Pandas新增数据列V1,后面出V2了,这个可以不用看了

原创 已于 2025-03-06 10:58:24 修改 · 1k 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pandas

于 2025-02-24 23:01:30 首次发布

直接赋值，apply,assgin,分条件赋值

  • pandas怎样新增数据列？
  • 在进行数据分析时，经常需要按照一定条件创建新的数据列，然后进行进一步分析

1. 直接赋值

2. df.apply方法

3. df.assgin方法

4. 按条件选择分组分别赋值

import pandas as pd

0. 读取csv数据到dataframe

file_path = r'C:\TELCEL_MEXICO_BOT\A\Weather.csv'
df = pd.read_csv(file_path,encoding='utf-8')

print(df.head()) #df.head()先读取数据有前5行
        ymd bWendu yWendu tianqi fengxiang fengji  aqi aqiInfo  aqiLevel
0  1/1/2025  -25°C   -6°C   晴~多云       西北风   1-2级   59       优         2
1  1/2/2025    2°C   -9°C      阴       东南风   3-4级   48       优         1
2  1/3/2025  -11°C   -2°C   晴~多云        西风   4-8级   28       良         1
3  1/4/2025    0°C   -4°C   晴~多云        东风   2-5级   30       良         1
4  1/5/2025    3°C   -1°C     小雨        东风   3-5级   25       良         1

1. 直接赋值的方法

例子：清理温度列，变成数字类型. 修改列数据

  • 替换掉温度的后缀°C
  • df.loc[:,'bWendu'] 中的 : 表示选择这个df中所有的行，并同时选择bWendu这一列，让它等于温度bWendu这一列的str形式，然后调用str中的replace方法，把字符串后缀°C替换成空，最后转换下它的类型，变成int32
df.loc[:,'bWendu'] = df['bWendu'].str.replace('°C','').astype('int32')
df.loc[:,'yWendu'] = df['yWendu'].str.replace('°C','').astype('int32')
print(df.head())

          bWendu  yWendu tianqi fengxiang fengji  aqi aqiInfo  aqiLevel
ymd                                                                    
1/1/2025     -25      -6   晴~多云       西北风   1-2级   59       优         2
1/2/2025       2      -9      阴       东南风   3-4级   48       优         1
1/3/2025     -11      -2   晴~多云        西风   4-8级   28       良         1
1/4/2025       0      -4   晴~多云        东风   2-5级   30       良         1
1/5/2025       3      -1     小雨        东风   3-5级   25       良         1
  • 计算温差
  • 注意：df['bWendu']其实是一个Series,后面的减法返回的是Series

例子：新增列wencha 等于bWendu减去yWendu

df.loc[:,'wencha'] = df['bWendu'] - df['yWendu']
print(df.head())
          bWendu  yWendu tianqi fengxiang fengji  aqi aqiInfo  aqiLevel  wencha
ymd                                                                            
1/1/2025     -25      -6   晴~多云       西北风   1-2级   59       优         2     -19
1/2/2025       2      -9      阴       东南风   3-4级   48       优         1      11
1/3/2025     -11      -2   晴~多云        西风   4-8级   28       良         1      -9
1/4/2025       0      -4   晴~多云        东风   2-5级   30       良         1       4
1/5/2025       3      -1     小雨        东风   3-5级   25       良         1       4

2. df.apply方法

例子：添加一列温度类型：

1.如果最高温度大于33度就是高温

2.低于-10度就是低温

3.否则是常温

def get_wendu_type(x):
    if x['bWendu'] > 33:
        return '高温'
    if x['bWendu'] < -10:
        return '低温'
    return '常温'
#注意需要设置axis==1,这是series的index是columns
df.loc[:,'wendu_type'] = df.apply(get_wendu_type,axis=1)

#查看温度类型的计数
print(df['wendu_type'].value_counts())

