pandas 中語法 `df[&#column&#] = expression` 的解釋

Pandas df['column'] = expression 語法詳解：用於在 Pandas DataFrame (df) 中建立、修改或賦值列。讓我們逐步分解，從基礎到進階。

---

基礎篇

1. 建立新欄位

• 當 DataFrame 中不存在某一列時，向 df['column'] 賦值會建立一個新欄位。

• 範例:

    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. 修改現有欄位

• 如果列已存在，賦值會取代其內容。

• 範例:

    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

---

中級篇

3. 基於表達式的賦值

• 可以基於計算或轉換向列賦值。

• 範例:

    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. 使用條件賦值

• 可以使用 Pandas 的布林索引進行條件賦值。

• 範例:

    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. 在表達式中使用多列

• 可以在一個表達式中使用多列進行更複雜的計算。

• 範例:

    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

---

高級篇

6. 向量化操作

• 向列賦值可以使用向量化操作來提高效能。

• 範例:

    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. 使用 np.where 進行條件邏輯賦值

• 可以使用 NumPy 來進行條件賦值。

• 範例:

    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. 使用外部函數賦值

• 基於應用於行或列的自訂函數向列賦值。

• 範例:

    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. 鍊式操作

• 可以將多個操作連結起來，讓程式碼更簡潔。

• 範例:

    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. 一次賦值多列

• 使用 assign() 一次呼叫建立或修改多列。

• 範例:

    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

---

專家篇

11. 動態列賦值

• 基於外部輸入動態建立列名。

• 範例:

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

12. 使用外部資料賦值

• 基於外部 DataFrame 或字典向列賦值。

• 範例:

    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. 效能最佳化：

• 賦值時，使用 Pandas 的內建函數（apply，向量化操作）比 Python 循環具有更好的效能。

---

總結

df['column'] = expression 文法是 Pandas 的核心功能，用途廣泛。它允許：

• 新增、修改和操作 DataFrame 中的欄位。
• 執行複雜的計算，包括基於條件的邏輯和多列轉換。
• 鍊式操作和動態產生新列。

這使得 Pandas 成為強大的資料操作和分析庫。

以上是pandas 中語法 `df[&#column&#] = expression` 的解釋的詳細內容。更多資訊請關注PHP中文網其他相關文章！