【pandas基础】--数据修改

广辉

pandas 作为一种常用的数据分析工具，提供了广泛的数据修改方法。
既可以针对行或者列的数据进行修改，也可以对具体单个元素进行修改，还可以基于条件选择要修改的行或者列的数据。
1. 增加数据

1.1 增加行数据

pandas的DataFrame增加一行或者多行数据之前是使用append方法。

1. import pandas as pd
3. df = pd.DataFrame(columns=["name", "age", "gender"])
4. df = df.append(
5.     [
6.         {"name": "小红", "age": 13, "gender": "女"},
7.         {"name": "小明", "age": 15, "gender": "男"},
8.     ],
9.     ignore_index=True,
10. )
11. df

复制代码

使用append方法会有FutureWarning警告，说明append方法以后会被淘汰，不建议使用此方法来增加数据。
建议使用的方法是 concat。
当两个DataFrame列相同的时候，通过concat可以其中一个DataFrame的行添加到另一个DataFrame中。

1. import pandas as pd
3. df = pd.DataFrame(columns=["name", "age", "gender"])
4. new_data = pd.DataFrame(
5.     {
6.         "name": ["小红", "小明"],
7.         "age": [13, 15],
8.         "gender": ["男", "女"],
9.     }
10. )
11. df = pd.concat([df, new_data[:1])
12. df

复制代码

1.2 增加列数据

增加列数据用insert方法，insert方法有关键参数有三个：

• loc：列插入的位置，从0开始
  
• column：列名称
  
• value：插入的值
  

1. import pandas as pd
3. df = pd.DataFrame(
4.     {
5.         "name": ["小红", "小明"],
6.         "age": [13, 15],
7.         "gender": ["男", "女"],
8.     }
9. )
10. df.insert(3, "score", [100, 95])
11. df

复制代码

如果想把新的列插入到前面，修改insert方法的第一个参数。

1. import pandas as pd
3. df = pd.DataFrame(
4.     {
5.         "name": ["小红", "小明"],
6.         "age": [13, 15],
7.         "gender": ["男", "女"],
8.     }
9. )
10. df.insert(1, "score", [100, 95])
11. df

复制代码

此外，前面增加行数据的concat方法也可以增加列数据，按列添加时，设置axis=1。

1. import pandas as pd
3. df = pd.DataFrame(
4.     {
5.         "name": ["小红", "小明"],
6.         "age": [13, 15],
7.         "gender": ["男", "女"],
8.     }
9. )
10. new_data = pd.DataFrame({"score": [100, 95]})
11. df = pd.concat([df, new_data], axis=1)
12. df

复制代码

2. 删除数据

删除数据使用drop方法，drop方法的axis参数控制删除行还是列。
2.1 删除行

删除单行：

1. import pandas as pd
3. df = pd.DataFrame(
4.     {
5.         "name": ["小红", "小明", "小华"],
6.         "age": [13, 15, 14],
7.         "gender": ["男", "女", "男"],
8.     }
9. )
11. df.drop(1, axis=0)

复制代码

删除多个行：

1. import pandas as pd
3. df = pd.DataFrame(
4.     {
5.         "name": ["小红", "小明", "小华"],
6.         "age": [13, 15, 14],
7.         "gender": ["男", "女", "男"],
8.     }
9. )
11. df.drop([0, 2], axis=0)

复制代码

2.2 删除列

删除单个列：

1. import pandas as pd
3. df = pd.DataFrame(
4.     {
5.         "name": ["小红", "小明", "小华"],
6.         "age": [13, 15, 14],
7.         "gender": ["男", "女", "男"],
8.     }
9. )
10. df.drop("age", axis=1)

复制代码

删除多个列：

1. import pandas as pd
3. df = pd.DataFrame(
4.     {
5.         "name": ["小红", "小明", "小华"],
6.         "age": [13, 15, 14],
7.         "gender": ["男", "女", "男"],
8.     }
9. )
10. df.drop(["age", "gender"], axis=1)

复制代码

3. 修改数据

修改数据既可以使用之前介绍过的loc和iloc方法，也可以通过条件过滤出需要修改的值。
这里再次提醒下loc和iloc的区别：

• loc使用标签，iloc使用索引
  
• loc的行和列的标签是包含端点的，iloc的行和列的索引是不包含端点的
  

3.1 单个数据修改

通过loc或者iloc定位到具体的元素，然后修改。

1. import pandas as pd
3. df = pd.DataFrame(
4.     {
5.         "name": ["小红", "小明", "小华"],
6.         "age": [13, 15, 14],
7.         "gender": ["男", "女", "男"],
8.     }
9. )
10. df.loc[0, "name"] = "小黄"
11. # OR df.iloc[0, 0] = "小黄"

复制代码

3.2 多个数据修改

通过loc或者iloc定位多个行和列，然后修改。

1. import pandas as pd
3. df = pd.DataFrame(
4.     {
5.         "name": ["小红", "小明", "小华"],
6.         "age": [13, 15, 14],
7.         "gender": ["男", "女", "男"],
8.     }
9. )
11. df.loc[0:1, "age"] = 18
12. # OR df.iloc[0:2, 1] = 18

复制代码

3.3 按条件修改

loc或者iloc也可以设置条件来过滤出要修改的数据。

1. import pandas as pd
3. df = pd.DataFrame(
4.     {
5.         "name": ["小红", "小明", "小华"],
6.         "age": [13, 15, 14],
7.         "gender": ["男", "女", "男"],
8.     }
9. )
11. df.loc[df["age"] > 13, "age"] = 20
12. # OR df.iloc[df["age"] > 13, 1] = 20

复制代码

4. 总结回顾

数据分析中，调整数据的值来试验分析结果的变化情况是很常见的操作。
本篇主要介绍了数据修改的常用方法，从行列的修改到单个元素的修改，以及按照条件修改数据。
熟练掌握上面介绍的方法，让我们在数据分析中更好的掌控自己的数据。

来源:https://www.cnblogs.com/wang_yb/p/17406123.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！