常温    14
低温     5
Name: wendu_type, dtype: int64

3. df.assgin方法

例子：将温度从摄氏度变成华氏度

#可以同时添加多个新的列

huashi = df.assign(
    yWendu_huashi = lambda x : x['yWendu'] * 9 / 5 + 32,
    bWendu_huashi = lambda x : x['bWendu'] * 9 / 5 + 32
)
print(huashi)
          bWendu  yWendu tianqi  ... wendu_type yWendu_huashi  bWendu_huashi
ymd                               ...                                        
1/1/2025      -25      -6   晴~多云  ...         低温          21.2          -13.0
1/2/2025        2      -9      阴  ...         常温          15.8           35.6
1/3/2025      -11      -2   晴~多云  ...         低温          28.4           12.2
1/4/2025        0      -4   晴~多云  ...         常温          24.8           32.0
1/5/2025        3      -1     小雨  ...         常温          30.2           37.4
1/6/2025       10       3      阴  ...         常温          37.4           50.0
1/7/2025        7     -10      阴  ...         常温          14.0           44.6
1/8/2025      -13      -6     小雨  ...         低温          21.2            8.6
1/9/2025        8      -9   晴~多云  ...         常温          15.8           46.4
1/10/2025       3      -2     阵雨  ...         常温          28.4           37.4
1/11/2025       5      -4     阵雨  ...         常温          24.8           41.0
1/12/2025       7      -1      冰  ...         常温          30.2           44.6
1/13/2025       2      -4      冰  ...         常温          24.8           35.6
1/14/2025     -14      -1      霜  ...         低温          30.2            6.8
1/15/2025       7      -9      霜  ...         常温          15.8           44.6
1/16/2025       5     -10      冰  ...         常温          14.0           41.0
1/17/2025     -19      -6      雾  ...         低温          21.2           -2.2
1/18/2025       3      -9      雾  ...         常温          15.8           37.4
1/19/2025       1      -2      雾  ...         常温          28.4           33.8

[19 rows x 12 columns]

