一、列操作

1.1 選擇列

d = {’one’ : pd.Series([1, 2, 3], index=[’a’, ’b’, ’c’]), ’two’ : pd.Series([1, 2, 3, 4], index=[’a’, ’b’, ’c’, ’d’])}df = pd.DataFrame(d)print (df [’one’])# 選擇其中一列進行顯示，列長度為最長列的長度# 除了 index 和 數據，還會顯示 列表頭名，和 數據 類型

運行結果：

a 1.0b 2.0c 3.0d NaNName: one, dtype: float64

1.2 增加列

d = {’one’ : pd.Series([1, 2, 3], index=[’a’, ’b’, ’c’]), ’two’ : pd.Series([1, 2, 3, 4], index=[’a’, ’b’, ’c’, ’d’])}df = pd.DataFrame(d)# Adding a new column to an existing DataFrame object with column label by passing new seriesprint ('Adding a new column by passing as Series:')df[’three’]=pd.Series([10,30,20],index=[’a’,’c’,’b’])print(df)# 增加列后進行顯示，其中 index 用于對應到該列 元素 位置（所以位置可以不由 列表 中的順序進行指定）print ('Adding a new column using the existing columns in DataFrame:')df[’four’]=df[’one’]+df[’two’]+df[’three’]print(df)# 我們選定列后，直接可以對整個列的元素進行批量運算操作，這里 NaN 與其他元素相加后，還是 NaN

運行結果：

Adding a new column by passing as Series: one two threea 1.0 1 10.0b 2.0 2 20.0c 3.0 3 30.0d NaN 4 NaNAdding a new column using the existing columns in DataFrame: one two three foura 1.0 1 10.0 12.0b 2.0 2 20.0 24.0c 3.0 3 30.0 36.0d NaN 4 NaN NaN

1.3 刪除列（del 和 pop 函數）

d = {’one’ : pd.Series([1, 2, 3], index=[’a’, ’b’, ’c’]), ’two’ : pd.Series([1, 2, 3, 4], index=[’a’, ’b’, ’c’, ’d’]), ’three’ : pd.Series([10,20,30], index=[’a’,’b’,’c’])}df = pd.DataFrame(d)print ('Our dataframe is:')print(df)# 使用 del 函數print ('Deleting the first column using DEL function:')del(df[’one’])print(df)# 使用 pop 函數print ('Deleting another column using POP function:')df_2=df.pop(’two’) # 將一列 pop 到新的 dataframeprint(df_2)print(df)

運行結果：

Our dataframe is: one two threea 1.0 1 10.0b 2.0 2 20.0c 3.0 3 30.0d NaN 4 NaNDeleting the first column using DEL function: two threea 1 10.0b 2 20.0c 3 30.0d 4 NaNDeleting another column using POP function: threea 10.0b 20.0c 30.0d NaNPOP column:a 1b 2c 3d 4Name: two, dtype: int64

二、行操作

2.1 選擇行

2.1.1 通過 label 選擇行（loc 函數）

d = {’one’ : pd.Series([1, 2, 3], index=[’a’, ’b’, ’c’]), ’two’ : pd.Series([1, 2, 3, 4], index=[’a’, ’b’, ’c’, ’d’])}df = pd.DataFrame(d)print(df.loc[’b’]) # 顯示這一行中，對應表頭 下的 對應數據，同時顯示 行 index 和 數據類型

運行結果：

one 2.0two 2.0Name: b, dtype: float64

2.1.2 通過序號選擇行（iloc 函數）

d = {’one’ : pd.Series([1, 2, 3], index=[’a’, ’b’, ’c’]), ’two’ : pd.Series([1, 2, 3, 4], index=[’a’, ’b’, ’c’, ’d’])}df = pd.DataFrame(d)print(df.iloc[2]) # 序號 2 對應的是第 3 行的數據

運行結果：

one 3.0two 3.0Name: c, dtype: float64

2.1.3 通過序號選擇行切片

d = {’one’ : pd.Series([1, 2, 3], index=[’a’, ’b’, ’c’]), ’two’ : pd.Series([1, 2, 3, 4], index=[’a’, ’b’, ’c’, ’d’])}df = pd.DataFrame(d)print(df[2:4]) # 這里選擇第 3 到 第 4 行，與 Python 切片一致，不需要函數，直接切片即可

運行結果：

one twoc 3.0 3d NaN 4

2.2 增加行（append 函數）

# 通過 append 函數df = pd.DataFrame([[1, 2], [3, 4]], columns = [’a’,’b’])df2 = pd.DataFrame([[5, 6], [7, 8]], columns = [’a’,’b’])df = df.append(df2)print(df) # 這里相當于把 第二個 dataframe 與第一個進行拼接，默認的 index 都是 0 1print(df.loc[0]) # 這里有兩行的 index 是 0

運行結果：

a b0 1 21 3 40 5 61 7 8 a b0 1 20 5 6

2.3 刪除行（drop 函數）

# 通過 drop 函數df = pd.DataFrame([[1, 2], [3, 4]], columns = [’a’,’b’])df2 = pd.DataFrame([[5, 6], [7, 8]], columns = [’a’,’b’])df = df.append(df2)df = df.drop(0) # 這里有兩個行標簽為 0，所以直接刪除了 2 行print(df)

運行結果：

a b1 3 41 7 8

到此這篇關于Python Pandas 對列/行進行選擇，增加，刪除操作的文章就介紹到這了,更多相關Python Pandas行列選擇增加刪除內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！