Pandas df['column'] = expression 语法详解：用于在 Pandas DataFrame (df) 中创建、修改或赋值列。让我们逐步分解，从基础到高级。
当 DataFrame 中不存在某列时，向 df['column'] 赋值会创建一个新列。
示例:
<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>如果列已存在，赋值会替换其内容。
示例:
<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>
可以基于计算或转换向列赋值。
示例:
<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>
可以使用 Pandas 的布尔索引进行条件赋值。
示例:
<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>
可以在一个表达式中使用多列进行更复杂的计算。
示例:
<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>
向列赋值可以使用向量化操作来提高性能。
示例:
<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>
np.where 进行条件逻辑赋值可以使用 NumPy 进行条件赋值。
示例:
<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>
基于应用于行或列的自定义函数向列赋值。
示例:
<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>可以将多个操作链接起来，使代码更简洁。
示例:
<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>
使用 assign() 一次调用创建或修改多列。
示例:
<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>基于外部输入动态创建列名。
示例:
<code class="language-python"> columns_to_add = ['L', 'M']
for col in columns_to_add:
df[col] = df['A'] + df['B']
print(df)</code>基于外部 DataFrame 或字典向列赋值。
示例:
<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>apply，向量化操作）比 Python 循环具有更好的性能。df['column'] = expression 语法是 Pandas 的核心功能，用途广泛。它允许：
这使得 Pandas 成为强大的数据操作和分析库。
以上是pandas 中语法 `df[&#column&#] = expression` 的解释的详细内容。更多信息请关注PHP中文网其他相关文章！