4. 按条件选择分组分别赋值

按条件先选择数据，然后对这部分数据赋值新列

例子：高低温度差大于10度，则认为温差大

eweidog
关注
价值投资AI数据来源的5个渠道：AI应用架构师推荐，合法又好用（附教程）
AI天才研究院
08-09 1389
价值投资的核心逻辑是“寻找价格低于内在价值的资产”，而AI模型的能力边界完全由数据质量决定——从财务报表的精确性到另类数据的增量信息，从宏观经济的趋势到ESG的长期影响，每一类数据都在构建AI对“内在价值”的认知。本文基于架构师视角，系统拆解价值投资AI的5类核心数据源（官方监管、商业服务、企业披露、宏观行业、另类数据），结合合规性分析实践教程（附Python代码）和架构设计，帮助技术团队搭建“可靠、高效、可扩展”的数据基础。无论是入门者还是资深架构师，都能从本文获得“从数据采集到模型应用”的完整知识链。
Pandas新增数据列的4种方法
qq_41715032的博客
03-22 2319
Pandas怎样新增数据列？在进行数据分析时，经常需要按照一定条件创建新的数据列，然后进行进一步分析。
pandas添加新列的5种常见方法
02-24 3万+
df2 =df.reindex(columns=['a', 'b', 'c', 'd', 'e'], fill_value=1) # 加入fill_value参数，填充值为1。df1 =df.reindex(columns=['a', 'b', 'c', 'd', 'e']) # 不加fill_value参数，默认值为Nan。上面的代码，对dataframe新增加一列名为level，level由分数一列而来，如果小于60分为bad，60-80之间为mid，80以上为good。必要字段，新列插入的值。
[Pandas] 添加新列
Hudas的博客
06-18 1万+
本文主要讲解使用Pandas新增数据列
【Pandas总结】第六节 Pandas 添加列
weixin_47139649的博客
09-16 6218
在Pandas数据处理时，经常要用到添加数据列的方式；这篇文章主要解决的就是在Pandas中添加列的问题； 常用的添加列的方法有如下几种：直接赋值，用`df.apply()` 方法， 用`df.assign()`方法，条件分组后，分别赋值；
python pandas在csv中增加一列
Along1617188的博客
11-09 5462
python 利用pandas在csv中增加一列 # -*- encoding: utf-8 -*- import os import pandas as pd file_list = list() os.chdir(r"F:\city_aqi_data\weather_city") for file in os.listdir(): if file.endswith('.xls'):# 这里用的xls,csv同理 df = pd.read_excel(file)# 读xls
pandas—添加新列的常见方法
热门推荐
LHJ优快云YL的博客
05-04 9万+
pandas为DataFrame格式数据添加新列的方法非常简单，只需要新建一个列索引，再为其赋值即可。 以下总结了5种常见添加新列的方法。 首先，创建一个DataFrame结构数据，作为数据举例。 import pandas as pd # 创建一个DataFrame结构数据 data = {'a': ['a0', 'a1', 'a2'], 'b': ['b0', 'b1', 'b2']} df = pd.DataFrame(data) print('举例数据情况：\n', df) 添加
Pandas数据分析库
Java/Python大数据随笔
08-06 2350
Pandas是一个用于数据分析和处理的强大库，它基于NumPy构建，并提供了更高级的数据结构和分析工具。数据透视表（Pivot Table）是数据分析中常见的工具之一，根据一个或多个键值对数据进行聚合，根据列或行的分组键将数据划分到各个区域。在Pandas中，除了使用groupby对数据分组聚合实现透视功能外，还可以使用pivot_table函数实现。Pandas提供了多种方法来加载和处理数据，以便进行后续的分析和处理。使用DataFrame对象的plot()方法可以方便的进行图表可视化。
Pandas:数据结构DataFrame
weixin_44507435的博客
03-14 3309
文章目录1.基本概念及创建DataFrame的数据结构DataFrame的创建方法（5种）2.索引选择行选择列df.loc用法df.iloc用法布尔型索引多重索引Pandas基本技巧数据查看、转置添加与修改删除对齐排序：sort_values排序：sort_index课后作业作业一：用四种不同的方法，创建以下Dataframe（保证columns和index一致，值不做要求）作业二：如图创建Dat...
三、机器学习基础知识：Python常用机器学习库（Pandas）
weixin_42051846的博客
10-23 694
详细介绍了Python常用机器学习库Pandas，主要围绕其中的Series数据结构、DataFrame对象、数据对齐、缺失数据处理以及Pandas存取文件这几个部分展开说明。
Pandas在NX中的革命性应用：结构化数据分析与BOM处理自动化的3个案例
想象一下：你刚完成一个发动机装配体的设计，点击一键导出，不仅生成了标准BOM表，还自动汇总了材料用量、识别出通用件、比对了上一版本的变更点，甚至预测了潜在供应链风险——这一切，都不再依赖Excel宏或人工核对...
Pandas DataFrame数据的更改、插入新增的列和行的方法
09-19
主要介绍了Pandas DataFrame数据的更改、插入新增的列和行的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
