0
1 1.217250 -0.930860 -0.769324 -0.408642 0
2 -0.619679 -1.227659 -0.259135 1.700294 0
4 -0.529529 0.000571 0.913779 1.395894 0
6 0.757178 0.240012 -0.553820 1.177202 0
7 -0.986128 -1.313843 0.788589 -0.707836 0
9 -0.692013 0.671866 1.179466 -1.180351 0
11 -0.143273 -0.503199 -1.328728 0.610552 0
12 -0.923110 -1.365890 -1.366202 -1.185999 0
13 -2.026832 0.273593 -0.440426 -0.627423 0
14 -0.054503 -0.788866 -0.228088 -0.404783 0
15 0.955298 -1.430019 1.434071 -0.088215 0
16 -0.227946 0.047462 0.373573 -0.111675 0
17 1.627912 0.043611 1.743403 -0.012714 0
19 0.104425 0.037412 0.450598 -0.923387 0
, 와 시리즈 객체에는 같은 경우 데이터 프레임을 갖고 '도' 프란다s.콩카트 인덱스화할 작동됨 있습니다.
import pandas as pd
df
# a b c d
#0 0.671399 0.101208 -0.181532 0.241273
#1 0.446172 -0.243316 0.051767 1.577318
#2 0.614758 0.075793 -0.451460 -0.012493
e = pd.Series([-0.335485, -1.166658, -0.385571])
e
#0 -0.335485
#1 -1.166658
#2 -0.385571
#dtype: float64
# here we need to give the series object a name which converts to the new column name
# in the result
df = pd.concat([df, e.rename("e")], axis=1)
df
# a b c d e
#0 0.671399 0.101208 -0.181532 0.241273 -0.335485
#1 0.446172 -0.243316 0.051767 1.577318 -1.166658
#2 0.614758 0.075793 -0.451460 -0.012493 -0.385571
e.index = df.index
df = pd.concat([df, e.rename("e")], axis=1)
유의할 도래하도록하려하는 표시되어도 경우
df1['e'] = Series(np.random.randn(sLength), index=df1.index)
이를 효과적으로 할 수 있는 df1.index. 참가하십시오 왼쪽 그래서 스케쳐내 외부 효과, 아마도 불완전 솔루션을 보유하고 있는 다테프라임 만드는 것이 나의 참가하십시오 인덱스 값이 우주를 다루는 데이터의 다음 코드 명이다. 예를 들어,
data = pd.DataFrame(index=all_possible_values)
df1['e'] = Series(np.random.randn(sLength), index=df1.index)
지정하기 전에 새 열 경우 필요한 데이터를 인덱스된 정렬하려면 색인입니다. 적어도 내가 내 경우에는 했다.
data.set_index(['index_column'], inplace=True)
"if index is unsorted, assignment of a new column will fail"
data.sort_index(inplace = True)
data.loc['index_value1', 'column_y'] = np.random.randn(data.loc['index_value1', 'column_x'].shape[0])
Let me 추가하기만 마찬가지로 있는 장치당 [hum3] (https://stackoverflow.com/users/3649456/hum3) ',', 't' 와 나에게 세팅비트코피워닝 트로스 didn& # 39 해결할 방법을 '드프리제르트 ()'. 내 경우 (false positive 의해 생성된 " fake"; 체인 ' [& # 39, a& # 39;] 인덱스화를 딕트 [# 39, & # 39, e&] # 39, & # 39, 여기서' ',' 은 새로운 e& 열 및 ' [& # 39, a& # 39;]' 은 다테프라임 딕트 오는 사전이므로
또한 잘 알고 있는 거지, 사용하는 경우 경고 전환할 수 있습니다. '' pd.options.mode.chained_assignment = 없음 그리고 여기에 주어진 것보다 다른 솔루션 중 하나를 사용하여.
새 열을 삽입하려면 지정된 시간에 위치 (loc <; = 0 = 양의 열을 <) 의 데이터 프레임을 다테프라임.린스트 됩니다.
DataFrame.insert(loc, column, value)
따라서 추가할 경우 열 df 불렀으매 ᅦ 끝날 때 데이터 프레임을 사용할 수 있습니다.
e = [-0.335485, -1.166658, -0.385571]
DataFrame.insert(loc=len(df.columns), column='e', value=e)
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.insert.html
또 다른 솔루션을 사용하여 생각해서라도 완결성 - [다태프라메지에발 ()] (http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.eval.html) 방법:
데이터:
In [44]: e
Out[44]:
0 1.225506
1 -1.033944
2 -0.498953
3 -0.373332
4 0.615030
5 -0.622436
dtype: float64
In [45]: df1
Out[45]:
a b c d
0 -0.634222 -0.103264 0.745069 0.801288
4 0.782387 -0.090279 0.757662 -0.602408
5 -0.117456 2.124496 1.057301 0.765466
7 0.767532 0.104304 -0.586850 1.051297
8 -0.103272 0.958334 1.163092 1.182315
9 -0.616254 0.296678 -0.112027 0.679112
해결책:
In [46]: df1.eval("e = @e.values", inplace=True)
In [47]: df1
Out[47]:
a b c d e
0 -0.634222 -0.103264 0.745069 0.801288 1.225506
4 0.782387 -0.090279 0.757662 -0.602408 -1.033944
5 -0.117456 2.124496 1.057301 0.765466 -0.498953
7 0.767532 0.104304 -0.586850 1.051297 -0.373332
8 -0.103272 0.958334 1.163092 1.182315 0.615030
9 -0.616254 0.296678 -0.112027 0.679112 -0.622436