Biorąc pod uwagę ramkę DataFrame:

np.random.seed(0)
df = pd.DataFrame(np.random.randn(3, 3), columns=list('ABC'), index=[1, 2, 3])
df

          A         B         C
1  1.764052  0.400157  0.978738
2  2.240893  1.867558 -0.977278
3  0.950088 -0.151357 -0.103219

Jaki jest najprostszy sposób dodania nowej kolumny zawierającej stałą wartość, np. 0?

          A         B         C  new
1  1.764052  0.400157  0.978738    0
2  2.240893  1.867558 -0.977278    0
3  0.950088 -0.151357 -0.103219    0

To jest moje rozwiązanie, ale nie wiem, dlaczego powoduje to umieszczenie NaN w „nowej” kolumnie?

df['new'] = pd.Series([0 for x in range(len(df.index))])

          A         B         C  new
1  1.764052  0.400157  0.978738  0.0
2  2.240893  1.867558 -0.977278  0.0
3  0.950088 -0.151357 -0.103219  NaN

Powodem, dla którego jest to umieszczane NaNw kolumnie, jest to, że df.indexi obiekt po Indexprawej stronie są różne. @zach pokazuje właściwy sposób przypisywania nowej kolumny zer. Ogólnie rzecz biorąc, pandasstara się jak najbardziej wyrównywać indeksy. Jedną wadą jest to, że gdy indeksy nie są wyrównane, dostajesz się NaNtam, gdzie nie są wyrównane. Pobaw się z metodami reindexi align, aby uzyskać intuicję dotyczącą wyrównywania, które działa z obiektami, które mają częściowo, całkowicie i nie wyrównane-wszystkie wyrównane indeksy. Na przykład oto jak DataFrame.align()działa z częściowo wyrównanymi indeksami:

In [7]: from pandas import DataFrame

In [8]: from numpy.random import randint

In [9]: df = DataFrame({'a': randint(3, size=10)})

In [10]:

In [10]: df
Out[10]:
   a
0  0
1  2
2  0
3  1
4  0
5  0
6  0
7  0
8  0
9  0

In [11]: s = df.a[:5]

In [12]: dfa, sa = df.align(s, axis=0)

In [13]: dfa
Out[13]:
   a
0  0
1  2
2  0
3  1
4  0
5  0
6  0
7  0
8  0
9  0

In [14]: sa
Out[14]:
0     0
1     2
2     0
3     1
4     0
5   NaN
6   NaN
7   NaN
8   NaN
9   NaN
Name: a, dtype: float64

Super proste przypisanie na miejscu: df['new'] = 0

W przypadku modyfikacji w miejscu wykonaj bezpośrednie przypisanie. To zadanie jest nadawane przez pandy dla każdego rzędu.

df = pd.DataFrame('x', index=range(4), columns=list('ABC'))
df

   A  B  C
0  x  x  x
1  x  x  x
2  x  x  x
3  x  x  x

df['new'] = 'y'
# Same as,
# df.loc[:, 'new'] = 'y'
df

   A  B  C new
0  x  x  x   y
1  x  x  x   y
2  x  x  x   y
3  x  x  x   y

Uwaga dotycząca kolumn obiektów

Jeśli chcesz dodać kolumnę pustych list, oto moja rada:

• Zastanów się, czy tego nie robić. objectkolumny to zła wiadomość pod względem wydajności. Przemyśl strukturę swoich danych.
• Rozważ przechowywanie danych w rzadkiej strukturze danych. Więcej informacji: rzadkie struktury danych

• Jeśli musisz przechowywać kolumnę list, nie kopiuj wielokrotnie tego samego odniesienia.

  # Wrong
  df['new'] = [[]] * len(df)
  # Right
  df['new'] = [[] for _ in range(len(df))]
  

Generowanie kopii: df.assign(new=0)

Jeśli zamiast tego potrzebujesz kopii, użyj DataFrame.assign:

df.assign(new='y')

   A  B  C new
0  x  x  x   y
1  x  x  x   y
2  x  x  x   y
3  x  x  x   y

A jeśli chcesz przypisać wiele takich kolumn o tej samej wartości, jest to tak proste, jak:

c = ['new1', 'new2', ...]
df.assign(**dict.fromkeys(c, 'y'))

   A  B  C new1 new2
0  x  x  x    y    y
1  x  x  x    y    y
2  x  x  x    y    y
3  x  x  x    y    y

Przypisanie wielu kolumn

Wreszcie, jeśli chcesz przypisać wiele kolumn z różnymi wartościami, możesz użyć assignsłownika.

c = {'new1': 'w', 'new2': 'y', 'new3': 'z'}
df.assign(**c)

   A  B  C new1 new2 new3
0  x  x  x    w    y    z
1  x  x  x    w    y    z
2  x  x  x    w    y    z
3  x  x  x    w    y    z

Dzięki nowoczesnym pandom możesz po prostu:

df['new'] = 0

Oto kolejna linijka używająca lambd (utwórz kolumnę o stałej wartości = 10)

df['newCol'] = df.apply(lambda x: 10, axis=1)

przed

df
    A           B           C
1   1.764052    0.400157    0.978738
2   2.240893    1.867558    -0.977278
3   0.950088    -0.151357   -0.103219

po

df
        A           B           C           newCol
    1   1.764052    0.400157    0.978738    10
    2   2.240893    1.867558    -0.977278   10
    3   0.950088    -0.151357   -0.103219   10