在满足特定条件时，使用第二个数据框的值来替换 pandas DataFrame 的列值
D0126_的博客
07-25 376
用户希望在 pandas DataFrame 中用另一个 DataFrame 的值替换特定列的值，如果满足某些条件。
python数据分析小白自学日记第四天！！-pandas核心操作之增删查改
ljh1301723889的博客
07-07 1083
到此为止，pandas的大部分基础操作都已经总结完毕啦，这个系列会短暂断更一段时间(稍作休整）尽请期待！
用Python把csv文件批量修改编码为UTF-8格式并转为Excel格式
a1137588003的博客
09-18 1815
有时候用excel打开一个csv文件，中文全部显示乱码。然后手动用notepad++打开，修改编码为utf-8并保存后，再用excel打开显示正常。使用Python通过很少代码就能将上面过程自动化。导入3个模块chardet 模块用于得到文件的编码格式，pandas 按照这个格式读取，然后保存为xlsx格式。
pandas如何新增数据列
听海边涛声
03-03 816
pandas如何新增数据列
给csv或txt文件加上一列id
LiuRuiaby35646的博客
07-06 493
从这样变成这样。
pandas添加新列
m0_73989598的博客
03-20 1125
df.apply()，需要传入一个函数，根据函数的内容生成新的列，函数的参数默认传入所有的行,直接在原数据中更改，不生成新的Dataframe。由运行结果可知，df.assign()方法确实在结尾处新加了"new_1"和"new_2"两列。df.assign()方法，可以同时添加多列,但是返回了一个新的对象，其使用方法如下代码。利用pandas中的.loc方法，选中所有行，创建一个新的column。可以看到在最后一列创建了一个新的列标为“new”的新列。由运行的结果可以看到，确实在最后一排创建了一个新列。
pandas如何添加列
buw369521的博客
02-25 579
如果要添加的列是一个常量值或者可广播的序列，可以直接通过索引赋值的方式添加新列。方法可以在指定位置插入新列。的情况下添加新列，并返回一个新的。添加一个基于现有列计算的新列。方法可以在不修改原始。创建要插入的新列数据。
import pandas as pd import numpy as np import os # 读取Excel文件数据 file_path = r"C:\Users\80401\Desktop\date.xlsx" df = pd.read_excel(file_path, sheet_name='100-1') # 提取入库洪水流量数据 Q = df['入库洪水流量Q'].values # 入库洪水流量，单位为m³/s # 初始参数 dt = float(3600) # 时间间隔为3600秒（1小时） q1 = float(3366) # 初始出流量，单位为立方米/秒 V1_initial = float(195.59) * 1000000 V2_guess = float(199) * 1000000 V_min = float(66.24) * 1000000 V_max = float(922) * 1000000 # 查找 q=f(V) 表格数据（单位为百万立方米） v_q_table = [ (3.68 * 1000000, 0), (7.07 * 1000000, 280), (13.1 * 1000000, 545), (22.54 * 1000000, 780), (36.33 * 1000000, 1050), (55.06 * 1000000, 1375), (78.71 * 1000000, 1740), (107.51 * 1000000, 2210), (141.73 * 1000000, 2700), (185.65 * 1000000, 3270), (240.4 * 1000000, 3795), (301.86 * 1000000, 4390), (371.11 * 1000000, 4960), (449.24 * 1000000, 5630), (535.86 * 1000000, 6125), (631.76 * 1000000, 6450), (736.32 * 1000000, 6647), (850 * 1000000, 6945), (973 * 1000000, 7231) ] # 查表函数 def lookup_q(V2, table=v_q_table): for i in range(len(table) - 1): if table[i][0] <= V2 <= table[i + 1][0]: q1_table, q2_table = table[i][1], table[i + 1][1] v1_table, v2_table = table[i][0], table[i + 1][0] q_new = q1_table + (q2_table - q1_table) * (V2 - v1_table) / (v2_table - v1_table) return q_new return table[-1][1] # 如果超过最大值，返回最后一个值 # 结果存储列表 results = [] def iterative_v2_solver(V1, V2_guess, V_min, V_max, Q1, Q2, q1, dt, tolerance=0.01, max_iterations=100000): iterations = 0 V2 = V2_guess for i in range(max_iterations): iterations += 1 # 使用当前假设V2值，根据水量平衡计算q2 