🔧 Как изменить dataframe pandas: простые шаги для успешной обработки данных

Чтобы изменить DataFrame в Pandas, вы можете использовать различные методы и функции.

Вот несколько примеров:

Добавление нового столбца:

df['новый_столбец'] = значение

Удаление столбца:

del df['столбец']

Переименование столбца:

df.rename(columns={'старое_название': 'новое_название'}, inplace=True)

Изменение значения в ячейке:

df.at[индекс, 'столбец'] = новое_значение

Изменение типа данных столбца:

df['столбец'] = df['столбец'].astype(новый_тип)

Надеюсь, эти примеры помогут вам изменить DataFrame в Pandas!

Как изменить dataframe pandas

Добро пожаловать в увлекательный мир обработки данных с помощью библиотеки pandas! DataFrame - это одна из основных структур данных в pandas, и в этой статье я расскажу вам, как изменить DataFrame в различных аспектах. Давайте начнем!

Добавление столбца

Добавление нового столбца в DataFrame - это простой способ добавить дополнительные данные. Для этого мы можем использовать различные методы, такие как assign() или присваивание значения непосредственно в столбец.

import pandas as pd

# Создаем DataFrame
df = pd.DataFrame({'имя':['Иван', 'Мария', 'Алексей'],
                   'возраст':[25, 30, 35]})

# Используем assign() для добавления нового столбца
df = df.assign(зарплата=[50000, 60000, 70000])

# Присваиваем значение столбца напрямую
df['пол'] = ['М', 'Ж', 'М']

print(df)

Результат:

      имя  возраст  зарплата пол
0    Иван       25     50000  М
1  Мария       30     60000  Ж
2 Алексей      35     70000  М

Изменение значения в ячейке

Чтобы изменить значение в определенной ячейке DataFrame, мы можем использовать индексацию и присваивание значения этой ячейке.

import pandas as pd

# Создаем DataFrame
df = pd.DataFrame({'имя':['Иван', 'Мария', 'Алексей'],
                   'возраст':[25, 30, 35]})

# Изменяем значение в ячейке
df.at[0, 'возраст'] = 26

print(df)

Результат:

      имя  возраст
0    Иван       26
1  Мария       30
2 Алексей      35

Изменение структуры DataFrame

Мы можем изменить структуру DataFrame, добавляя или удаляя столбцы и строки.

Добавление строки

Для добавления новой строки в DataFrame мы можем использовать метод append() или создать новый DataFrame и объединить его с существующим DataFrame.

import pandas as pd

# Создаем DataFrame
df = pd.DataFrame({'имя':['Иван', 'Мария'],
                   'возраст':[25, 30]})

# Создаем новую строку
new_row = pd.DataFrame({'имя':'Алексей',
                        'возраст':35}, index=[2])

# Используем append() для добавления строки
df = df.append(new_row)

print(df)

Результат:

      имя  возраст
0    Иван       25
1  Мария       30
2 Алексей      35

Удаление столбца или строки

Чтобы удалить столбец или строку из DataFrame, мы можем использовать метод drop().

import pandas as pd

# Создаем DataFrame
df = pd.DataFrame({'имя':['Иван', 'Мария', 'Алексей'],
                   'возраст':[25, 30, 35]})

# Удаляем столбец 'возраст'
df = df.drop('возраст', axis=1)

# Удаляем строку с индексом 1
df = df.drop(1)

print(df)

Результат:

      имя
0    Иван
2 Алексей

Применение функций к столбцам или строкам

В pandas мы можем легко применять функции к столбцам или строкам DataFrame с помощью методов apply() или applymap().

Применение функции к столбцу

Давайте предположим, что у нас есть столбец 'возраст', и мы хотим увеличить каждое значение в этом столбце на 1.

import pandas as pd

# Создаем DataFrame
df = pd.DataFrame({'имя':['Иван', 'Мария', 'Алексей'],
                   'возраст':[25, 30, 35]})

# Функция для увеличения значения на 1
def increment_age(age):
    return age + 1

# Применяем функцию к столбцу 'возраст'
df['возраст'] = df['возраст'].apply(increment_age)

print(df)

Результат:

      имя  возраст
0    Иван       26
1  Мария       31
2 Алексей      36

Применение функции к каждому элементу DataFrame

Если мы хотим применить функцию к каждому элементу DataFrame, мы можем использовать метод applymap().

import pandas as pd

# Создаем DataFrame
df = pd.DataFrame({'имя':['Иван', 'Мария', 'Алексей'],
                   'возраст':[25, 30, 35]})

# Функция для добавления суффикса к каждому элементу
def add_suffix(value):
    return str(value) + ' г.'

# Применяем функцию к каждому элементу DataFrame
df = df.applymap(add_suffix)

print(df)

Результат:

       имя возраст
0    Иван г.    25 г.
1  Мария г.    30 г.
2 Алексей г.   35 г.

Фильтрация DataFrame

Когда нам нужно фильтровать данные в DataFrame, мы можем использовать логические выражения в качестве условий фильтрации.

import pandas as pd

# Создаем DataFrame
df = pd.DataFrame({'имя':['Иван', 'Мария', 'Алексей'],
                   'возраст':[25, 30, 35]})

# Фильтруем DataFrame по возрасту больше 30
filtered_df = df[df['возраст'] > 30]

print(filtered_df)

Результат:

      имя  возраст
2 Алексей      35

Группировка и агрегация данных

Когда нам нужно анализировать данные по группам, мы можем использовать группировку и агрегацию данных.

import pandas as pd

# Создаем DataFrame
df = pd.DataFrame({'имя':['Иван', 'Мария', 'Алексей'],
                   'пол':['М', 'Ж', 'М'],
                   'зарплата':[50000, 60000, 70000]})

# Группируем данные по полу
grouped_df = df.groupby('пол')

# Выполняем агрегацию, например, среднее значение зарплаты
aggregated_df = grouped_df['зарплата'].mean()

print(aggregated_df)

Результат:

пол
Ж    60000
М    60000
Name: зарплата, dtype: int64

Итоги

В этой статье мы изучили, как изменять DataFrame в pandas. Мы рассмотрели добавление столбцов, изменение значений в ячейках, изменение структуры DataFrame, применение функций к столбцам или строкам, фильтрацию данных и группировку с агрегацией данных. Теперь у вас есть навыки, чтобы эффективно работать с DataFrame и обрабатывать данные в pandas. Успехов в вашем путешествии в мир анализа данных с помощью pandas!