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(jìn)行顯示，列長度為最長列的長度# 除了 index 和 數(shù)據(jù)，還會顯示 列表頭名，和 數(shù)據(jù) 類型

運(yùn)行結(jié)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(jìn)行顯示，其中 index 用于對應(yīng)到該列 元素 位置（所以位置可以不由 列表 中的順序進(jìn)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(gè)列的元素進(jìn)行批量運(yùn)算操作，這里 NaN 與其他元素相加后，還是 NaN

運(yùn)行結(jié)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(shù)）

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(shù)print ('Deleting the first column using DEL function:')del(df[’one’])print(df)# 使用 pop 函數(shù)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(yùn)行結(jié)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(shù)）

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(yīng)表頭 下的 對應(yīng)數(shù)據(jù)，同時(shí)顯示 行 index 和 數(shù)據(jù)類型

運(yùn)行結(jié)果：

one 2.0two 2.0Name: b, dtype: float64

2.1.2 通過序號選擇行（iloc 函數(shù)）

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(yīng)的是第 3 行的數(shù)據(jù)

運(yùn)行結(jié)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(shù)，直接切片即可

運(yùn)行結(jié)果：

one twoc 3.0 3d NaN 4

2.2 增加行（append 函數(shù)）

# 通過 append 函數(shù)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(dāng)于把 第二個(gè) dataframe 與第一個(gè)進(jìn)行拼接，默認(rèn)的 index 都是 0 1print(df.loc[0]) # 這里有兩行的 index 是 0

運(yùn)行結(jié)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(shù)）

# 通過 drop 函數(shù)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(gè)行標(biāo)簽為 0，所以直接刪除了 2 行print(df)

運(yùn)行結(jié)果：

a b1 3 41 7 8

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