dV = V1 - V2 q2 = (Q1 + Q2 - q1 + 2 * dV / dt) # 使用q = f(V)查表法计算q2_new q2_new = lookup_q(V2) # 检查收敛条件 if abs(q2_new - q2) < tolerance: return V2, q2 # 调整当前假设V2值 # 如果假设V2值超出区间，则向边界方向调整 if V2 < V_min or V2 > V_max: V2 = max(V_min, min(V_max, V2)) else: step = (q2 - q2_new) * dt / 2 V2 += step * 0.1 # 达到最大迭代次数仍未收敛 raise ValueError(f"未能在{max_iterations}次迭代内收敛") # 主循环 V1 = V1_initial # 第一个时段的V1 for i in range(len(Q) - 2): # 遍历每个时段 Q1 = Q[i + 1] Q2 = Q[i + 2] try: V2, q2 = iterative_v2_solver(V1, V2_guess, V_min, V_max, Q1, Q2, q1, dt) results.append((V2 / 1000000, q2)) # 存储结果时将V2换算回百万立方米单位 q1 = q2 # 更新下一个时段的q1为上个时段的q2 V1 = V2 # 更新下一个时段的V1为上个时段的V2 except ValueError as e: print(e) # 创建结果DataFrame results_df = pd.DataFrame(results, columns=['水库存水量V2', '下泄流量q2']) # 设置桌面路径 desktop_path = os.path.join(os.path.expanduser("~"), "Desktop") output_path = os.path.join(desktop_path, "水库调度计算结果.xlsx") # 保存到Excel文件 with pd.ExcelWriter(output_path, engine='openpyxl') as writer: # 写入结果数据 results_df.to_excel(writer, sheet_name='计算结果', index=False) print(f"计算完成！结果已保存到: {output_path}") #读取'Q'的长度 # import pandas as pd # # # 读取Excel文件数据 # file_path = r"C:\Users\80401\Desktop\date.xlsx" # df = pd.read_excel(file_path, sheet_name='100-1') # # # 提取入库洪水流量数据 # Q = df['入库洪水流量Q'].values # 入库洪水流量，单位为m³/s # # # 计算lenQ # lenQ = len(Q) # print(f"lenQ的值是: {lenQ}") # # for i in range(len(Q) - 2): # 遍历每个时段 # Q1 = Q[i + 1] # Q2 = Q[i + 2] # print(Q1,Q2) 根据文件中的表格，更改上述代码，要求输出结果中增加一列数据“水库水位Z”，每一个时段的Z值仿照上述代码中的查表过程得到
最新发布
06-28
为了满足你的需求，我们需要在代码中增加一个查表函数来查找每个时段对应的水库水位 $Z$，并将这些值添加到结果数据框中。以下是完整的改进代码： ### 改进后的代码 ```python import pandas as pd import numpy as np import os # 读取Excel文件数据 file_path = r"C:\Users\80401\Desktop\date.xlsx" df = pd.read_excel(file_path, sheet_name='100-1') # 提取入库洪水流量数据 Q = df['入库洪水流量Q'].values # 入库洪水流量，单位为m³/s # 初始参数 dt = float(3600) # 时间间隔为3600秒（1小时） q1 = float(3366) # 初始出流量，单位为立方米/秒 V1_initial = float(195.59) * 1000000 V2_guess = float(199) * 1000000 V_min = float(66.24) * 1000000 V_max = float(922) * 1000000 # 查找 q=f(V) 表格数据（单位为百万立方米） v_q_table = [ (3.68 * 1000000, 0, 92), (7.07 * 1000000, 280, 93), (13.1 * 1000000, 545, 94), (22.54 * 1000000, 780, 95), (36.33 * 1000000, 1050, 96), (55.06 * 1000000, 1375, 97), (78.71 * 1000000, 1740, 98), (107.51 * 1000000, 2210, 99), (141.73 * 1000000, 2700, 100), (185.65 * 1000000, 3270, 101), (240.4 * 1000000, 3795, 102), (301.86 * 1000000, 4390, 103), (371.11 * 1000000, 4960, 104), (449.24 * 1000000, 5630, 105), (535.86 * 1000000, 6125, 106), (631.76 * 1000000, 6450, 107), (736.32 * 1000000, 6647, 108), (850 * 1000000, 6945, 109), (973 * 1000000, 7231, 110) ] # 查表函数，查找q和Z值 def lookup_q_and_z(V2, table=v_q_table): for i in range(len(table) - 1): if table[i][0] <= V2 <= table[i + 1][0]: q1_table, q2_table = table[i][1], table[i + 1][1] z1_table, z2_table = table[i][2], table[i + 1][2] v1_table, v2_table = table[i][0], table[i + 1][0] q_new = q1_table + (q2_table - q1_table) * (V2 - v1_table) / (v2_table - v1_table) z_new = z1_table + (z2_table - z1_table) * (V2 - v1_table) / (v2_table - v1_table) return q_new, z_new return table[-1][1], table[-1][2] # 如果超过最大值，返回最后一个值 # 结果存储列表 results = [] def iterative_v2_solver(V1, V2_guess, V_min, V_max, Q1, Q2, q1, dt, tolerance=0.01, max_iterations=100000): iterations = 0 V2 = V2_guess for i in range(max_iterations): iterations += 1 # 使用当前假设V2值，根据水量平衡计算q2 dV = V1 - V2 q2 = (Q1 + Q2 - q1 + 2 * dV / dt) # 使用q = f(V)查表法计算q2_new q2_new, z2_new = lookup_q_and_z(V2) # 检查收敛条件 if abs(q2_new - q2) < tolerance: return V2, q2, z2_new # 调整当前假设V2值 # 如果假设V2值超出区间，则向边界方向调整 if V2 < V_min or V2 > V_max: V2 = max(V_min, min(V_max, V2)) else: step = (q2 - q2_new) * dt / 2 V2 += step * 0.1 # 达到最大迭代次数仍未收敛 raise ValueError(f"未能在{max_iterations}次迭代内收敛") # 主循环 V1 = V1_initial # 第一个时段的V1 for i in range(len(Q) - 2): # 遍历每个时段 Q1 = Q[i + 1] Q2 = Q[i + 2] try: V2, q2, z2 = iterative_v2_solver(V1, V2_guess, V_min, V_max, Q1, Q2, q1, dt) results.append((V2 / 1000000, q2, z2)) # 存储结果时将V2换算回百万立方米单位 q1 = q2 # 更新下一个时段的q1为上个时段的q2 V1 = V2 # 更新下一个时段的V1为上个时段的V2 except ValueError as e: print(e) # 创建结果DataFrame results_df = pd.DataFrame(results, columns=['水库存水量V2', '下泄流量q2', '水库水位Z']) # 设置桌面路径 desktop_path = os.path.join(os.path.expanduser("~"), "Desktop") output_path = os.path.join(desktop_path, "水库调度计算结果.xlsx") # 保存到Excel文件 with pd.ExcelWriter(output_path, engine='openpyxl') as writer: # 写入结果数据 results_df.to_excel(writer, sheet_name='计算结果', index=False) print(f"计算完成！结果已保存到: {output_path}") ``` ### 代码解析 1. **查表函数更新**： - 新增了`lookup_q_and_z`函数，同时查找$q$和$Z$值。 - 使用线性插值法计算中间值，确保结果更准确。 2. **主循环更新**： - 在每次迭代计算完成后，除了存储$V2$和$q2$外，还存储对应的水库水位$Z$。 3. **结果存储**： - 最终的结果存储在`results`列表中，并在创建结果DataFrame时增加了水库水位$Z$列。 ### 知识点 1. **线性插值**： - 线性插值法用于估计两个已知数据点之间的未知点，确保插值结果平滑准确。 - 示例：`q_new = q1_table + (q2_table - q1_table) * (V2 - v1_table) / (v2_table - v1_table)` 2. **数据存储与处理**： - 使用Pandas DataFrame存储和处理多维数据，便于后续分析和导出。 - 数据导出为Excel文件，方便查看和分享。 3. **异常处理**： - 使用`try-except`块处理可能的迭代不收敛情况，确保代码的鲁棒性。 - 异常处理能够及时反馈问题并继续执行其他计算。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值